在航集装箱船摇摆姿态的概率模型

为研究在航集装箱船的摇摆姿态尤其是横摇姿态,利用假定概率模型的方法对集装箱船关键位置处的摇摆姿态进行研究,并构建摇摆概率模型,讨论并确定该模型的相关参数,从而建立集装箱船摇摆姿态的概率模型。结果表明,集装箱船不同位置处的纵摇角、横摇角和垂向加速度的概率模型近似服从高斯分布,仅其相关参数不同。该方法从在航集装箱船摇摆姿态的角度为船舶航行安全研究提供一定的理论依据。     

基于改进PSO-ARIMA模型的船舶纵摇角度预测

针对自回归移动平均(auto regressive moving average,ARMA)模型在船舶纵摇角度预测时不具有普遍适用性问题,提出使用自回归综合移动平均(auto regressive integrated moving average,ARIMA)模型进行纵摇角度预测,并采用改进粒子群优化(particle swarm optimization,PSO)算法对模型定阶。对纵摇角度值序列数据进行平稳性检验和差分运算,确定ARIMA模型的适用性;采用具有针对性适应度评价函数的PSO算法进行模型定阶,并优化PSO算法的权重计算方法。通过仿真对比验证本文所提方法的科学性和有效性。仿真结果表明:采用改进PSO算法进行模型定阶的方法能够有效提升模型的预测精度,具有更好的预测效果。     

基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法

为提高无线传感器网络数据融合精度,降低网络能耗,延长网络生存时间,提出基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法(IGWOBPDA).首先为平衡灰狼算法全局与局部搜索能力提出改进控制参数和动态权重更新位置的改进灰狼方案,利用改进灰狼算法对BP神经网络初始阈值和初始权值进行优化以解决数据融合中BP神经网...     

神经网络集成股票市场预测研究

利用遗传算法的全局搜索能力,同时进化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,生成神经网络的集成个体,采用二次规划计算方法,计算各集成个体的最优非负权系数进行最优组合集成,生成神经网络的输出结论,以此建立股市预测模型。通过上证指数开盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好,易于操作。     

船舶交通流量预测的灰色神经网络模型

为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.     

基于ARIMA-BP神经网络的船舶交通事故预测

为提高船舶交通事故的预测精度,提出将自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。     

基于人工神经网络和摄氧量动力学的身体活动能量消耗预测

目的：基于人工神经网络和摄氧量动力学,以心率（heart rate,HR）和呼吸频率（breathing frequency,BF）为自变量建立准确的身体活动能量消耗（physical activity energy expenditure,PAEE）预测模型。方法：招募24名健康大学生（年龄22.2岁±2.0岁,身高174 cm±9 cm,体重67.1 kg±12.4 kg）,参加3次运动测试,包括递增负荷运动、恒定负荷运动（40%和70%■）和4种身体活动（6.4 km/h步行、体感游戏、负重行走、上下楼梯）。采集运动中HR、BF和摄氧量（■）,并建立PAEE预测的BP神经网络模型。采用Bland-Altman散点图对模型预测的准确性进行分析,并计算了平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）以评估模型预测的误差。结果：建立的模型在步行活动中,模型预测的■(18.50±1.19 mL/kg/min)与观测值（18.34±1.44 mL/kg/min）接近,MAE=1.3...     

基于AIS数据和LSTM网络的船舶航行动态预测

为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。     

改进的GA与BP-PID融合移动机器人轨迹跟踪研究

针对PID控制器轨迹跟踪精度差的问题,在BP网络对PID参数拟合的基础上,利用算法融合的思想,使用改进后的遗传算法对BP网络进行参数寻优,避免BP网络陷入局部最优解,再使用BP网络对PID参数进行拟合。文章给出了控制算法的整体流程,并结合移动机器人的运动学方程进行了仿真对比实验。结果显示：改进后的融合算法相比PID算法控制误差更小,即改进的GA与BP-PID融合算法在移动机器人轨迹跟踪精度上发生了明显的改善。     

基于GA-BP神经网络的人脸识别方法研究

针对传统的BP神经网络算法易陷入局部极小点、训练速度慢的问题,文章用遗传算法(Genetic Algorithm,GA)来优化BP神经网络,实现全局寻优和局部寻优相结合,有效提高神经网络的学习性能和收敛性。实验结果表明,文章提出的方法训练速度快,克服其陷入局部最优的缺点,具有很好的识别性能。     

三级倒立摆的GA-PIDNN系统辨识

针对典型的不稳定、多变量、非线性、强耦合的三级倒立摆系统,建立了基于GA优化的PID神经网络(GA-PIDNN)辨识结构,完成了GA与BP两种算法的简单对比,并给出了MATLAB仿真结果.结果表明,GA-PIDNN对于非线性三级倒立摆的辨识是有效的,且GA优于BP算法.     

基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例

总有机碳含量（TOC）是烃源岩评价的重要指标。传统的TOC预测模型有ΔlogR和BP神经网络,但是ΔlogR的拟合精度较低,BP神经网络容易陷入局部最优。针对这些问题,提出一种基于卷积神经网络（convolutional neural network,CNN）预测烃源岩TOC的方法。以鄂尔多斯盆地杭锦旗地区上古生界泥质烃源岩为研究对象,通过对比实验验证该方法的有效性。实验结果表明,CNN可用于TOC预测,且预测精度高于ΔlogR和BP神经网络。利用CNN对108口钻井的山1段和太原组泥岩的TOC值进行预测,并结合沉积微相做出TOC平面图,发现研究区的东南部和中部的沼泽沉积微相的TOC值较高,分流河道沉积微相的TOC值较低。TOC值的平面分布与沉积微相分布在整体上具有良好的匹配关系,显示了CNN方法计算TOC的可行性。     

基于减聚类ANFIS模型的船舶横摇运动实时预测

为准确高效地预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出一种基于减聚类的自适应神经模糊推理系统(Subtractive Clustering based Adaptive Neural-Fuzzy Inference System,SC-ANFIS)模型.SC-ANFIS模型使用减聚类算法对输入样本进行聚类分析,得到模糊规则数,并建立神经模糊推理系统,再使用结合BP算法与最小二乘估计算法的混合算法对建立的预测系统进行优化训练,得到最优的预测系统模型,并使用自相关分析确定预测系统模型的输入.运用该模型对大连海事大学科研教学船"育鲲"号的横摇运动进行实时预测,结果验证了该方法可行、有效,并具有较高的预测精度.     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。     

基于TS-FNN模型的常压塔塔顶汽油干点预测

为了实现汽油干点的直接在线测量,提出了一种基于T-S模糊神经网络(TS-FNN)的汽油干点预测方法.以某炼油厂常减压装置常压塔塔顶汽油干点为背景,确定影响因素,分析采集的数据,依据样本数据建立BP神经网络(BPNN)模型及TS-FNN模型,验证模型的预测有效性.结果表明:基于TS-FNN模型预测的汽油干点与观测值基本一...     

基于遗传算法的船舶避碰决策辅助

针对海上船舶避碰问题,提出一种基于多种群遗传算法(Genetic Algorithm,GA)自动生成最优避碰路径的船舶避碰辅助决策方法.该算法采用多种群协同进化的方式,通过建立移民算子和人工选择算子保持种群之间的联系.这种改进的GA不仅能解决标准GA中遗传算子参数设定的问题,而且能提高算法的有效性和效率.利用船舶避碰方面的知识和启发式方法生成初始路径,使其决策方向符合避碰规则的要求,并对种群中的个体进行适应度评价与优化.以精英种群中最优个体的最少保持代数作为算法终止条件,这种判据充分利用GA在进化过程中的知识积累,比最大遗传代数判据更为合理.仿真结果证明了多种群GA在辅助船舶避碰决策方面的可行性和优越性.     

基于PCA和SAPSO的船舶风压差神经网络预测模型

为提高船舶风压差的预测精度,使船舶能够更快稳定在计划航线上以保障航行安全,提出一种基于主成分分析(principal component analysis, PCA)法和自适应粒子群优化(self-adaptive particle swarm optimization, SAPSO)算法的船舶风压差神经网络预测模型。该方法采用PCA法对航行数据进行预处理,然后将数据输入由SAPSO算法优化的BP神经网络中,改变以往通过复杂的数学建模计算风压差的方法,提高预测的时效性和准确性。利用实船数据对模型进行船舶风压差的实时预测仿真,结果验证了该预测模型具有较高的可靠性。     

基于CFS-GA特征选择算法的中文网页自动分类

为在中文网页分类时降低特征向量的维度、提高分类的精度,采用一种基于关联的特征选择(Correlation-based Feature Selection,CFS)与遗传算法(Genetic Algorithm,GA)相结合的方法进行特征选择.在该算法中,特征子集被当作GA中的一个染色体进行二进制编码;利用CFS启发值作为GA的适应度函数对个体进行评价;CFS值越大的个体遗传到下一代的概率越大.结合GA的全局搜索特性,该算法可保证所得特征子集是全局最优的.利用weka平台,对搜狗实验室提供的中文网页数据集进行实验.结果表明,该算法能有效降低特征空间的维度、提高分类精度。     

DELTA势阱改进QPSO优化BP算法及其应用

为了改进BP算法预测性能,提出QPSO-BP模型.该模型采用DELTA势阱改进的量子粒子群(QPSO)算法优化BP网络的权值与阈值,然后利用各年的GDP数据进行训练和预测.结果表明:经过DELTA势阱改进的QPSO优化BP算法模型比PSO-BP模型和BP神经网络更稳定,预测精度更高且泛化能力更强.与文献中所用模型的运算结果相比较,这种改进模型运算结果的相对误差和平均误差更小,在准确性上也有一定的优势.