基于神经网络的远海航道船舶流量预测系统构建

远海航道船舶流量受到多种因素的综合作用,具有一定的周期性,同时具有强烈的非线性,传统线性建模方法无法对远海航道船舶流量进行高精度的拟合,使得远海航道船舶流量预测偏差大。为了克服当前远海航道船舶流量预测系统存在的局限性,设计了基于神经网络的远海航道船舶流量预测系统。首先分析当前远海航道船舶流量预测系统的研究现状,指出各种系统存在的缺陷,然后利用神经网络的非线性建模性能设计了性能良好的远海航道船舶流量预测系统,最后对该远海航道船舶流量预测系统的有效性进行了测试。本文系统可以高精度实现远海航道船舶流量预测,远海航道船舶流量预测误差远远小于实际应用要求的临界要求,并与其他系统进行对比分析,本文远海航道船舶流量预测系统的预测效果明显更优。     

基于GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

船舶航道交通流量预测系统构建研究

船舶航道交通流量日益增加,给船舶航道管理带来挑战,为了提高船舶航道交通流量预测准确性,得到好的管理船舶航道,构建一种船舶航道交通流量预测系统。首先研究船舶航道交通流量预测系统的现状,描述船舶航道交通流量预测系统的工作原理,然后通过对船舶航道交通流量历史数据进行学习,构建船舶航道交通流量预测模型,并将该模型嵌入到船舶航道交通流量预测系统中,最后进行了船舶航道交通流量仿真预测测试,该系统的船舶航道交通流量预测精度不仅可以满足船舶航道交通管理的实际要求,而且船舶航道交通流量预测性能要优于其他系统,表明本文系统是一种可靠、精度高的船舶航道交通流量预测系统。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

内河航道的等级

内河航道分为七级： 一级航道：可通航3000吨内河船舶的航道； 二级航道：可通航2000吨内河船舶的航道：     

基于数字航道技术的内河航道管理应用探究

随着我国内河航道管理模式的不断发展和变化,对数字化技术的要求也越来越高。因此,本文研究了基于数字航道技术的内河航道管理应用,介绍了数字航道技术的基本内涵,对内河航道管理现状进行了细致的分析,并对其体系结构和工作流程进行初步探讨。探究表明,数字航道将成为我国内河航道管理的一项重要技术支持。加强内河航道数字化技术的运用,可以充分发挥数字化优势,有助于促进我国内河航道中各项航运业务的可持续发展。     

内河航道沉船清理打捞方法

介绍内河航道沉船清理打捞的工作经验，探讨其改进措施和设想。     

基于Attenton-LSTM神经网络的船舶航行预测

航行预测是无人艇关键技术之一。航行问题复杂度较高,传统的预测算法无法满足当前需求。为此,提出一种基于注意力机制-长短期记忆(Attention-Long Short Term Memory,Attention-LSTM)的多维船舶航行预测算法,结合船舶自动识别系统(Automatic Identification Systerm,AIS),采用注意力机制突出对船舶航行起关键作用的输入特征,实现对船舶未来时刻经度、纬度、航向、航速的预测。以成山角海域真实数据为例,进行仿真对比实验,结果表明所提方法具有更好的精确性和鲁棒性。     

基于神经网络和随机森林的船舶横摇预测

本文针对船舶在随机海浪中的运动,通过分析海浪波能谱、海浪波倾角谱、海浪有效波倾角谱和船舶受力运动,建立随机海浪模型,并用Matlab对海浪波倾角、有效波倾角以及船舶横摇运动进行仿真实验。根据实验数据,采用BP神经网络与随机森林分别及融合预测方法对船舶横摇运动进行预测。通过船舶实际横摇与预测结果对比分析可知,BP神经网络与随机森林组合预测方法更为精准,为船舶横摇预测控制及船舶稳定平台控制奠定了基础。     

神经网络算法的舰船间距快速预测

间距预测是保证舰船航行安全的重要技术,传统方法存在舰船间距预测不准确,精度低等不足,为了提高舰船间距预测精度,提出基于神经网络算法的舰船间距快速预测模型。首先分析当前舰船间距预测的研究现状,找到引起舰船间距预测不足的因素,然后引入神经网络算法对舰船间距变化特点进行深入挖掘,建立舰船间距快速预测模型,最后采用VC++6.0编程程序实现舰船间距快速预测仿真实验,结果表明,神经网络算法的舰船间距预测精度超过90%,远远高于其他舰船间距预测模型,而且舰船间距预测速度快,减少了舰船间距预测的时间,具有比较明显的优越性。     

基于改进神经网络算法的舰船操纵性能预报系统

针对传统舰船操纵性能预报系统预报精度低、稳定性差、效率慢等弊端,设计一种新的基于改进神经网络的舰船操纵性能预报系统。对标准神经网络算法容易陷入局部最优解的不足进行改进,用共轭梯度法取代原梯度下降算法,介绍了改进后的神经网络算法。通过矩阵方式对舰船操纵稳定性的构成进行描述,利用改进的神经网络算法设计舰船操纵稳定性预报系统。实验结果表明,所设计系统预报精度高、稳定性强、效率快,能有效完成舰船操纵稳定性的预报。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

基于神经网络算法的船舶间距快速预测

保证船舶航行的畅通性是船舶海上交通智能化发展的关键。本文利用BP神经网络自适应能力强、自组织学习等优点进行船舶间距快速预测,通过船舶间距预测可以提高海上交通信号控制的效率,保证船舶航行的稳定性和安全性,最后的实验结果表明本文算法误差小,可靠性高。     

基于BP网络的船舶磁性目标定位方法研究

船舶磁性目标定位是海上目标定位系统中重要的方法之一,优点是部署简单、定位精度较高;缺点是定位算法复杂度较高、计算量大,算法较易陷入局部最优解,需要进行改进。神经网络是解决目标最优问题的有效求解手段,利用各神经元权值系数调整能够计算出磁性目标定位的全局最优解。本文研究船舶磁性目标定位的算法结构,针对目标函数,设计基于BP神经网络的定位算法,最后给出基于神经网络算法仿真结果,并与传统算法进行对比。     

福姜沙水道船舶交通流量与潮汐关系研究

基于两次现场观测,结合天生港潮位数据,对福姜沙水道船舶交通流特征进行分析。将福姜沙水道船舶交通流按上行和下行分别进行统计,研究发现,一个潮周期内上行船舶逐时变化特征与潮位基本同步,但船舶流数量增减先于潮位涨落1 h,船舶流高峰一般出现在高潮位之前;下行船舶逐时变化特征与潮位关系不明显,船舶流数量增减受潮位影响较小,船舶流高峰一般出现在落潮时段内;各断面上、下行船舶高峰小时流量均为平均小时流量的2～4倍,船舶流高峰期内航道繁忙程度剧增。研究成果可供福姜沙水道船舶航行安全和维护疏浚施工方案研究提供支撑。