两种改进的GM(2,1)模型及其在船舶横摇预报中的应用

实时准确地预报船舶横摇运动是目前船舶运动研究的一个重要课题,对于提高船舶的耐波性和适航性具有重要的意义.灰色GM(2,1)模型有2个指数分量,能反映出序列摆动的运动情况,但预测精度仍然不足.因此在GM(2,1)模型对非线性复杂横摇运动进行建模及预测的基础上,基于误差补偿的思想,用周期外延和神经网络2种方法分别对灰色模型进行改进.仿真结果表明,灰色-周期外延组合预测模型和灰色-BP神经网络组合预测模型均能准确有效地预报船舶横摇运动,进一步提高灰色模型的预测精度,为船舶减摇控制打下了良好基础,具有实用价值.     

基于小波变换理论的船舶横摇运动分析与预测

为获得横摇运动在不同时间尺度下的演变规律,提出基于小波变换(WT)理论进行船舶横摇运动非线性时间序列分析与预测的方法.通过小波变换对横摇运动时间序列进行多分辨率分析(MRA),将原序列分解为多个相对简单的准周期信号,对信号的趋势项、周期项和随机项进行分离,并采用人工神经网络(ANN)模型对上述准周期信号进行预报和集成.仿真结果表明:该方法有效提高了预报长度,并可获得较高建模及预报精度.     

基于双向差分的船舶横摇时间序列的预报

根据船舶在随机海浪作用下的运动特性,基于双向差分算法建立模型,并运用于船舶横摇运动时间序列的预报,取得较好的效果.该模型也可用于纵摇、艏摇的时间序列的预报.     

C11集装箱船参数横摇运动极值响应分析

基于窄带随机过程理论和Hermite变换法,本文提出了一种预测船舶参数横摇极值响应的新方法.以C11集装箱船为例,预测了其随机参数横摇极值响应的均值.将该结果与基于Monte Carlo法的数值结果对比,误差小于1%,证明了本文方法的正确性.同时,本文方法使用20条时间历程样本的预测精度与Monte Carlo法使用10~4条时间历程样本的预测精度相同,由此可以证明本文方法的高效性.本文还利用传统Gumbel模型对C11船参数横摇极值响应进行了预测.通过比较可以发现传统Gumbel模型的极值预测误差很大,证明传统Gumbel模型不适用于参数横摇这类非线性较强的运动极值预测.但是,即使利用新方法预测极值,也和模型试验结果之间存在一定的偏差.通过分析认为,这种预测误差是由于忽略了极大值之间的相关性导致的.     

基于误差反传神经网络的船舶横摇时间序列预报

给出了误差反传神经网络模型和学习型算法及其改进型学习算法，并将其应用于船舶横摇运动时间序列预报，取得了较好的效果。亦可用于纵摇、艏摇的时间序列预报。     

应用路径积分法求解船舶横摇倾覆概率

通过对船舶非线性横摇运动进行分析,建立了船舶横摇运动的非线性微分方程.以路径积分法(PIS)为基础,在时间域内求解相应的二维Fokker-Planck方程,得到随时间演变的船舶横摇运动的转移概率密度.运用首次通过理论,求得船舶倾覆前时间的概率分布.研究了外部激励、横摇阻尼和非线性复原力矩对船舶横摇运动转移概率密度与首次通过时间的影响.研究结果表明,PIS能用于预测船舶首次通过时间概率分布,从而为船舶设计和稳性衡准提供相关的参考.
     

基于灰色PSO-ANFIS模型的船舶横摇运动预报分析

为了准确高效的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,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(Grey Particle Swarm Optimization-Adaptive Neural-fuzzy Inference System, GPSO -ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统,再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船“育鲲”轮的横摇数据进行仿真实验,实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

基于灰色模型粒子群优化算法的自适应神经模糊推理系统模型的船舶横摇运动预报分析

为了准确高效的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,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(grey particle swarm optimization-adaptive neural-fuzzy inference system,GPSO-ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统;再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船"育鲲"轮的横摇数据进行仿真实验。实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

基于OpenFOAM的破损船舶横摇阻尼

运用OpenFOAM对完整和破损船舶在静水中进行自由横摇衰减运动的数值模拟,分析得到船舶的线性和非线性横摇阻尼系数.从初始横摇角、舭龙骨附体、破损形式以及破损过程等多个角度对横摇阻尼进行细致的比较和讨论,揭示了破损船舶的横摇阻尼特性.同时开展破损模型试验以验证数值方法的可靠性.在破损船舶的横摇运动数值模拟中,建立了第二类及第三类破损模型,成功处理了内外水耦合及内外水相通的复杂流体流动问题,为破损船舶的横摇运动和倾覆研究奠定了基础,并为破损船舶的稳性衡准制定提供了技术参考.     

船舶4自由度响应型数学模型的研究

为建立考虑船舶横摇的船舶4自由度响应型数学模型,首先采用类比建模的方法建立船舶横摇响应型数学模型,并首次提出了船舶横摇指数的概念;然后利用多元回归分析软件SPSS17.0及偏最小二乘法对8条船舶数据进行分析,得到横摇指数的最优回归公式;最后,联立Nomoto模型和船舶横摇响应型数学模型得到船舶4自由度响应型数学模型.该模型结构简单,较传统的船舶水动力数学模型更为简捷方便,且基本满足精度要求.     

局部反馈函数联接网络及其应用

结合时间序列分析提出了一种具有局部反馈回路的函数联接网络（ＬＲＦＬＮ）模型，并利用ＬＲＦＬＮ对非线性时间序列进行了建模与预报，对网络扩展函数选取，初始权集的设定，以及网络结构选择和学习算法进行了研究，同时，通过对模拟数据和机切削颤振数数据的建模与预报，将其与常用的时间序列模型（ＡＲ，ＡＲＭＡ和指数自回归模型）以及ＢＰ网络进行比较，研究结果表明该方法是可行和有效的。     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经网络进行可靠度时序预测的方法 ,分别利用径向基函数 (RBF)网络及自适应模糊神经 (ANFIS)网络对发动机涡轮增压器进行了可靠度的时序预测 .结果表明 ,利用神经网络进行可靠度时序预测是可行的 ,并且ANFIS的预测能力要优于RBF .     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于递归模糊神经网络的多时延基因调控网络构建方法

为了处理连续的时序基因表达数据,提出了一个基于递归模糊神经网络的多时延基因调控网络构建算法.该算法能直接用于分析连续的时序基因表达数据,避免离散化数据造成的信息损失.使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率和精确度.酵母菌细胞周期表达数据的实验结果表明该算法能正确选择潜在的调控基因,更加精确地构建基因调控网络.     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.     

基于RBF神经网络的粮食生产预测研究

提高中国粮食生产量的预测精度与效率是人们关注的一个重要问题.对RBF神经网络的结构、特性和训练算法作了简要的概述.根据粮食产量与其影响因素之间存在的映射关系,应用RBF神经网络建立了多因素非线性时间序列预测模型,并进行了仿真试验.结果表明,用RBF神经网络进行粮食生产预测得到了十分满意的结果.     

基于改进堆叠式循环神经网络的轴承故障诊断

提出基于改进堆叠式循环神经网络的轴承故障诊断模型.利用深层网络极强的非线性拟合能力以及循环神经网络特有的沿时间通道传播的特点,通过门控循环单元解决堆叠式循环神经网络梯度消失的问题,实现对轴承健康状况的分类识别.利用美国凯斯西储大学轴承数据集进行了轴承故障诊断试验,同时将支持向量机、粒子群优化的支持向量机、人工神经网络、卷积神经网络AlexNet以及循环神经网络作为对比以检验所提模型的分类性能.结果表明,提出的模型能够对轴承故障进行有效诊断,并且具有一定的可靠性与泛化能力.     

基于双分支结构的融合多特征微博传播行为预测算法

随着如今微博平台的高速发展，微博转发行为预测已经成为舆情分析领域中一个热门的研究主题。针对该任务，提出一种添加多层间接粉丝用户权威度信息，基于双分支网络结构模型的微博转发行为预测算法。该方法通过对原始微博进行分析，运用LDA算法提取内容特征、构建用户关系网络提取间接关注用户权威度特征等多元特征，构建基于双分支结构神经网络模型预测微博传播行为。实验结果表明预测模型相比于其他算法在RMSE,MAE评估指标上都有较好的提高，验证了算法的有效性。