基于BP神经网络与残差分析的船舶交通流量预测

为缓和神经网络对历史数据的"过拟合"与预测值"失真"的矛盾,设计一种基于BP神经网络与残差分析的非线性时间序列预测流程.从控制残差为正态分布、白噪声等方面入手,建立合适的人工神经网络,使其既能较好地拟合过去的样本,又可以得到符合未来趋势的预测结果.将该预测流程应用于长江九江大桥观测线船舶交通流量预测,预测效果证明该方法可行.     

海事事故知识表示本体模型

为了进一步优化海事事故知识表示,有效地解决我国海事事故记录格式与内容不统一、内容不完整、用词用语不规范等问题,本文提出了一种基于本体理论的海事事故知识表示本体模型。首先,结合海事领域知识,分析并概括出海事事故知识主要成分;然后,分析了海事事故知识构成的基础元组,初步提出了海事事故知识表示八元组模型,进而得到了用于构建本体模型的8个核心概念：船舶信息、事故类型、事故原因、事故经过、事故后果、事故时间、事故地点和应急投入;最后,分析并确定了概念层、属性层、关系层、实体层4个层次,进而提出并构建了海事事故知识表示本体模型。基于Protégé工具,展示了本体模型的应用,对1个海事事故的知识进行本体化的表示。研究表明：构建的海事事故知识表示本体模型能够从格式、内容等方面将海事事故知识进行规范化表示并记录,进而便于知识共享和知识重用。