下载文档原格式
基于PSO的BP神经网络-Markov船舶交通流量预测模型范庆波;江福才;马全党;马勇【期刊名称】《上海海事大学学报》【年(卷),期】2018(039)002【摘要】为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型.引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足.用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0％相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8％,该模型的合理性和准确性得到验证.【总页数】7页(P22-27,54)【作者】范庆波;江福才;马全党;马勇【作者单位】武汉理工大学航运学院 430063;武汉理工大学内河航运技术湖北省重点实验室 430063;武汉理工大学航运学院 430063;武汉理工大学内河航运技术湖北省重点实验室 430063;武汉理工大学航运学院 430063;武汉理工大学内河航运技术湖北省重点实验室 430063;武汉理工大学航运学院 430063;武汉理工大学内河航运技术湖北省重点实验室 430063【正文语种】中文【中图分类】U691;O211.62【相关文献】1.SARIMA-Markov模型在船舶交通流量预测中的应用 [J], 江福才;范庆波;马全党;张帆;马勇2.PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用 [J], 马全党;江福才;范庆波;朱蓉蓉3.基于遗传算法(GA)优化BP神经网络的船舶交通流量预测 [J], 黄富程; 刘德新; 辛博鹏; 安天圣; 曹杰4.基于ABC优化BP神经网络的船舶交通流量预测 [J], 黄富程;刘德新;曹杰;安天圣5.遗传BP神经网络与GM（1，1）模型在桥区船舶交通流量预测中的比较 [J], 郭沐壮;刘德新;张仕元因版权原因，仅展示原文概要，查看原文内容请购买。
神经网络在自适应船舶操作系统中的应用随着科技的发展，船舶的自动化程度越来越高。
而神经网络作为智能系统中的一种重要组成部分，不仅可以提高船舶自动化的水平，还可以使得船舶系统更加智能和自适应。
神经网络在船舶操作中的应用，主要体现在以下几个方面：1. 船舶自动化控制神经网络可以通过监测船舶运行状态，进行数据分析和处理，预测船舶的行驶路线、风浪影响等因素，以及根据目标速度、距离等指令进行自动化控制。
这样，船舶的自动控制系统可以更加智能化，提高航线的安全性和准确性。
2. 船舶排污控制船舶排放污染物是海洋环境面临的严重问题之一。
神经网络可以通过对船舶运行数据、天气情况等因素的分析，建立污染物排放模型，实现对船舶排污的可控、可预测和自适应控制。
这样，可以有效地保护海洋环境，促进海洋生态平衡。
3. 船舶故障预测船舶故障往往会对航行安全造成重大影响。
神经网络可以利用船舶各个系统之间的关联性，对船舶各个系统的运行状态进行实时监测和数据分析，提前预测可能发生的故障，同时对故障的原因和解决方案进行分析，以最大限度地确保船舶的航行安全。
综上所述，神经网络在船舶自动化控制、船舶排污控制和船舶故障预测等方面的应用，能够提高船舶的自动化程度和智能化水平，进一步保障船舶运行的安全和环保性，同时也可以降低人力资源和物理资源的消耗成本。
因此，在未来的航运发展中，神经网络的应用将与船舶技术越来越密切相关，成为航运领域的重要推动力量。
在神经网络应用于船舶操作系统中的过程中，需要大量的数据进行分析和训练。
以下是一些与船舶操作和运行有关的数据：1. 船舶传感器数据船舶传感器通常包括位置数据、速度数据、朝向数据、温度数据等。
这些数据可以用来进行航线规划、航速优化等操作。
传感器数据的可靠性对于神经网络的训练和船舶运行控制至关重要，因此需要设计高灵敏度、高准确度的传感器系统。
2. 天气数据海洋环境的变化对于船舶的操作和运行具有重要影响。
例如，海浪、风力、雨水等都会对船舶运行造成一定程度的影响。
BP神经网络在船舶与海洋工程中的应用研究
高明正;张火明;金尚忠
【期刊名称】《舰船科学技术》
【年(卷),期】2008(030)001
【摘要】人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型.仅通过学习样本数据即可以进行预测.介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了优化,给出了改进的三层BP神经网络算法.最后结合船舶与海洋工程的一些实际问题.探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实验表明,神经网络的预测精度在船舶与海洋工程是可以接受的.
【总页数】8页(P34-40,44)
【作者】高明正;张火明;金尚忠
【作者单位】中国计量学院信息工程学院,浙江,杭州,310018;中国计量学院信息工程学院,浙江,杭州,310018;中国计量学院信息工程学院,浙江,杭州,310018
【正文语种】中文
【中图分类】U661.3
【相关文献】
1.改进的BP神经网络在船舶与海洋工程中的应用研究 [J], 张火明;孙志林;高明正
2.PCA算法在银屑病BP神经网络建模中的应用研究 [J], 詹秀菊
3.BP神经网络在跨既有线高速铁路桥梁施工安全风险评估中应用研究 [J], 刘冬冰
4.改进的BP神经网络在车辆目标识别中的应用研究 [J], 刘路
5.人工蜂群算法+BP神经网络模型在短期电力负荷预测中的应用研究 [J], 王天力因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的船舶航迹控制技术随着船舶制造水平的提高和海洋科技的不断发展，船舶行驶越来越普遍。
在无人驾驶的趋势下，对于船舶航迹控制技术的需求也越发强烈。
基于BP神经网络的船舶航迹控制技术是一种高效、准确的控制方法。
BP神经网络由输入层、中间层和输出层构成。
输入层接收外部信息，通过传递到中间层进行信息处理，最终输出结果。
BP神经网络的训练是通过反向传播算法进行的，即根据输出和实际误差逐层逆向调整各层节点的权值。
在船舶控制中，BP神经网络的输入层可以接收各种传感器测得的水平、垂直方向的速度、角度以及海流等船舶运动状态量；输出层则输出需要调整的舵角等控制量。
在船舶控制方面，BP神经网络的优势在于其能够适应不确定、非线性等复杂系统特性，具有较好的泛化能力，并且具有自适应调整能力。
此外，BP神经网络的训练也非常方便，可以利用历史数据进行训练，减少了对实时控制系统的干扰。
航迹控制过程中，BP神经网络可以根据船舶状态和外部环境实时更新信息，进行快速、准确的控制输出，从而实现预期航迹的维持。
当然，BP神经网络也存在一些问题。
首先，训练过程需要大量的数据，需要有足够的历史数据进行事先编程。
其次，在实际控制过程中，如果船舶状态发生急剧变化，BP神经网络可能需要时间来适应新的船舶状态，导致控制延迟。
此外，BP神经网络的结构也需要根据实际情况进行设计和调试，过于复杂的设计可能导致训练成本过高，实时控制效果不佳。
综上所述，基于BP神经网络的船舶航迹控制技术仍然是未来发展的方向。
作为智能船舶技术的重要组成部分，BP神经网络控制技术具有非常广阔的应用前景和市场空间。
当然，在实际应用过程中，需要特别注意与其他控制系统的配合、调试和优化，以实现更加可靠、稳定的自动船舶控制。
相关数据可以是任何与船舶航迹控制相关的数据，例如海浪、气象、船舶运行状态等。
在这里，我们可以列举以下几类数据并进行简单的分析。
1. 海浪数据：海浪数据是影响船舶运行的重要因素之一。
基于BP神经网络的船舰目标识别分类船舶目标识别是海洋、海上交通、船舶导航、船舶安全管理等领域的基础问题。
传统的基于规则的方法虽然能够对目标进行识别，但在实际应用中面临识别规则的不确定性和难以达到精准度高等问题。
这时，基于BP神经网络技术的目标识别分类能够提供一种新的解决方案。
BP神经网络是一种重要的人工神经网络，由于其学习和分类能力优异而广泛应用于目标识别领域。
将这种方法应用于船舶目标识别分类，我们需要采取以下步骤：1. 数据集的准备：选择一定数量的船舶图片，包括不同类别的船只，如货轮、客轮、救援船、油轮等。
并且对这些图片进行预处理：图像去噪、灰度化、二值化等，以便磨炼神经网络的学习能力。
2. BP神经网络的建立：在读取并处理好数据集后，需要对BP 网络进行设置。
其包括输入层、隐藏层和输出层。
输入层用来接受已处理好的图像数据，隐藏层是为了将输入信号转换成处理后的中间结果，输出层则负责识别不同类别的船只。
3. 数据训练：利用已准备好的数据集对神经网络进行训练。
将数据集中的图片输送给输入层，经过隐藏层处理后，输出层将船只的类别输出。
利用BP神经网络反向传播调整神经元之间的连接权值，直至输出结果符合预期结果，即实现了对不同类别船只的准确识别。
4. 数据验证：对训练好的BP神经网络进行测试验证。
采用另一组测试数据，将测试数据输入到神经网路中，并输出结果。
通过比对测试结果和真实结果，评估神经网络的识别性能以及是否存在过拟合的问题。
BP神经网络不仅可以用于船舶目标的识别分类，还可以应用于其他多种目标识别分类场景中。
它是一种有效的人工智能技术，可以大幅提高目标识别精度和自动化程度。
作为人工智能技术之一，未来的发展趋势也指向越来越智能化，未来将有更多的AI技术被应用于目标识别分类领域。
船舶目标识别分类需要大量的数据进行训练和验证。
下面将列出与船舶目标识别相关的数据并进行分析。
1. 船舶图片数据集：用于训练和测试船舶目标识别的数据集。
神经网络在船舶工程中的应用wangyu概述人工神经网络（简称神经网络）是用来模拟人脑结构及智能特点的一个国际前沿研究领域，是一种具有模拟人类大脑形象思维,联想记忆和信息分布存贮的新的非线性方法。
它涉及生物、电子、计算机、数理和工程等众多学科，有着非常广泛的应用背景。
目前，神经网络的研究已取得多方面的新进展和新成果，提出了大量的神经网络模型（如HNN模型等），发展了许多学习算法（如BP网络学习算法等），对神经网络的系统理论和实现方法进行了成功的探索。
神经网络在船舶工程中的应用也日益增多。
众所周知，数字计算机的介入，极大地提高了船舶科研和设计的效率。
但由于船舶设计工作中，限制条件繁多，“模糊”的概念比较多，经典的程序算法已无法满足现代的船舶设计工作。
因此，人工神经网络的引入就显得非常的及时和必要。
自神经网络方法被引入船舶工程以来，我国的船舶科技工作者在船舶设计方案的优选和排序、船舶操纵性能的综合评判、船舶结构优化设计、船舶结构设计的评估、船舶建造等方面进行了许多研究，取得了一大批可喜的成果。
实践也表明，在船舶初级设计阶段，它可克服回归分析法的缺陷，把船舶性能预测统一为一个网络。
以船舶主尺度及系数为输入，通过网络节点的抑制与激活自动决定影响某种性能的参数及其影响程度，人为干预少。
另外，它本身是一种非线性方法，尤其适用于无法用数学函数予以表达的数据。
可以说，神经网络方法在船舶初步设计过程中的应用前景是十分诱人的。
神经网络的基本原理及实例建模经典的神经元模型是一种多输入、单一输出的基本单元，如右图所示。
这些神经元以并行方式排成象人脑神经系统那样的网络结构形式。
网络分成不同层次，每一层由若干节点(神经元)组成，不同层之间的节点由不同权值连接。
对于第ｉ个神经元，接受多个其他神经元的输入信号ｘ。
各输入强度以实系数ω表示，这是第ｊ个神经元对第ｉ个神经元作用的加权值。
利用某种运算把输入信号的作用结合起来，给出它们的总效果，称为“净输入”。
基于BP神经网络的PID在船舶自动舵中的应用与研究
常静
【期刊名称】《舰船科学技术》
【年(卷),期】2017()3X
【摘要】神经网络算法在信息采集和处理上具有性能优越、精度高等优点,近年来引起广泛重视。
随着船舶工业向着自动化、信息化的发展,传统的船舶自动舵在操作性和可靠性上已经不能满足工业的需求。
本文基于BP神经网络优化算法,设计一种新型的船舶模糊PID自动舵,并系统研究该船舶模糊PID自动舵的原理和结构组成。
【总页数】3页(P105-107)
【关键词】BP神经网络;自动舵;自动化;优化算法
【作者】常静
【作者单位】黄河科技学院机械工程学院
【正文语种】中文
【中图分类】U666.153
【相关文献】
1.基于PLC的模糊PID船舶自动舵 [J], 季本山
2.基于BP神经网络的PID船舶自动舵 [J], 霍星星;余婷;孙帅
3.基于BP神经网络的船舶自动舵自适应控制研究 [J], 蔡建邦
4.基于改进模糊-PID的船舶自动舵控制方法 [J], 吕旭;胡柏青;雷娜
5.BP神经网络和PID船舶自动舵控制方法 [J], 张静文;张庆松
因版权原因，仅展示原文概要，查看原文内容请购买。
