|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于EMD-PSO-LSTM组合模型的船舶运动姿态预测显示文摘由于船舶在海上航行时的高随机性和复杂性,单一模型预测能力有限,难以做出准确姿态预测。因此,提出一种基于经验模态分解(EMD)和粒子群优化(PSO)的长短期记忆神经网络(LSTM)的组合预测模型,对船舶运动姿态进行预测。首先通过EMD算法将由惯性导航系统在实时测量得到的船舶运动姿态数据进行分解,得到有限个本征模函数(IMF)。然后,利用PSO-LSTM模型学习各IMF分量的短期时序规律并进行预测,将各IMF分量的预测值相加得到最终的预测结果。基于实测数据进行仿真的结果表明,该组合预测模型分别比LSTM模型和PSO-LSTM模型在姿态角的预测中平均绝对百分比误差分别降低了约11%和7%,有效提高了船舶运动姿态预测精度。 | 彭秀艳 张彪 | 2019 | 中国惯性技术学报2019，27，4： | 16 |
| 2 | 船舶耐波性近期研究进展与若干评述显示文摘船舶耐波性是船舶航行与作业最为关注的性能之一,是关于结构物与波浪相互作用的研究,涉及到的物理问题复杂,与外部气候条件、波浪环境和近岸深海海区有关,也与船舶本身的几何形状、尺度大小、遭遇浪向、航行速度、装载工况和船体的固有频率等密切相关。论文就船舶耐波性研究的水动力方法、研究趋势进行归纳总结,并提出近期耐波性若干关键研究进展和评述。 | 朱仁传 徐德康 王慧 石凯元 詹可 | 2022 | 船舶2022，33，3： | 7 |
| 3 | 基于ELM-EMD-LSTM组合模型的船舶运动姿态预测显示文摘在随机变动的海洋环境中,采用单一预测模型对船舶运动进行预报,预报值有时出现大的随机波动,预测误差超出安全限,对船舶运动控制和决策带来严重后果。本文提出了基于极限学习机(ELM)、经验模态分解(EMD)和长短期记忆(LSTM)神经网络的组合预测模型,对船舶运动姿态进行预测。首先,通过ELM模型预测方法进行船舶运动姿态的初始预测,然后采用EMD算法分解初始预测残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律进行预测,将各IMF分量的预测值相加得到残差预测值;最后将初始预测值与残差预测值组合得到最终的预测结果。仿真结果表明:与单一的LSTM模型和ELM-LSTM模型相比,该组合预测模型的平均绝对误差及均方根误差均为最小,预测精度更高,是一种更为有效的船舶运动姿态预测方法。 | 张彪 彭秀艳 高杰 | 2020 | 船舶力学2020，24，11： | 6 |
| 4 | 基于LSTM网络的浮式海洋平台运动在线预报研究显示文摘海上浮式结构物运动响应的准确在线预报,对保障海上作业安全具有重要意义。本文基于长短期记忆(LSTM)神经网络模型,建立了浮式海洋平台运动响应极短期在线预报方法,可根据波浪时间序列信息对运动响应进行预报。通过半潜式平台模型试验得到大量波浪序列和运动响应数据,利用这些试验数据建立并训练LSTM模型,并对不同的测试工况进行运动预报和分析。结果表明,所建立的LSTM模型针对浮式海洋平台运动极短期在线预报具有较高的预报精度,预报提前量为12 s时,纵荡、垂荡和纵摇预报精度分别高于90%、93%和85%,且模型的计算效率高,每步计算时间为毫秒级,远小于预报提前时间,可以实现运动在线预报。 | 李昊波 肖龙飞 魏汉迪 刘明月 | 2021 | 船舶力学2021，25，5： | 5 |
| 5 | 基于小波_SVR模型的浮体极短期运动预报方法显示文摘针对随机海浪作用下浮体运动的非线性和非平稳特性,本文提出一种复合的小波-SVR组合方法。该方法首先对数据进行平稳性分析,然后利用小波分析将原始数据分解成有限个细节信号和逼近信号,将细节信号进行整合。采用SVR模型分别对最低频的逼近信号和整合后的细节信号进行预测,最后把2个预测结果进行叠加,得到最终的运动预测。仿真结果表明,复合的小波-SVR组合方法应用于浮体运动极短期预报可行,该方法在理论和工程应用方面具有重要的意义。 | 盖晓娜 杨建民 田新亮 | 2018 | 舰船科学技术2018，40，11： | 3 |
| 6 | 一种用于非线性非平稳波浪极短期预报的复合经验模态分解自回归模型(英文)显示文摘目的:相对于由能量平衡方程得到的数值预报模型和以神经网络为代表的非线性模型而言,自回归(AR)模型在波浪预报中具有计算效率高、自适应性强和建模所需的样本小等优点,但同时存在局限于平稳线性假设的缺陷。针对非线性非平稳波浪的极短期预报问题,提出一种复合的经验模态分解自回归预报模型,提高波浪预报精度。创新点:1.研究非线性非平稳波浪极短期预报问题,提出一种复合的预报方法;2.基于三个不同地理位置的海洋波浪实测数据对预测模型进行验证,并分析非线性非平稳性对波浪预报结果的影响。方法:1.在AR模型中引入经验模态分解(EMD)方法,形成复合的EMD-AR预报模型;2.分析实测波浪数据的非线性和非平稳性特点,并基于实测波浪数据获得AR模型和EMD-AR模型的预报结果;3.基于多种预报误差度量分析AR模型和EMD-AR模型的预报性能以及非线性非平稳性对波浪预报结果的影响。结论:1.波浪非线性和非平稳性会导致AR预报模型精度降低。预报误差中,幅值上的偏差主要由波浪的非线性引起,而相位上的偏差则是源于波浪的非平稳性;2.EMD方法能够有效地克服波浪非线性和非平稳性对AR模型在精度上所带来的不良影响,在精度上EMD-AR模型的预报结果较AR模型有较大提高。 | Wen-yang DUAN Li-min HUANG Yang HAN De-tai HUANG | 2016 | Journal of Zhejiang University-Science A(Applied Physics & Engineering)2016，17，2： | 3 |
| 7 | 基于EMD-LSTM的船舶运动姿态短期预测显示文摘船舶海上作业可以采用波浪补偿系统提高作业安全性,但因船舶姿态信号采集、处理环节带来的时滞,使得波浪补偿系统的运动补偿存在滞后,利用船舶姿态预测可以较好地弥补运动滞后。因此,论文研究了基于EMD-LSTM的船舶运动姿态预测模型。该算法利用经验模态分解(EMD)将非线性非平稳的船舶运动姿态信号分解为若干个本征模函数(IMF)和残差信号。通过长短期记忆网络(LSTM)学习各IMF分量和残差信号的短期时序规律并进行预测。相比于AR、LSTM等单一预测模型,该模型的预测精度有明显提高。 | 夏骏达 郑伟伦 王子涵 李军 | 2022 | 计算机与数字工程2022，50，7： | 2 |
| 8 | 基于Transformer的船舶运动预测模型研究显示文摘为准确而有效地预测船舶运动,提出一种基于Transformer的船舶运动预测模型。鉴于传统的Transformer模型为自然语言领域所运用,论文首先改进Transformer模型使其能够适用于船舶运动预测领域。其次,通过改进模型分析出船舶过去一段时间的运动规律,据此规律预测船舶未来一段时间的运动。研究表明,该模型不仅在训练工况下有着极高的预测精度,而且在与训练工况相近的工况下也有很高的预测精度。本研究结果可以作为补偿船舶运动的基础。 | 朱鹏程 杨冰华 荀顺达 张晴 | 2022 | 中国造船2022，63，5： | 1 |
| 9 | 基于输出误差模型优化的甲板运动预报算法研究显示文摘本文提出了一种适用于多种复杂海况的大型舰船甲板运动预报方法,目的在于提高算法对不同海域复杂海况的适用性,以及对甲板运动模型的辨识精度与预报精度。该方法通过将量测数据的时间滞后处理引入输出误差模型来描述甲板运动的动力学模型,引入定阶准则确定了模型最优阶数数对。在此基础上应用了辅助模型递推最小二乘算法进行系统参数辨识并估计输出误差模型中的状态变量。实验结果表明,本文所提出的预报方法在系统参数辨识阶段可以将递推最小二乘算法的辨识精度提高5.13%,并且在预报阶段可以有效地将甲板运动的幅值与相位预测精度提高3.17%。该方法在复杂海况下具备良好的预测性能,适用于大型舰船甲板运动预报。 | 王鑫琦 朱齐丹 | 2023 | 智能系统学报2023，18，1： | 0 |
| 10 | A Hybrid BPNN-GARF-SVR Prediction Model Based on EEMD for Ship Motion显示文摘Accurate prediction of shipmotion is very important for ensuringmarine safety,weapon control,and aircraft carrier landing,etc.Ship motion is a complex time-varying nonlinear process which is affected by many factors.Time series analysis method and many machine learning methods such as neural networks,support vector machines regression(SVR)have been widely used in ship motion predictions.However,these single models have certain limitations,so this paper adopts amulti-model prediction method.First,ensemble empirical mode decomposition(EEMD)is used to remove noise in ship motion data.Then the randomforest(RF)prediction model optimized by genetic algorithm(GA),back propagation neural network(BPNN)prediction model and SVR prediction model are respectively established,and the final prediction results are obtained by results of three models.And the weights coefficients are determined by the correlation coefficients,reducing the risk of prediction and improving the reliability.The experimental results show that the proposed combined model EEMD-GARF-BPNN-SVR is superior to the single predictive model and more reliable.The mean absolute percentage error(MAPE)of the proposed model is 0.84%,but the results of the single models are greater than 1%. | Hao Han Wei Wang | 2023 | Computer Modeling in Engineering & Sciences2023，，2： | 0 |
| 11 | 智能爆破振动监测技术标准化工作探讨显示文摘随着计算机技术的发展与大数据的应用,传统的爆破振动监测行业迎来了无人化、智能化与大数据化,技术的革新促进了智能爆破振动监测技术的发展,但与之匹配的标准化工作并未完善。目前常见的标准化文件均依据于相对传统的爆破监测方法制定,对新型技术的适应性不足。基于此,本文介绍了爆破振动智能监测技术的发展,针对目前标准化工作存在的问题进行了分析,并提出了关于标准化工作的几点思考,搭建了爆破振动智能监测系统的模块化体系。 | 亓宁 郭浩然 于传萍 贠悦 | 2021 | 中国标准化2021，，16： | 0 |
| 12 | 一种用于船舶纵-横联合减摇的预测控制器(英文)显示文摘目的:为提高船舶运动联合减摇效果,提出一种基于船舶运动及船舶水动力预报的联合减摇控制方法,并基于弱非线性二维半方法进行数值仿真,分析该控制方法的减摇控制效果。创新点:1.提出基于船舶运动预报和水动力预报的减摇方法,克服了控制时延对减摇效果的影响;2.基于弱非线性二维半方法进行船舶运动减摇数值仿真,验证了该方法能够实现良好的联合减摇控制效果。方法:1.在控制过程中基于极短期预报方法预报船舶运动姿态,并利用船舶运动方程预报水动力,将预报的水动力作为鳍角分配的依据;2.基于弱非线性二维半方法在时域内进行船舶运动减摇数值仿真,分析该控制方法在各种不同海况下的减摇控制效果。结论:1.弱非线性二维半方法在高速船舶的水动力预报中可以获得良好的效果;2.在各个不同海况下,本文提出的控制方法能够实现有效的联合减摇。 | Wen-yang DUAN Yang HAN Rui-feng WANG Li-min HUANG | 2016 | Journal of Zhejiang University-Science A(Applied Physics & Engineering)2016，17，5： | 0 |
| 13 | 遗传神经网络的船舶运动受扰力预测模型显示文摘船舶运动受扰力预测,是实现对船舶摇摆控制的关键步骤。为达到有效控制船舶摇摆的目的,基于遗传神经网络,完成船舶运动受扰建模预报和预测方法选择。模拟船舶航行状态,设计仿真对比实验结果表明,基于遗传神经网络的船舶受扰力预测模型,有效提升横向与纵向运动受扰力预测准确性,完成有效控制船舶摇摆的目的。 | 倪黎 茹凯 | 2017 | 舰船科学技术2017，39，24： | 0 |
| 14 | 基于ARMA模型的FPSO运动预报研究显示文摘为提升软刚臂单点系泊FPSO在海上运行期间运动状态的监测和预报能力,对船体在系泊约束下的多自由度变量进行关联性分析,筛选出横摇、纵摇和垂荡三项具有强关联性的自由度,采用自相关和偏自相关函数拟合参数构建ARMA预测模型。通过水动力模拟试验的时历曲线进行学习训练,回测精度控制在5%以内,优选预报模型参数组合,预报结果表明模型振荡特性良好,预测置信度在95%以内是可行的。 | 郑亚雄 韩艺锋 | 2023 | 武汉交通职业学院学报2023，25，2： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员