基于Mel倒谱和BP神经网络的船舶目标分类研究

合集下载

BP神经网络在船舶与海洋工程中的应用研究

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网络的船舶磁性目标定位方法研究

0 引言
海上目标船舶定位方法主要有 3 类：一是基于视频信号；二是基于水声信号；三是磁性目标定位方法。前 2 种方法系统部署复杂，较易受到海上复杂环境的影响，经济性较差。船舶磁性目标定位方法是海上目标定位系统最经济有效的方法，但计算量较大，算法模型易陷入局部最优解 [1]，需要进行优化。本文利用神经网络算法对船舶磁性目标定位目标函数进行求解，最后对算法进行仿真，分析了仿真结果。
摘要 : 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。
第 39 卷第 12A 期 2017 年 12 月
舰船科学技术 SHIP SCIENCE AND TECHNOLOGY
பைடு நூலகம்
Vol. 39, No. 12A Dec. , 2017
基于 BP 网络的船舶磁性目标定位方法研究
肖军
(大连东软信息学院，辽宁大连 116032)
度数据采集，当某传感器在区域采集的最大磁场变化幅值大于设定的阀值 Bt1，认为传感器采集数据有效；同时，在某区域数据有效的传感器数量大于阀值 Bt2，可检测出目标物。传感器分布如图 1 所示。图中所在区域部署 6 个磁场传感器，两两距离大于 1.5 m ，设目标船只磁矩
·
+
s1 (m) s2 (m) . . . sN (m)

BP神经网络在船舶运动估计中的应用

中图分类号：
Ship motion estimation based on BP neural network
ZHANG Li （ Beijing Industrial Vocational and Technical College ， Beijing 100042 ， China） Abstract： Ship motion estimation plays an important role in ship safety ，energy saving． In this
［1 ］
X2
Xn神经网络结构 Three layer BP neural network architecture
文首先利用附加动量的弹性梯度下降法对传统的神经网络进行改进，弥补传统 BP 神经网络学习速度慢的缺点；然后给出一种基于 BP 神经网络的船舶运动预测方法，通过 BP 神经网络较强的计算与自适应能力，实现对船舶动态信息的准确预测。
收稿日期： 2016 － 03 － 14 作者简介：张莉（ 1982 －），副教授，研究方向为概率统计及应用数学。女，硕士，
· 14·
舰
船
科
学
技
术 u（ t） = u（ t － 1 ） + Δu（ t）， u （ t ） = K P e（ t ） +
第 38 卷
计算时间长的缺点，加快收敛速度。该权值调整方法如下： t + 1 时刻，权值 W（ t + 1 ）的调整公式为： W（ t + 1 ） =
paper，a ship motion estimation method based on BP neural network was presented． BP neural network has strong self － learning and self adaptation ability ，the improved BP neural network model was applied to ship motion estimation，which could accurately predict the dynamic information of the ship． Key words： ship motion estimation； BP neural network ； additional momentum 的多层前馈网络。Ｒobert Hecht － Nielson 证明 3 层的 BP 神经网络能够有效逼近任意连输函数［2］。3 层神经网络的基本结构如图 1 所示。

基于BP神经网络的船舶航迹控制技术

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神经网络的船舶航向智能PID控制研究

山东科学ＳＨＡＮＤＯＮＧＳＣＩＥＮＣＥ第３１卷第４期２０１８年８月出版Ｖｏｌ.３１Ｎｏ.４Ａｕｇ.２０１８ＤＯＩ:１０.３９７６/ｊ.ｉｓｓｎ.１００２￣４０２６.２０１８.０４.００２ʌ海洋科技与装备ɔ收稿日期:２０１７￣１２￣０４基金项目:山东省科技重大专项(２０１５ＺＤＺＸ０８００１)ꎻ国家重点研发计划(２０１６ＹＦＥ０２０５７００)作者简介:李小峰(１９８３ )ꎬ女ꎬ硕士ꎬ工程师ꎬ研究方向为自动化控制系统㊁嵌入式系统与智能控制ꎮ∗通信作者ꎬ于慧彬ꎮＥ￣ｍａｉｌ:ｂｉｎｂｉｎｙｕ＠１６３.ｃｏｍꎮ基于ＢＰ神经网络的船舶航向智能ＰＩＤ控制研究李小峰ꎬ于慧彬(齐鲁工业大学(山东省科学院)ꎬ山东省科学院海洋仪器仪表研究所ꎬ山东省海洋监测仪器装备技术重点实验室ꎬ国家海洋监测设备工程技术研究中心ꎬ山东青岛２６６００１)摘要:针对船舶航向控制非线性的特性ꎬ以船舶航向运动一阶ＫＴ模型为研究对象ꎬ设计了基于ＢＰ神经网络的自整定ＰＩＤ算法航向控制器ꎮ将传统ＰＩＤ与ＢＰ神经网络结合ꎬ对被控对象由ＢＰ神经网络进行辨识ꎬ给出ＰＩＤ控制参数ꎬ由ＰＩＤ控制算法进行控制并优化收敛速度ꎮ根据真实渡轮船舶特征参数ꎬ利用ＭＡＴＬＡＢ/Ｓｉｍｕｌｉｎｋ仿真软件建立船舶航向运动控制系统模型ꎮ仿真结果表明ꎬ基于ＢＰ神经网络的ＰＩＤ控制系统超调小㊁鲁棒性好ꎬ可长时间稳定工作ꎬ几乎无稳态误差ꎬ控制算法的实用性以及动态控制系统的优越性得到验证ꎮ关键词:船舶操纵ꎻＰＩＤ控制ꎻＢＰ神经网络ꎻＭＡＴＬＡＢ仿真中图分类号:ＴＰ２７３㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１００２￣４０２６(２０１８)０４￣０００８￣０７ＲｅｓｅａｒｃｈｏｎｉｎｔｅｌｌｉｇｅｎｔＰＩＤｃｏｎｔｒｏｌｏｆｓｈｉｐｃｏｕｒｓｅｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＬＩＸｉａｏ￣ｆｅｎｇꎬＹＵＨｕｉ￣ｂｉｎ(ＳｈａｎｄｏｎｇＰｒｏｖｉｎｃｉａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＭａｒｉｎｅｍｏｎｉｔｏｒｉｎｇｉｎｓｔｒｕｍｅｎｔｅｑｕｉｐｍｅｎｔｔｅｃｈｎｏｌｏｇｙꎬＮａｔｉｏｎａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｉｃａｌＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＭａｒｉｎｅＭｏｎｉｔｏｒｉｎｇＥｑｕｉｐｍｅｎｔꎬＩｎｓｔｉｔｕｔｅｏｆＯｃｅａｎｏｇｒａｐｈｉｃＩｎｓｔｒｕｍｅｎｔａｔｉｏｎꎬＱｉＬｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ(ＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ)ꎬＱｉｎｇｄａｏ２６６００１ꎬＣｈｉｎａ)ＡｂｓｔｒａｃｔʒＡｃｃｏｒｄｉｎｇｔｏｔｈｅｎｏｎｌｉｎｅａｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｓｈｉｐｃｏｕｒｓｅｃｏｎｔｒｏｌꎬａｎｄｔａｋｉｎｇｔｈｅｆｉｒｓｔ￣ｏｒｄｅｒＫＴｍｏｄｅｌｏｆｓｈｉｐｃｏｕｒｓｅｍｏｔｉｏｎａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔꎬｔｈｅｓｅｌｆ￣ｔｕｎｉｎｇＰＩＤａｌｇｏｒｉｔｈｍｃｏｕｒｓｅｃｏｎｔｒｏｌｌｅｒｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｄｅｓｉｇｎｅｄ.ＣｏｍｂｉｎｉｎｇｔｈｅｔｒａｄｉｔｉｏｎａｌＰＩＤａｎｄｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎬｔｈｅｃｏｎｔｒｏｌｌｅｄｏｂｊｅｃｔｗａｓｉｄｅｎｔｉｆｉｅｄｂｙｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎬｔｈｅＰＩＤｃｏｎｔｒｏｌｐａｒａｍｅｔｅｒｓｗｅｒｅｇｉｖｅｎꎬａｎｄｔｈｅＰＩＤｃｏｎｔｒｏｌａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｃｏｎｔｒｏｌａｎｄｏｐｔｉｍｉｚｅｔｈｅｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄ.ＢａｓｅｄｏｎａｔｒｕｅｆｅｒｒｙᶄｓｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓꎬｔｈｅｓｈｉｐᶄｓｃｏｕｒｓｅｍｏｔｉｏｎｃｏｎｔｒｏｌｓｙｓｔｅｍｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄｕｓｉｎｇＭＡＴＬＡＢ/Ｓｉｍｕｌｉｎｋｓｉｍｕｌａｔｉｏｎｓｏｆｔｗａｒｅ.Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｅｓｉｇｎｈａｓｓｍａｌｌｏｖｅｒｓｈｏｏｔꎬｇｏｏｄｒｏｂｕｓｔｎｅｓｓꎬｃａｐａｂｌｅｔｏｗｏｒｋｓｔｅａｄｉｌｙｆｏｒａｌｏｎｇｔｉｍｅꎬａｎｄａｌｍｏｓｔｎｏｓｔｅａｄｙ￣ｓｔａｔｅｅｒｒｏｒ.ＴｈｅｐｒａｃｔｉｃａｂｉｌｉｔｙｏｆｔｈｅｃｏｎｔｒｏｌａｌｇｏｒｉｔｈｍａｎｄｔｈｅｓｕｐｅｒｉｏｒｉｔｙｏｆｔｈｅＰＩＤｃｏｎｔｒｏｌｓｙｓｔｅｍｗｅｒｅｖｅｒｉｆｉｅｄ.ＫｅｙｗｏｒｄｓʒｓｈｉｐｍａｎｏｅｕｖｒｉｎｇꎻＰＩＤｃｏｎｔｒｏｌꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻＭＡＴＬＡＢｓｉｍｕｌａｔｉｏｎ㊀㊀船舶航向控制是船舶航行操纵的重要组成部分ꎬ其性能的优劣决定了航行的安全性和经济性ꎬ船舶航向控制系统是船舶的关键设备之一ꎮ船舶航向运动模型是一种典型非线性时变系统ꎬ为便于进行控制系统设计ꎬ在船舶航行保持阶段可将此运动模型进行简化ꎬ用一阶ＫＴ模型对船舶航向运动进行描述ꎬ这种传统ＰＩＤ第４期李小峰ꎬ等:基于ＢＰ神经网络的船舶航向智能ＰＩＤ控制研究控制系统结构简单ꎬ易于实现[１]ꎮ对于船舶航向运动这种大惯性系统而言ꎬ控制系统的稳定性是系统设计时需重点考虑的问题ꎮ常规的自适应算法参数整定困难ꎬ一般都是凭借操作人员的经验ꎬ根据驾驶船舶的航速㊁海况㊁船舶装载情况以及船体吃水等诸多因素ꎬ进行人工航向调整ꎬ缺乏对船舶动态及海况变化的自适应能力ꎬ易受主观人为因素的影响ꎮ由于船舶自身的非线性特性ꎬ控制效果与稳定性难以保证ꎮ为改善上述传统控制系统的局限性ꎬ本文利用ＢＰ神经网络自身具备的良好逼近非线性系统的能力ꎬ再结合传统的ＰＩＤ船舶控制理论ꎬ针对某型渡轮航行时的航向特性ꎬ设计了基于ＢＰ神经网络的自适应控制策略ꎮ运用神经网络的自学习能力ꎬ辨识出ＰＤＩ控制系统所需的三个关键参数ꎬ通过动态调整控制参数并优化神经网络的收敛速度ꎬ实现自整定的ＰＩＤ控制器ꎬ在ＭＡＴＬＡＢ/Ｓｉｍｕｌｉｎｋ环境下对所设计系统的性能进行了软件仿真验证ꎮ１㊀船舶运动数学模型对于直线稳定的船舶ꎬ根据一阶ＫＴ方程描述出的船舶操纵运动响应能够满意地逼近船舶的实际运动ꎮ为达到工程应用的要求ꎬ将一阶ＫＴ方程用于船舶控制系统控制器的设计中ꎬ把船舶整体看成刚体ꎬ并假定船舶在回转时只受到转艇时受到的力矩和水的阻力力矩的作用ꎬ船舶舵机采用下式模型表示:Ｔ̇ｒ＋ｒ＝Ｋδꎬ(１)式中ꎬＫ称为回转性指数ꎬ为转舵首力矩系数与阻尼力矩系数之比ꎬ表示回转性优劣ꎬＫ值越大ꎬ表示回转性越好ꎻＴ称为应舵指数或追随性指数ꎬ为惯性力矩系数与阻尼力矩系数之比ꎬ表示追随性优劣ꎬＴ值越小ꎬ追随性越好ꎬ若Ｔ为负值ꎬ则船舶航向不稳定ꎻｒ为旋回角速度ꎻδ为命令舵角[２]ꎮ建模时还需考虑船舶舵机的实际情况ꎬ应满足舵角δɤ３５ʎꎬ舵速̇ｒɤ３ʎ/ｓꎮ２㊀传统航向控制原理航向控制系统是一种典型的自动控制系统ꎬ系统以船舶航向角为控制对象ꎬ接收电罗经等航向测量设备输出的船舶航向信号㊁舵角反馈机构反馈的舵角信号㊁航向指令设定信号等输入信号ꎬ经过航向控制系统综合运算给出指令舵角信号ꎬ并控制舵机转动ꎬ实现对船舶航向的有效控制ꎮＰＩＤ控制属于线性控制方法ꎬ传统ＰＩＤ控制系统原理如图１所示[３]ꎮ根据航向操作给定指令ｒ(ｔ)与实际舵机输出值ｙ(ｔ)构成的方向控制偏差ｅ(ｔ)ꎬ对实际输出与预设值之间的差值分别进行积分运算㊁比例运算及微分运算ꎬ然后将前述各个运算结果相加ꎬ如图所示ꎬ即可得到对船舶舵机的控制输出结果ｕ(ｔ)ꎬ并将该结果输出到舵机ꎮ反复此过程实现对船舶航向的控制ꎮ图１㊀ＰＩＤ控制系统原理框图Ｆｉｇ.１㊀ＰｒｉｎｃｉｐｌｅｂｌｏｃｋｄｉａｇｒａｍｏｆＰＩＤｃｏｎｔｒｏｌｓｙｓｔｅｍ传统航向ＰＩＤ控制器的输入输出关系为:ｕ(ｔ)＝Ｋｐ [ｅ(ｔ)＋１Ｔｉʏｔ０ｅ(ｔ)ｄｔ＋ｄｅ(ｔ)ｄｔ]ꎬ(２)式中ꎬｕ(ｔ)为输出值ꎬｅ(ｔ)为取样偏差值ꎬ即ｅ(ｔ)＝ｒ(ｔ)－ｙ(ｔ)ꎻＫｐ为比例系数ꎬＴｉ为积分时间常数ꎻＴｄ为微分时间常数[４]ꎮ９山㊀东㊀科㊀学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年３㊀船舶航向智能ＰＩＤ控制器设计根据传统ＰＩＤ(ｐｒｏｐｏｒｔｉｏｎ(比例)￣ｉｎｔｅｇｒａｌ(积分)￣ｄｅｒｉｖａｔｉｖｅ(微分))系统控制理论ꎬ需要调配ＰＩＤ控制系统中积分㊁微分以及比例运算三个环节的控制作用ꎬ使各运算环节相互制约又相互配合ꎮ三种运算环节不能仅仅进行简单的线性组合叠加ꎬ而是需要在各种多样化的非线性组合中找出符合实际船舶操控的最佳组合方式[５]ꎮ神经网络在处理非线性函数时具有极强的逼近能力ꎬ同时自身还具备自学习能力ꎬ依据船舶的实际参数情况设定最优指标ꎬ神经网络能够学习船舶航向操纵控制系统的反馈结果ꎬ根据反馈情况自动调整神经网络系统内部的设计参数ꎬ重复此过程直至控制结果达到航向ＰＩＤ控制的预设误差要求范围内为止ꎮ使ＰＩＤ控制器能够快速响应船舶结构㊁相关运行参数以及输入信号的变换ꎬ并在有外界扰动输入时能够抵御其对控制系统的影响ꎮ应用ＢＰ神经网络理论ꎬ设计基于船舶控制参数Ｋｄ㊁Ｋｉ㊁Ｋｐ的具有自学习能力的ＰＩＤ控制器[６]ꎮ基于ＢＰ网络设计的具备自学习能力的ＰＩＤ控制系统结构框图如图２所示ꎮ该控制系统以传统经典ＰＩＤ控制系统为基础ꎬ经典ＰＩＤ船舶航向控制器直接对舵机进行闭环控制ꎬ系统内３个主要参数:积分系数Ｋｉ㊁微分系数Ｋｄ及比例系数Ｋｐ均为在线调整方式ꎮ在该基础上设计增加ＢＰ神经网络控制单元ꎬ该单元将接收系统的运行状态ꎬ结果自学习后输出用于Ｋｐ㊁Ｋｉ㊁Ｋｄ这三个用于航向控制调整的参数到ＰＩＤ控制器中作为控制器的输入ꎮ通过ＢＰ神经网络的自学习及加权调整ꎬ使输出参数对应于预设工况情景下的最优控制ＰＩＤ参数[７]ꎮ图２㊀基于ＢＰ神经网络的航向ＰＩＤ控制系统原理框图Ｆｉｇ.２㊀ＰＩＤｃｏｎｔｒｏｌｓｙｓｔｅｍｂｌｏｃｋｄｉａｇｒａｍｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ经典的ＰＩＤ控制器算法我们采用增量式数字ＰＩＤ控制算法ꎬ该算法在控制过程中每次输出的控制值仅是控制的增量ꎬ执行器每次变化量较小ꎬ被控对象参数变化平缓ꎬ控制系统相对稳定ꎮ其控制算法公式为:ｕ(ｋ)＝ｕ(ｋ－１)＋Δｕ(ｋ)ꎬ(３)式中ꎬΔｕ(ｋ)为ＰＩＤ控制器第ｋ次相对于第(ｋ－１)次控制量的增量ꎬ即Δｕ(ｋ)＝Ｋｐ(ｅ(ｋ)－ｅ(ｋ－１))＋Ｋｉｅ(ｋ)＋Ｋｄ(ｅ(ｋ)－２ｅ(ｋ－１)＋ｅ(ｋ－２))ꎮ(４)认为Ｋｐ㊁Ｋｉ㊁Ｋｄ为随系统运行状态的可调系数ꎬ则有:ｕ(ｋ)＝ｆ[ｕ(ｋ－１)ꎬＫｐꎬＫｉꎬＫｄꎬｅ(ｋ)]ꎬ(５)即ｕ(ｋ)是与ｕ(ｋ－１)ꎬｙ(ｋ)ꎬＫｐꎬＫｉꎬＫｄ相关的非线性函数ꎬ可通过样本训练ꎬ利用ＢＰ神经网络获得最优解ꎬ从而得到船舶航向控制的最优控制系统ꎮ此次的ＢＰ神经网络设计采用结构如图３所示的三层ＢＰ网络结构ꎮ网络分为输入层㊁隐含层与输出层三层ꎮ其中ꎬ输入层设置有输入节点Ｍ个ꎬ隐含层设置有运算节点Ｎ个ꎬ输出层设置有网络节点Ｑ个ꎮ船舶航行控制系统的运行状态数据通过输入节点录入神经网络ꎬ数据在输入神经网络时需预先进行归一化处理ꎮ设计ＢＰ神经网络的输出节点分别对应于ＰＩＤ航向控制系统的调节参数Ｋｉ㊁Ｋｄ㊁Ｋｐꎮ考虑到航向ＰＩＤ控制系统中上述三个参数的取值范围均不能为负ꎬ因此在输出层神经元激活函数设计时ꎬ该函数设计选取非负的Ｓｉｇｍｏｉｄ函数ꎮ对于ＢＰ神经网络隐含层神经元激活函数ꎬ在设计时则相应地选取了正负对称的Ｓｉｇｍｏｉｄ函数[８]ꎮ０１第４期李小峰ꎬ等:基于ＢＰ神经网络的船舶航向智能ＰＩＤ控制研究图３㊀ＢＰ神经网络单元组成结构图Ｆｉｇ.３㊀ＳｔｒｕｃｔｕｒｅｄｉａｇｒａｍｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｕｎｉｔ由ＢＰ神经网络单元组成结构图可知ꎬ输入层为:Ｏｊ＝Ｘｊꎬｊ＝１ꎬ２ꎬ３ꎬ ꎬＭꎬ其中ꎬＯｊ为输入层第ｊ个节点的输出ꎬ输入节点的数量Ｍ取决于被控系统的复杂程度ꎮ网络隐含层的输入输出为:φｉ(２)(ｋ)＝ðＭｊ＝１ωｉｊ(２)Ｏｊ(１)(ｋ)－θｉ(２)ꎬＯｉ(２)(ｋ)＝ｆ(φｉ(２)(ｋ))ꎬｉ＝１ꎬ２ꎬ３ꎬ ꎬＮìîíïïïï(６)式中ꎬφ(ｋ)为神经网络某一层的输入函数ꎻ上标(１)ꎬ(２)ꎬ(３)分别代表神经网络的输入层㊁隐含层及输出层ꎻωｉｊ(２)为神经网络隐含层加权系数ꎬθｉ(２)为神经网络隐含层神经元阈值函数ꎻｆｘ[]为神经网络隐含层神经元激活函数ꎬ如前所述取正负对称的Ｓｉｇｍｏｉｄ函数ꎮ即:ｆｘ[]＝ｔａｎｈ(ｘ)＝(ｅｘ－ｅ－ｘ)/(ｅｘ＋ｅ－ｘ)ꎮ(７)ＢＰ神经网络输出层的输入输出为:φｌ(３)(ｋ)＝ðＱｉ＝１(ωｌｉ(３)Ｏｉ(２)(ｋ)－θ(３)ｊ)ꎬＯｌ(３)(ｋ)＝ｇφｌ(３)(ｋ)()ꎬｌ＝１ꎬ２ꎬ３ꎬìîíïïïï(８)其中ꎬＯ１(ｋ)＝ＫｐꎬＯ２(ｋ)＝ＫｉꎬＯ３(ｋ)＝Ｋｄꎻθ(３)ｊ为神经网络输出层神经元阈值函数ꎻｇｘ[]为神经网络输出层神经元激活函数ꎬ如前所述ꎬ激活函数选用非负的Ｓｉｇｍｏｉｄ函数ꎮ即:ｇｘ[]＝１２１＋ｔａｎｈ(ｘ)[]＝ｅｘ/(ｅｘ＋ｅ－ｘ)ꎮ(９)ＢＰ神经网络的性能指标函数则设计选取为:Ｅ(ｋ)＝１２ｒｉｎ(ｋ)－ｙｏｕｔ(ｋ)()２ꎬ(１０)其中ꎬｒｉｎ(ｋ)为期望输出ꎬｙｏｕｔ(ｋ)为实际输出ꎮ为能够快速获得自学习结果ꎬ设计采用梯度下降法来修正ＢＰ神经网络的加权系数ꎮ将Ｅ(ｋ)对加权系数的负梯度方向设定为该法的搜索方向ꎬ考虑到该方法越接近目标值ꎬ步长越小ꎬ收敛速度越慢ꎬ故设置一个使搜索快速收敛的全局极小的常数阈值ꎬ则有:Δωｌｉ(３)(ｋ＋１)＝－η∂Ｅ(ｋ)∂ωｌｉ(３)＋αΔωｌｉ(３)(ｋ)ꎬ(１１)１１山㊀东㊀科㊀学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年其中ꎬη为学习速率ꎬη>０ꎬα为惯性系数ꎬ其通常取值范围在０~１之间[９]ꎮ∂Ｅ(ｋ)∂ωｌｉ(３)＝∂Ｅ(ｋ)∂ｙ(ｋ) ∂ｙ(ｋ)∂ｕ(ｋ) ∂ｕ(ｋ)∂Ｏｌ(３)(ｋ) ∂Ｏｌ(３)(ｋ)∂φｌ(３)(ｋ) ∂φｌ(３)(ｋ)∂ωｌｉ(３)(ｋ)ꎮ(１２)其中∂Ｅ(ｋ)∂ｙ(ｋ)＝ｅ(ｋ)ꎻ∂ｙ(ｋ)∂ｕ(ｋ)为未知项ꎬ用符号函数ｓｉｇｎ[∂ｙ(ｋ)∂ｕ(ｋ)]进行近似代替ꎬ由此通过调整学习速率η补偿对计算的影响ꎻ∂ｕ(ｋ)∂Ｏｌ(３)(ｋ)由增量式ＰＩＤ控制算法可知:∂ｕ(ｋ)∂Ｏ１(３)(ｋ)＝ｅ(ｋ)－ｅ(ｋ－１)ꎬ∂ｕ(ｋ)∂Ｏ２(３)(ｋ)＝ｅ(ｋ)ꎬ∂ｕ(ｋ)∂Ｏ３(３)(ｋ)＝ｅ(ｋ)－２ｅ(ｋ－１)＋ｅ(ｋ－２)ꎮìîíïïïïïïïï(１３)∂Ｏｌ(３)(ｋ)∂φｌ(３)(ｋ)＝ｇ'(φｌ(３)(ｋ))ꎮ(１４)∂φｌ(３)(ｋ)∂ωｌｉ(３)(ｋ)＝Ｏｉ(２)(ｋ)ꎮ(１５)由以上各式可推导ＢＰ神经网络输出层的加权系数计算公式为:Δω(３)ｌｉ(ｋ)＝ηδ(３)ｌＯ(２)ｉ(ｋ)＋αΔω(３)ｌｉ(ｋ－１)ꎬδ(３)ｌ＝ｅ(ｋ) ｓｉｇｎ∂ｙ(ｋ)∂Δｕ(ｋ)éëêêùûúú ∂Δｕ(ｋ)∂Ｏ(３)ｌ(ｋ) ｇ'φ(３)ｌ(ｋ)()ꎮìîíïïïï(１６)ＢＰ神经网络隐含层加权系数的计算公式可参考前述输出层的推导过程ꎬ进行推算可得:Δω(２)ｉｊ(ｋ)＝ηδ(２)ｉＯ(１)ｊ(ｋ)＋αΔω(２)ｉｊ(ｋ－１)ꎬδ(２)ｉ＝ｆ'φ(２)ｉ(ｋ)()ð３ｌ＝１δ(３)ｌω(３)ｌｉ(ｋ)ꎬｉ＝１ꎬ２ꎬ３ꎬ ꎬＮꎮìîíïïïï(１７)４㊀仿真实验本次仿真以粤海铁三号轮渡为研究对象ꎬ将该船尺度参数作为仿真输入ꎬ其具体参数为船长１８８ｍꎬ船宽２２.６ｍꎬ仿真航速设置为经济航速１７ｎｍｉｌｅ/ｈꎬ额定载重量为６５００ｔꎬ将根据上述参数进行控制器的设计与仿真ꎮ经计算得惯性力矩系数Ｔ＝１２２.０５ꎬ阻尼力矩系数Ｋ＝０.０５４９ꎮ结合前面章节描述的船舶运动模型ꎬ该船模型舵角δɤ３５ʎꎬ舵速̇ｒɤ３ʎ/ｓꎬ建立船舶航向控制Ｓｉｍｕｌｉｎｋ仿真模型框图如图４所示[１０]ꎮ设定初始航向为０ʎꎬ期望航向为３０ʎꎬ仿真时间长度为３００ｓꎬ并在１００ｓ时添加干扰ｙ＝２ˑｒａｎｄ(１)－１ꎬ用于模拟海面风的影响ꎮ仿真结果如图５所示ꎬＫｐ㊁Ｋｉ㊁Ｋｄ的变化趋势如图６所示ꎮ从图中可以看出ꎬ基于ＢＰ神经网络的ＰＩＤ控制器可以实现舵的实时控制ꎬ使船舶航向角跟踪上给定值ꎬ只要预定航向角实时航向角存在误差ꎬ舵机就能不断工作ꎬ直至误差为零ꎬ此时舵角归零ꎮ航向角在约１００ｓ时有外界干扰介入ꎬ舵角一开始迅速下降ꎬ之后迅速上升ꎬ最后舵角误差归零ꎬ船舶达到预定航向角ꎮ系统的超调很小ꎬ鲁棒性好ꎬ可以长时间稳定工作ꎬ稳态误差可控ꎮ从仿真结果看ꎬ与周蓉[３]㊁霍星星等[８]㊁彭秀艳等[９]在该领域进行实验取得的相关仿真结果一致ꎬ表明该方法应用到实船工程设计中后ꎬ可以有效减少船舶舵机的损耗ꎮ２１第４期李小峰ꎬ等:基于ＢＰ神经网络的船舶航向智能ＰＩＤ控制研究图４㊀船舶航向控制系统仿真框图[１０]Ｆｉｇ.４㊀Ｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｓｈｉｐｃｏｕｒｓｅｃｏｎｔｒｏｌｓｙｓｔｅｍ[１０]图５㊀航向变化图Ｆｉｇ.５㊀Ｖｅｓｓｅｌｈｅａｄｉｎｇｃｕｒｖｅ图６㊀ＫｐꎬＫｉꎬＫｄ变化图Ｆｉｇ.６㊀ＫｐꎬＫｉꎬＫｄｃｕｒｖｅ３１４１山㊀东㊀科㊀学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年５㊀结语本文针对船舶航向运动特性建立了基于一阶ＫＴ模型的船舶航向控制系统模型ꎬ根据航向控制系统特性给出基于ＢＰ神经网络的ＰＩＤ控制参数的训练获取方法ꎮ控制系统设计完成后ꎬ根据真实渡轮船舶特征参数ꎬ利用ＭＡＴＬＡＢ/Ｓｉｍｕｌｉｎｋ仿真软件建立船舶航向运动控制系统模型并进行航向控制仿真模拟运算ꎮ仿真结果表明ꎬ基于ＢＰ神经网络的ＰＩＤ航向控制系统具有自学习能力ꎬ超调小㊁鲁棒性好ꎬ控制系统可长时间稳定工作ꎬ几乎无稳态误差ꎮ仿真结果显示设计的船舶航向控制系统实现了对船舶航向的有效控制ꎬ证明基于ＢＰ神经网络的ＰＩＤ控制算法对船舶航向控制的有效性ꎮ由于ＢＰ神经网络自学习速度不够迅速ꎬ收敛速度还需要调整ꎬ虽然仿真结构较为理想ꎬ但在仿真时没有考虑加入海浪对控制的影响ꎬ这与实际航向环境也有较大差距ꎬ需在今后进一步地加以研究ꎮ目前此项工作还处在仿真实验阶段ꎬ并未真正应用于船舶舵机设备ꎬ随着算法研究的不断深入和提高ꎬ以及神经网络方法的日趋完善ꎬ该设计方法将能够通过硬件设计应用于船舶自动舵设备中ꎬ未来将具有广阔的应用前景ꎮ参考文献:[１]冯嘉仪ꎬ刘教瑜ꎬ黄珍.船舶航向控制器设计与仿真[Ｊ].工业控制计算机ꎬ２０１５ꎬ２８(６):６４￣６６.[２]边信黔ꎬ付明玉ꎬ王元慧.船舶动力定位[Ｍ].北京:科学出版社ꎬ２０１１.[３]周蓉.船舶航向自适应ＰＩＤ控制器的设计与应用[Ｄ].大连:大连海事大学ꎬ２０１２.[４]林海波ꎬ王晓曦ꎬ刘奭昕.一种基于增量式数字ＰＩＤ算法的智能温度控制器[Ｊ].长春工程学院学报(自然科学版)ꎬ２０１１ꎬ１２(３):８６￣８９.[５]詹月林.基于ＢＰ神经网络的ＰＩＤ参数自整定的船舶操纵控制器研究[Ｊ].舰船科学技术ꎬ２００３ꎬ２５(５):２０￣２３[６]柳晨光ꎬ初秀民ꎬ谢朔等.船舶智能化研究现状与展望[Ｊ].船舶工程:智能船舶ꎬ２０１６ꎬ３８(３):７７￣８４.[７]王敬志ꎬ任开春ꎬ胡斌.基于ＢＰ神经网络整定的ＰＩＤ控制[Ｊ].工业控制计算机ꎬ２０１１ꎬ２４(３):７２￣７３.[８]霍星星ꎬ余婷ꎬ孙帅.基于ＢＰ神经网络的ＰＩＤ船舶自动舵[Ｊ].中国水运ꎬ２０１３ꎬ１３(１２):１６５￣１６７.[９]彭秀艳ꎬ张文颖ꎬ贾书丽.基于ＢＰ算法的船舶航向模糊ＰＩＤ控制研究[Ｊ].控制工程ꎬ２０１３ꎬ２０(４):６２３￣６２６[１０]刘金琨.先进ＰＩＤ控制ＭＡＴＬＡＢ仿真[Ｍ].３版.北京:电子工业出版社ꎬ２０１６.。

基于BP神经网络的船舶交通流量预测研究

量迅速增加后水上交通事故频发，这就对航道规
模型的构建是为了实现对长江口深水航道未来某１ｄ各个时段上船舶交通量的预测。船舶流量是单位时间内通过某一通航水域断面的船舶数量［。考虑到船舶交通流的特点，仅要考虑单４］不
∑ ，走＞
ＦＯ ‘
（）１
式中：志
样本数；输入单元数，
／— — 隐层单元数；／ｉ如果＞” ，一０Ｃ。ｉ
Ｔ一／＋以（）２
式中： —— 输出单元数；
Ｅ，ｏ之间的常数。１１］
／一ｌｇＴ７］ｏ２／（）３
００￣０：０４：０５Ｏ１００￣０：０５：０６Ｏ３０Ｏ～０Ｏ１６：０７：０
基金项目：海市重点学科建设项目（３６２。上￥ｏｏ）作者简介：田燕华（９５）女，士生。１８一，硕研究方向：能运输系统的理论与研究。智
Ｌ。转换的加权因素见表１。
表１Ｌ转换和Ｌ转换的加权因素
的非线性系统。神经网络具有识别复杂非线性系统的特性［。１］对于国内ＢＰ神经网络用于交通流量预测方面的研究，已有基于改进的ＢＰ神经网络理论模型的路面交通流量时序的预测算法ｌ；于灰色２基理论和ＢＰ神经网络的交通流预测模型［。Ｂ３Ｐ］神经网络主要还是用于公路交通流量预测的研

基于BP神经网络的船舶航迹控制技术

基于BP神经网络的船舶航迹控制技术郭文刚【摘要】航海战舰规模的扩大使船舶航迹的控制变得越来越困难、复杂。

为了实现船舶航迹控制，采用新的控制技术，根据神经网络及船舶航迹的相关理论和BP 神经网络的船舶航迹控原理，对BP神经网络的船舶航迹控制进行计算和航迹设计实现，通过模拟仿真得出各种海情条件下的船舶航迹控制比较图，对我国航海战舰控制航迹有一定的指导意义。

%Sailingshiptracksistheexpansionofthescaleofcontrolbecomesincreasin glydifficult and complex. In order to realize the tracks of control, the introduction of new technology, based on neural network and the tracks of tracks related to the theory and BP neural network control principle, to calculate the BP neural network tracking control of ships and track design through simulation that tracks under various sea conditions control comparison chart, controls on Chinese sailing ships track has some significance.【期刊名称】《舰船科学技术》【年(卷),期】2014(000)008【总页数】7页(P87-93)【关键词】BP;神经网络;船舶;航迹控制【作者】郭文刚【作者单位】中国电子科技集团公司电子科学研究院，北京100041【正文语种】中文【中图分类】TP30 引言神经控制是基于人工神经网络控制的简称，是神经网络控制自动控制领域的前沿学科之一，是在20世纪80年代末期发展起来的。

BP神经网络预测技术在船舶与海洋工程中的应用研究

BP神经网络预测技术在船舶与海洋工程中的应用研究张火明，杨建民(上海交通大学船舶与海洋工程学院，上海，200030)摘要：人工神经网络作为一个具有高度非线性映射能力的的计算模型，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。

本文结合船舶与海洋工程的一些实际问题，探讨了利用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。

关键词：人工神经网络，BP网络，数值预测，船舶与海洋工程中图分类号：U661.3 文献标识码：AApplication Study on Applying BP Neural Network Numerical PredictingTechnology in Ship and Ocean EngineeringZHANG Huoming, YANG Jianmin(School of Naval Architecture &Ocean Eng. , Shanghai Jiaotong Univ. , Shanghai 200030, China)Abstract: Artificial neural network(ANN), as a computing model possessing high-nonlinear mapping ability, has a wide application future in engineering. In the numerical values forecast, it needn’t predefine the sample’s mathematical model, only by means of studying the sample data it can be used for predicting. In this paper, combined with some practical problems in ship and ocean engineering, the method of how to use the BP-NN in numerical predicting and the problems which should be paid attention to is discussed, and some helpful advice is given.Key words: artificial neural networks, BP neural networks, numerical values predicting, ship &ocean engineering0 引言人工神经网络[1]（ANN-artificial neural networks）是属于人工智能（Artificial Intelligence）范畴的一种计算技术，它根据人们对生物神经网络的研究成果设计出来，具有良好的数学描述，可以方便的用计算机程序加以模拟。

基于神经网络的舰船目标识别研究

ＹＡＮ－ｉＭＡ－ｎＫｅｗｅ．Ａｉｍｉ
（ｌａａａＡａｅ，ａｉｌｏ８ＣｉａＤａｎＮｖｌｃｄｍｙＤａｌ６ｌ，ｈｎ）ｉｌｎ
Ａｂｔａｔｎｏｄｒｔｄｎｉｙｓｉ，ｈａｅｕｔｏｔｃｎｌｇｆｅｔａｔｎｅｔｒｓｆｏｌｅｓｅｔｕａｄｓｒｃ：ＩｒｅｏｉｅｔｈｐｓｔｅｐｐｒｐｒｈａｔｈｏｏｙｏｘｒｃｉｇｆａｕｅｒｍｉｐｃｒｍｎｆｆｅｎｃｎｉｕｕｐｃｒｍｆＤＥＯＮ，ｔｅｅｉｎｎｈｐｄｎｉｃｔｎｓｓｅｂｓｄｏｅｒｅｗｏｋａｄｏｔｎｏｓｓｅｔｕｏＭｈｎｄｓｇｉｇａｓｉｓｉｅｔｆａｉｙｔｍａｅｎＢＰｎｕａｎｔｒｎｉｏｌ
了本文设计的舰船目标识别系统具有较好的识别效
果。．
是依靠声呐员的听觉和大脑经过长时间的训练、学
习、积累、才能做到的。随着信号处理技术和计算机技术的发展，用机器实现噪声目标识别渐渐成为
可能。尤其是近年来利用人工神经网络来进行噪声
本文采用Ｈｌｒｉｅｔｂ变换来提取舰船噪声的包络信
号。由Ｈｌｅｔｉｆｂ变换的定义，Ｈｉｅｔｌｒ变换器的单位抽ｂ样响应Ｊｎ为：ｌ）（
：
目标辐射噪声原始信号进行了分析和研究，得出了几种常用的特征提取方法。主要有『：ｌ。时域波形
别系统。通过对实际舰船噪声目标进行识别，识别效果比较满意。这对舰船目标识别的发展具有一定的参考

基于层次分析法及BP神经网络的我国船舶订单预测研究

ＢｅｒｌｎｔｒＯａｏｐｏｉｅｓｍｅｕｅｕｅｅｅｃｏｈｅｅｏｍｅｔｏｈｈｐｕｌｉｇｉｄｓｙＰｎｕａｅｗｏｋＳｓｔｒｖｄｏｓｆｌｒｆｒｎｅｆｒｔｅｄｖｌｐｎｆｔｅｓｉｂｉｎｎｕｔ．ｄｒＫｅｒｓａｅｎｌｓｓＰｎｕＭｎｔｒ；ｈｎｈｌｈｐｏｄｒ；ｐｅｉｔｎｙｗｏｄ：ｌｙｒａａｙｉ；Ｂｅｒｅｗｏｋａｄｅｄｓｉｒｅｓｒｄｃｉｏ
ｙａ．Ｉｈｔｇｅｈｒｅｓａｅｉａｅｕｔｎｈｈｐｕｌｉｇｃｐｂｌｙｉｒｌａｉｇｑｉｋｙｏｏｇａａｔｅｔｅａｅｙｅｒｎｔｅｓａｅｗｈｎｔｅｏｄｒｒｎｄｑａｅａｄｔｅｓｉｂｉｎａａｉｔｓｅｅｓｕｃｌ，ｈｗｔｕｒｎｅｈｓｆｔｄｉｎ

ｐｒｏａｔｙａ，ａｄｒｃｉｅｅｓｉｒｅｓｏ．６ｍｉｉｎＷＴｅｒａｅｙ８．ｅｃｎｏａｅｏｔｅｓｍｅｐｒｏａｔｅｄｌｓｅｒｎｅｅｖｄｎｗｈｐｏｄｒｆ５４ｌｏＤｉｌ，ｄｃｅｓｄｂ０７ｐｒｅｔｃｍｐｒｄｔｈａｅｄｌｓｉｙａ．Ａｔｔｅｅｄｏｕｅａｄｅｄｓｉｒｅｘｉｅｓｂｇｒｐｏ．７３ｉｉｎｅｒｈｎｆＪｎ，ｈｎｈｌｈｐｏｄｌｗｔｓ８ｉｄｏｔ１６９ｂｌｏＤＷＴｏａｅｗｉｔｅｅｉｎｎｏｈ３ｎｌｃｍｐｒｄｔｈｂｇｎｉｇｆｔｅｈ

基于BP神经网络的船舰目标识别分类

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。

基于深度神经网络的船只目标识别技术研究

基于深度神经网络的船只目标识别技术研究第一章：引言随着智能化和自动化技术的不断发展，人们对于船只目标识别技术的需求也越来越高。

此类技术不仅应用于军事领域，还广泛应用于海洋监测、航行安全等领域。

目前，基于深度神经网络的船只目标识别技术已经成为研究的热点之一。

本文将对该技术进行详细介绍和研究探讨。

第二章：深度神经网络综述深度神经网络是指具有多个隐层的神经网络结构，它可以通过学习大量数据来自动学习复杂的非线性映射关系。

在船只目标识别领域，深度神经网络可以利用其自适应学习能力和抽象特征表达能力，对船只目标进行高效、准确的识别和分类。

第三章：船只目标识别技术现状在传统的图像识别方法中，主要采用的是手工特征提取的方式。

这种方法需要针对不同的任务和图像类型，设计不同的特征提取算法。

但是，由于船只目标在不同光照和环境条件下的表现形式和特征非常复杂，因此传统方法难以取得较好的效果。

因此，基于深度神经网络的船只目标识别技术逐渐成为了主流。

第四章：基于深度神经网络的船只目标识别技术的研究与实现1. 数据集获取和处理数据集的质量对于深度神经网络的训练结果具有决定性的影响。

因此，数据集的获取和处理非常重要。

在本文的研究中，我们采用开放的公共数据集——"船只目标检测"数据集（Ship Detection Dataset），并对数据集进行了处理和清洗，确保数据集的质量。

2. 神经网络结构设计本文采用了ResNet50和YOLOv3这两个著名的深度神经网络模型进行船只目标的识别和检测。

这两个模型都具有良好的性能和通用性，并且具有较高的实用价值。

3. 训练和测试为了验证深度神经网络在船只目标识别方面的性能，我们采用了Keras和TensorFlow等深度学习框架进行网络的训练和测试，并对结果进行了统计和分析。

实验结果表明，基于深度神经网络的船只目标识别技术的准确率和召回率均能够达到较高的水平。

第五章：应用案例分析本文还对基于深度神经网络的船只目标识别技术进行了应用案例分析。

基于神经网络的船舶航行状态预测模型研究

基于神经网络的船舶航行状态预测模型研究随着船舶技术的不断发展，航行状态预测成为了航海领域中的一个重要问题。

尤其是对于长航行船舶的船员来说，通过对船舶航行状态预测的精确掌握，可以更好地制定出最佳的航行路线，提高行驶安全性，节省燃油成本等。

在这种情况下，基于神经网络的船舶航行状态预测模型应运而生。

本文将对这一问题进行探讨。

一、神经网络模型的简介神经网络是一种重要的人工智能算法，它拥有类似于人类大脑的结构，可以通过学习训练数据，自动学习其内在规律，进而实现复杂的任务。

在船舶航行状态预测中，神经网络模型可以利用历史船舶运行数据，预测未来航行状态。

二、神经网络模型的构建神经网络模型的构建首先需要获得船舶运行数据，包括船速、船位、航线以及环境因素等。

将这些数据输入神经网络中，神经网络模型可以自动学习这些数据的规律，然后对未来的航行状态进行预测。

在神经网络模型的构建过程中，我们需要考虑到的一个关键问题就是数据的预处理。

首先需要对原始数据进行去除异常值、数据清洗、缺失值处理等，使得输入神经网络模型的数据更加准确可靠。

同时，我们还需要通过标准化、归一化等处理技术，将不同的数据特征归一化到同一尺度上，使得神经网络模型能够更加准确地进行预测。

三、神经网络模型的训练构建好神经网络模型后，我们需要通过训练来优化模型性能。

在神经网络模型的训练过程中，我们需要选择一些合适的算法和方法来进行训练。

常用的神经网络训练算法主要有反向传播算法、极小化梯度算法等，它们都可以用来调整神经网络的权值和偏置，以最小化预测值与实际值之间的误差。

四、神经网络模型的预测经过训练后的神经网络模型已经可以对未来的船舶航行状态进行预测。

预测结果的准确性取决于原始数据的质量和训练算法的选择。

在实际应用中，我们可以实时输入船舶运行数据，利用训练好的神经网络模型对航行状态进行预测。

五、结语基于神经网络的船舶航行状态预测模型在现代船舶航海领域中得到了广泛的应用，它可以利用历史航行数据，对未来的航行状态进行准确预测，为航行路线的规划和行驶安全性的提升等方面提供了有力支持。

基于神经网络模型的船舶轨迹预测研究

基于神经网络模型的船舶轨迹预测研究在海运业中，船舶轨迹预测是一项重要的技术，它可以帮助港口调度员、船舶运营商以及货运代理商等人员更好地规划和组织船运任务。

而基于神经网络模型的船舶轨迹预测技术，可以有效提高预测精度和准确性，帮助航运企业更好地利用航行数据制定航行计划和优化航线。

本文将从船舶轨迹预测的需求背景、神经网络模型原理及其在船舶轨迹预测中的应用方法等方面进行探讨。

一、船舶轨迹预测的需求背景在海事治理与管理中，船舶跟踪和轨迹预测是非常重要的任务。

过去，船舶轨迹预测主要依赖传统的基于经验和规则的分析方法，这种方法的局限性很明显，缺乏针对性和精准性。

因此，随着人工智能和机器学习技术的提升，越来越多的船运企业开始使用基于神经网络模型的船舶轨迹预测技术，以提高预测精度和准确性，优化船舶运营和管理等方面，为船运企业带来更多的竞争优势。

二、神经网络模型原理及其在船舶轨迹预测中的应用方法神经网络是一种模拟人脑神经系统工作原理的数学模型，它通过学习过程来识别和处理信息，广泛应用于图像识别、语音识别、机器翻译、自然语言处理等领域。

在船舶轨迹预测中，神经网络模型的核心思想是通过训练已有的历史轨迹数据，建立一种具有预测能力的数学模型，从而实现对未来航行轨迹的预测模拟。

基于神经网络模型的船舶轨迹预测方法可以分为以下三个步骤：1.数据采集和预处理：获取船舶的历史轨迹数据，包括时间、位置、速度、航向等信息，并对数据进行清洗、滤波、转化处理，以保证数据的质量和可用性。

2.神经网络模型的构建：选择合适的神经网络结构和参数，使用历史数据进行训练，拟合出模型的参数。

常用的神经网络模型有BP（Back-Propagation）网络、RNN（Recurrent Neural Network）网络、LSTM（Long Short-Term Memory）网络等。

3.船舶轨迹预测和优化调整：使用训练好的神经网络模型，输入未来的航行条件和选定的航线，输出船舶未来航行的轨迹预测结果，并根据实际情况进行优化调整。

基于功效系数法与BP神经网络的造船业风险预警研究

基于功效系数法与BP神经网络的造船业风险预警研究造船业是一个重要的制造业领域，其发展对于推动国家经济增长、提升国际竞争力具有重要意义。

然而，受全球经济形势、市场需求、技术进步等因素的影响，造船业存在着诸多风险，如市场风险、技术风险、经营风险等。

因此，对造船业风险的预警和管理至关重要。

功效系数法是一种常用的风险评估方法，通过计算各个指标的加权得分来评估风险，是一种简单、直观的方法。

而BP神经网络则是一种模拟人脑神经元运作方式的数学模型，可以通过大量的历史数据进行训练，从而实现对未来风险的预测。

将功效系数法与BP神经网络相结合，可以更全面、准确地评估和预警造船业的风险。

首先，通过功效系数法对造船业的风险指标进行评估。

造船业的风险指标包括市场需求、技术水平、竞争状况、财务状况等多个方面。

针对每个指标，可以设定相应的权重，通过对各指标进行加权得分，得到对造船业整体风险的评估。

这样可以对不同方面的风险进行量化，更加全面地了解整个行业的风险状况。

其次，利用BP神经网络对造船业的风险进行预测。

通过历史数据的输入和输出，可以对造船业未来的风险进行预测。

可以将历史数据中的市场需求、技术水平、竞争状况、财务状况等作为输入节点，将风险等级作为输出节点，通过大量数据的训练，建立起一个有效的风险预测模型。

这种方法可以更加客观、科学地进行风险预警，为风险管理提供有力支持。

最后，将功效系数法和BP神经网络相结合，进行造船业风险的综合预警。

将功效系数法得到的风险评估结果作为BP神经网络的输入，结合历史数据进行训练，建立起一个更加全面、准确的风险预警系统。

通过这种综合方法，可以及时、准确地预警造船业的风险，为相关企业和政府部门提供参考，指导其风险管理和决策。

总的来说，基于功效系数法和BP神经网络的造船业风险预警研究可以更加全面、准确地评估和预警风险，为相关企业和政府部门提供重要参考。

未来，可以进一步完善模型，提高预警的准确性和时效性，促进造船业的可持续发展。

基于BP神经网络的船舰目标识别分类

基于BP神经网络的船舰目标识别分类
梁锦雄;王刻奇
【期刊名称】《舰船科学技术》
【年(卷),期】2015(037)003
【摘要】随着各国在海洋领域竞争的日益激烈,船舰目标自动识别技术正逐渐成为研究热点.本文利用BP神经网络对航空母舰、驱逐舰、护卫舰、客船、集装箱、民用货船6种船只类型进行分类,首先对船舰图像进行中值滤波,去除随机噪声和椒盐噪声,然后利用OTSU法将灰度图像分割成背景和目标两部分,接着对目标区域提取了Hu不变矩、边缘梯度方向直方图、周长-面积比3个特征.为了使边缘梯度方向直方图也具有旋转和尺度不变性,本文提出了一种变换方法:将直方图循环右移,直至其最大值到达直方图最右端.最后利用BP神经网络对船舰图像进行了训练和测试.测试结果表明,本文的分类算法对船舰目标的分类精度达到84％左右,有效实现了常见船舰类型的识别分类.
【总页数】4页(P206-209)
【作者】梁锦雄;王刻奇
【作者单位】广州城市职业学院信息技术系,广东广州510405;中山大学南方学院电子通信与软件工程系,广东广州510970
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于BP神经网络分类器的多目标识别方法研究 [J], 沈凤龙;毕娟
2.基于不变矩和支持向量机理论的船舰目标识别 [J], 李玉景; 李琳; 李京
3.基于GA-BP神经网络的目标识别方法 [J], 龙礼; 温秀兰; 林逸雪
4.基于PSO-BP神经网络的HRRP目标识别 [J], 王泓霖; 李伟; 许强; 徐建业; 邹鲲
5.基于多特征的BP神经网络LSS目标识别方法 [J], 卞伟伟;邱旭阳;辛振芳;贾彦翔因版权原因，仅展示原文概要，查看原文内容请购买。

基于倒谱与BP网络的船舶生活垃圾分类方法研究

基于倒谱与BP网络的船舶生活垃圾分类方法研究刘强;陈福兰【摘要】This article introduces the feature extraction methods of object percussion sound waves and estab-lishes the intelligent recognition model and algorithm of object material based on Cepstrum and neural network. In addition, based on the classification test of such ordinary material as glass, plastic and metal foil, it verifies the effectiveness of the classification methods, which is expected to offer a new angle for the intelligent classifi-cation of marine life rubbish.%文章介绍了船舶生活垃圾中不同材质的物体敲击声波的特征提取方法，建立了基于倒谱与神经网络的物体材质的智能识别模型与算法，并通过对玻璃、塑料、金属铝箔等常见物体材质进行分类测试，证实了该分类方法的有效性，为船舶生活垃圾的智能分类提供了新思路。

【期刊名称】《南通航运职业技术学院学报》【年(卷),期】2016(015)001【总页数】5页(P34-38)【关键词】倒谱;材质分类;神经网络;智能识别【作者】刘强;陈福兰【作者单位】南通航运职业技术学院船舶与海洋工程系，江苏南通 226010;南通航运职业技术学院机电系，江苏南通 226010【正文语种】中文【中图分类】U664.9船舶规范中对生活垃圾的分类管理有明确要求，但在实际的垃圾分类管理过程中，却面临很多问题。

基于周期图和神经网络船舶运动预报方法研究的开题报告

基于周期图和神经网络船舶运动预报方法研究的开题报告一、研究背景随着航运业的发展，对于船舶运动预报的需求越来越高。

船舶运动预报是指对船舶在水域中的运动状态进行预测，通常包括航向、航速、位置等信息。

船舶运动预报在船舶交通、海上救援、气象海洋预报等领域都有着广泛的应用。

传统的船舶运动预报方法主要是基于数学模型进行预测。

但由于船舶与海洋环境的复杂交互作用和非线性效应，数学模型预测的准确度不高。

因此，近年来，一些研究者开始探索利用机器学习方法来预测船舶运动状态。

二、研究目的与意义本研究的主要目的是基于周期图和神经网络，建立高准确度的船舶运动预报模型，并探讨预测模型的应用效果和优化方法。

具体目标如下：1. 建立基于周期图和神经网络的船舶运动预报模型，并对模型进行评估和优化。

2. 对比传统的数学模型方法和基于机器学习的船舶运动预报方法，在预测准确度、计算效率等方面进行比较分析。

3. 将预测模型应用于真实的船舶运动预报场景中，并对预测结果进行验证和优化。

本研究的意义在于，提高船舶运动预报的预测准确度和稳定性，为航运业提供更加可靠的服务。

此外，研究中使用的机器学习方法也具有一定的普适性，可以为其他领域的预测任务提供借鉴和启示。

三、研究内容与方法本研究将基于周期图和神经网络，建立船舶运动预报模型。

具体内容和方法如下：1. 数据采集和处理。

通过对历史船舶运动数据的采集和处理，建立可用于训练预测模型的数据集。

2. 周期图分析。

利用周期图方法，对船舶运动状态数据进行分析，并提取周期成分和趋势成分等特征。

3. 神经网络建模。

以提取的周期成分和趋势成分作为输入，建立神经网络模型，进行船舶运动状态的预测。

4. 模型评估和优化。

对建立的预测模型进行评估和优化，提高模型的预测准确度和稳定性。

5. 应用与验证。

将优化后的预测模型应用于真实的船舶运动预报场景中，并对预测结果进行验证和优化。

四、研究计划与进度安排本研究预计历时12个月，具体的计划与进度安排如下：第1-2个月：文献调研和相关技术学习；第3-5个月：数据采集和处理；第6-7个月：周期图分析和预处理；第8-10个月：神经网络建模和优化；第11-12个月：模型应用与验证、论文撰写和答辩。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

邻三角滤波器之间的下限、中心和上限频率有如图２所示
的式（）２关系成立
Ｃｆ－ｈ１）＝ｏＺ）．（）（－１（＋１（）２
节点数一般取为类别数。隐含层层数和节点数根据实际情
况进行选择。
，一１
，
，＋ｌ
ＢＰ算法的基本思想是，根据样本的希望输出与实际输出之间的平方误差，利用梯度下降法，从输出层开始，逐层修正权系数。
ｔｒｅｌｓｉｃｔｎａｋｐｏａａｉｎａｇｒｈｏｒｒｄｅｒｎｔｒｉｓｉｂｅｆｒｐｔｒｅｏｎｔｎａｇｔｃａｓｆａｉ．Ｂｃ－ｒｐｇｔｌｏｔｍｓｆｆｗａｎｕａｅｗｏｋｓｕｔｌａｔｎｒｃｇｉｏｉｏｏｉｏｌａｏｅｉ
Ｍｅ频率尺度的值大体上对应于实际频率的对数分布关ｌ系ｎ。Ｍｅ频率与实际频率的具体关系可用下式表示］ｌ
Ｍｅ（）５５ｇ１ｆ７０ｌ＝２９１（＋／０），ｆ（）１
对船舶辐射噪声进行分类是十分复杂的技术问题，国内外研究人员做了很多相关研究工作。船舶辐射噪声分类系统通常由预处理、征提取和分类器设计等部分组成。特人耳具有良好的频率分辨能力，受过训练的高水平声纳操作人员能够利用船舶辐射噪声准确地对目标进行分类。
ＦｉＭＦＣＣｅｔｒｆａｓｉａｉｔｄｎｉｅｇ３ｆａｕｅｏｈｐｒｄａｅｏｓ
，
一＋
√＝１２ … ，；＝１２ … ，，，ｃｉ，，＋１．
较为合适。如果将所有的权系数初始化为相同的值，么那
１Ｍｅ倒谱系数特征提取ｌ
在对船舶辐射噪声通常要进行预加重、加窗、分帧等预
处理过程，以便于Ｍｅ倒谱系数特征提取。与普通实际频ｌ
率倒谱分析不同，ＣＭＦＣ的分析与人耳的听觉特性紧密联
图１Ｍｅ频率尺度滤波器组ｌ
２１０１年第３Ｏ卷第６期
传感器与微系统（ｒｎｄｃｒｎｉｒｙｔｍＴｃｎｌｇｓＴａｓｕｅｄＭｃｓｓｅｈｏｏｉ）ａｏｅｅ
５５
基于Ｍｅ倒谱和ＢｌＰ神经网络的船舶目标分类研究
王易川，李智忠
（海军潜艇学院航海观通系，山东青岛２６７）６０１
（）２ＭＦＣ特征ｂ３维Ｃ
（）Ｃｆａｕｅｏ３ｉｎｉｎｂＭＦＣｔｒｆ２ｄｍｅｓｏｅ
（）４ＭＦＣ特征ｃ６维Ｃ
（）ＣＣｆａｕｅｏ６ｉｎｉｎｃＭＦｔｒｆ４ｄｍｅｓｏｅ
图３某船舶辐射噪声ＭＦＣ特征Ｃ
ＦｉＭｅ－ｒｑｎｅｆｌｒｂｎｋｇ１ｌｆｅｕｅｃｉｅａｓｔ
系，是因为人耳所听到声音的高低与声音频率并不呈线这性正比关系，而用Ｍｌｅ频率尺度则更符合人耳的听觉特性。
取每个三角形的滤波器频率带宽内所有信号幅度加权
２在Ｍｅ频率轴上配置个通道的三角形滤波器组，）ｌ的个数由信号截止频率决定。每一个三角形滤波器的中心频率Ｃｚ在Ｍｅ频率轴上等间隔分配。设Ｏｆ，（）（）ｌ（）Ｃ１和ｈｆ分别是第ｚ（）个三角滤波器下限、中心和上限频率，则相
ｄ＋一．
先计算隐含层ｔ，各节点的输出
Ｙｉ＝∑ ｗｎ＝ｉ￣＋１，ｌＯｌ０
ｃ㈤ √ 高ｇｆ［１Ｌ．５Ｍ＝号ｌ）（／’ （Ｆｃｍｃｆ２】）（ｓ一）。
Ｏｊ
Ｙ）ｋ， … ，，，＝１２，ｃ
式中甜为权系数，励函数取Ｓ形函数，Ｙ激，（）＝
５７
∞
２０
要２ｏ
要１０
釜。心
一
誊。心
一
警－１。０心
一
２０
２０
２０
２
（１维ＭＦＣ特征ａ６）Ｃ
（）ＣＣｆａｒｆ１ｉｎｉｎａＭＦｅｔｅｏ６ｄｍｅｓｏｕ
摘
要：Ｍｅ倒谱系数分析依据人耳听觉特性，以提取有利于船舶目标分类的特征。前向神经网络的ｌ可
反向传播算法对类别数目小但分类困难的模式识别问题有良好的分类效果。针对Ｍｅ倒谱系数分析提取ｌ的船舶目标分类识别特征，用前向神经网络的反向传播算法，以有效对船舶目标进行分类。采可关键词：Ｍｅ倒谱；Ｐ神经网络；ｌＢ船舶辐射噪声；目标分类中图分类号：Ｔ１Ｐ２２文献标识码：Ａ文章编号：１０－７７２１）６０５－３００９８（０１０－０５０－
能够有效提取有利于船舶目标分类识别的特征。前向多层神经网络反向传播（Ｐ算法已被证实对类别数目小但分Ｂ）
类困难的模式识别问题有良好的分类效果。本文提取了船舶辐射噪声的Ｍｅ倒谱系数特征，用ｌ利
前向神经网络ＢＰ算法对船舶目标分类进行研究。
ＳｕｙｏｈｐｔｒｅｌｓｉｃｔｏａｅｎＭｅ—ｅｓｒｍｔｄｎｓｉａｇｔｃａｓｆａｉｎｂｓｄｏｌｃｐｔｕｉ
ａｎｄＢＰｕｒｌｎｔｒｓｎｅａｅｗｏｋ
ＷＡＮＧ — ｈａＹｉｃｕｎ，ＬＩＺ —ｈｎｈｉｚｏｇ
Ｍｅ倒谱系数（Ｃ的分析着眼于人耳的听觉特性，ｌＭＦＣ）
式中／为频率，。Ｉ频率带宽随着频率的变化ｍＨｚ临界
化，与Ｍｅ频率的增长一致，１０ｚ以下大致呈线性并ｌ在０Ｈ０分布，宽为１０Ｈ左右；ｌ０以上呈对数增长。类带０ｚ在００Ｈｚ似于临界频带的划分，以将语音频率划分成一系列三角可形的滤波器序列，Ｍｌ即ｅ滤波器组，如图１所示。
ｐｏｌｍｈｎｔｅｎｍｂｒｏｌｓｅｓｓｌｂｔｃａｓｆａｉｎｉｉｉｕｔｒｂｅｗｅｈｕｅｆｃａｓｓｉｍａｌｕｌｓｉｃｔｓｄｆｃｌｉｏｆ．Ａｉｄａｈｐｔｇｔｆａｕｅｒｍｅｔｓｉａｅｓｅｔｒｓａｅｒｅｔａｔｄｂ１ｃｐｔｍｎｌｓｓｕｉｇｂｃ — ｒｐｇｔｎａｇｒｈｆｆｒａｄｎｕａｅｗｒｓｉａｇｔａｅｘｒｃｅｙＭｅ一ｅｓｒｕａａｙｉ，ｓａｋｐｏａａｉｏｉｍｓｏｗｒｅｒｎｔｏｋ，ｈｐｔｅｓｌｎｏｌｔｏｌｒｃａｓｆａｅ．ｌｓｉｃｔｄｉ
ｍｚ＝ ∑ （Ｊ（），＝２。，（（）Ｉｌｌ。３），）
ｅ，用于累计误差，ｅ允许误差取Ｅ。 … ２输入一样本及其希望输出）
－ｏ｛（１ｋ－）
㈩
０＂－ｉｉ＇，＝ｌ， … ｎ，￣２－Ｃ２，
和作为某个带通滤波器的输出，后对所有滤波器输出作然
收稿日期：００１— １２１— ０１
基金项目：国防预研基金资助项目（００００００）４１５１５１２
传感器与微散余弦变换（Ｃ）ＤＴ即可得到ＭＦＣ。ＭＣＣＦＣ参数的计算过程的具体步骤如下：１根据式（））１将实际频率尺度转换为Ｍｅ频率尺度；１
（一１，）ｃ（），
０（），
ｆ，）（＋１
ＢＰ算法步骤如下：
给定训练样本集｛；；２ … ；，｝其中，，ｄ；ｄ；ｄ，
。
，
Ｄ，）（＋１
… ；为输入样本，ｄ，ｄｄ，２ …，为样本的期望输出值。１用随机数初始化所有的权系数；）选定步长７＞；７０ｚ，用于计迭代次数，一１２最大的迭代次数取为；ｐ，一１Ｐ用于计样本数；・
（ｅａｔｎｆａｉａｉｎ，ａｙＳｂｒｅＡａｅ，ｎｄｏ２６７，ｈｎ）ＤｐｒｍｅｔｖｇｔＮｖｕｍａｉｃｄｍｙＱｉｇａ６０１ＣｉａｏＮｏｎ
Ａｂｔａｔｓｒｃ：Ｍｅ — ｅｓｒｍｎｌｓｓｂｓｄｏｈｒｃｅｓｉｓｏｕｎｈａｉｇｉａｌｏｅｔｃｅｔｒｏｈｐｌｃｐｔｕａａｙｉａｅｎｃａａｔｒｔｆｈｍａｅｒｓｂｅｔｘｒｔｆａｕｅｆｒｓｉｉｃｎａ
，
参数Ａ影响函数形状的陡度。
再计算输出层各节点的输出
ｈ＋ｌ