基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计
基于遗传算法的船、机、桨匹配优化设计
第四章基于遗传算法的船、机、桨匹配优化设计4.1 引言长期以来，以推进装置的最高效率为目标，借用传统的优化算法——如复合形法、罚函数等方法，已形成了比较有效的优化设计方法。
但由于设计变量较多，导致上述方法的运算量普遍较大，初值对优化结果的影响明显，且易陷于局部最优[8]。
因此，寻找更为有效的优化算法一直为人们所关注。
遗传算法能够很好地适应大规模优化问题[9~10]。
文中将GA引入机桨匹配优化设计，较好地改善了计算规模和优化效果，而且对求解问题的适应能力更强。
图4—1 船、机、桨配合特性曲线4.2 优化设计的数学模型船、机、桨的配合特性如图4—1所示。
图中AB，CD分别为柴油机允许长期工作的最大负荷和最小负荷限制线，AD，BC分别为柴油机允许长期工作的最高转速和最低转速限制线，EF为某工况下螺旋桨的推进曲线。
船、机、桨匹配的优化设计，就是通过选取适当的主机和螺旋桨，使船舶推进系统的效率、寿命、可靠性等指标达到最优[11]。
4.2.1 设计变量通常，螺旋桨转速p n ，螺旋桨叶数z ，螺旋桨有效功率e P ，船速v 和桨轴浸深h 在设计前均已给定，推力减额系数t 和伴流分数W 也可根据经验选定。
此时影响其性能的主要参数为主机转速n ，螺旋桨直径D ，螺距比P/D 和盘面比/e o A A ，这4个参数构成设计变量X 。
4.2.2 目标函数推进装置的总效率t η由敞水螺旋桨效率o η，相对旋转效率r η，船身效率h η和轴系效率s η共同决定 t o r h ηηηηη=(4—1)式(4—1)中，敞水螺旋桨效率[12]2t o q kJk ηπ=(4—2)式中：J 为进速系数；,t q k k 分别为螺旋桨的推力系数和转矩系数。
对于B 系列螺旋桨，,t q k k 可采用下列回归公式1,,,,,,()(/)(/)()s t u vt s t u v e o s t u vk C J P D A A Z =∑(4—3)2,,,,,,()(/)(/)()s t u vq s t u v e o s t u vk C J P D A A Z =∑(4—4)式(4—1)中，船身效率 11h t Wη-=- (4—5)相对旋转效率和轴系效率按实际工况选定。
基于人工神经网络的船舶智能控制技术研究
基于人工神经网络的船舶智能控制技术研究船舶智能控制技术是航行方式、能源使用、产品和服务、安全和环境保护等方面都可以发挥重要作用的领域。
船舶智能控制系统有望实现从驾驶自动化到体系结构优化的全面应用，实现船舶运行的高效、安全、低耗和环保。
而人工神经网络可以学习大量数据和信息，能够进行复杂的非线性映射来实现对船舶的智能控制。
因此，本文重点研究基于人工神经网络的船舶智能控制技术。
一、人工神经网络的基本原理人工神经网络是由大量相互连接的单元构成，可以通过学习来逐步改善自身的输出效果。
人工神经网络的基本结构包括输入层、输出层和隐藏层。
输入层是指数据输入的地方，隐藏层是指数据处理的地方，而输出层则是指数据输出的地方。
人工神经网络在不同的领域中都有广泛应用，如语音识别、图像处理、数据分类等。
二、船舶智能控制技术的发展趋势船舶智能控制技术在过去的几十年中取得了长足的发展，越来越多的船舶开始应用这项技术来提高航行效率和安全性。
随着人工智能技术的发展，船舶智能控制技术也得到了快速发展。
船舶智能控制技术的应用领域正在不断拓宽，包括推进系统、舵机系统、控制系统、能量管理等。
现代船舶智能控制技术结合了物联网、云计算、大数据等多种技术手段，实现了船舶信息化和智能化。
三、基于人工神经网络的船舶智能控制技术人工神经网络是一种强大的信息处理工具，因此可以应用于船舶的智能控制技术中。
在“机器学习”算法的基础上，结合船舶特有的监测数据和实时反馈，人工神经网络可以实现船舶推进、控制、能耗等多个环节的优化。
同时，基于人工神经网络的船舶智能控制技术能够识别船舶的不同运行状态和环境下的变化，并进行相应的控制，提高了船舶的安全性。
四、人工神经网络在船舶智能控制系统中的应用人工神经网络在船舶智能控制系统中的应用有很多，以下介绍几个：1. 船舶推进系统优化在船舶推进系统中，通过人工神经网络学习大量的实测数据并进行动态调整，在提高船舶速度的同时保持能源的高效利用。
基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计
基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计曾志波;丁恩宝;唐登海【摘要】在原有图谱设计方法的基础上,采用BP(Back-Propagation)人工神经网络模型和遗传算法GA(GeneticAlgorithm),建立了一种船舶螺旋桨优化设计方法.BP人工神经网络模型通过训练可以具备强大的非线性映射能力,以数学解析的形式,较好地提取了海量螺旋桨水动力性能数据特征;GA不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,为计算机辅助船舶螺旋桨优化设计提供了一种通用的多参数优化框架.针对三体消波艇半浸式螺旋桨和沿海巡逻艇螺旋桨的设计实例表明,该方法能快速可靠地搜索到最优解,不仅具有足够的工程精度,而且实用方便,适用性强.【期刊名称】《船舶力学》【年(卷),期】2010(014)001【总页数】8页(P20-27)【关键词】半浸式螺旋桨;BP人工神经网络;遗传算法;优化设计【作者】曾志波;丁恩宝;唐登海【作者单位】中国船舶科学研究中心,江苏,无锡,214082;中国船舶科学研究中心,江苏,无锡,214082;中国船舶科学研究中心,江苏,无锡,214082【正文语种】中文【中图分类】U661.311 引言船舶螺旋桨设计是整个船舶设计中的一个重要组成部分。
随着船舶航速的提高和吨位的增加，螺旋桨的工况越来越复杂，设计要求须综合考虑螺旋桨的效率、空泡和激振性能以及低噪声性能等。
在这种背景下，螺旋桨图谱设计并没有失去它原有的快捷实用的优点，特别是空泡螺旋桨、超空泡螺旋桨和半浸式螺旋桨（以下简称半浸桨）等，目前还没有成熟的物理模型模拟其运动状态，因此仍然需要由模型试验方法开发图谱来设计。
计算机辅助螺旋桨图谱设计面临着两大难题：一是海量螺旋桨性能数据的数学表达；二是优化算法的选取。
软计算是正在发展起来的一种计算方法，它与人脑相对应，具有在不确定及不精确环境中进行推理和学习的卓越能力[1]。
软计算由若干计算方法组成，包括神经元网络、模糊集合理论和一些非导数优化方法，如遗传算法（GA），它能够很好地解决以上两个问题。
基于遗传算法的船舶推进系统船、机、桨匹配云平台设计
关键词： 船舶推进系统 ；船机桨匹配 ；遗传算法 中图分类号： U664 文献标识码： A
doi： 10.3404/j.issn.1672 – 7649.2017.10A.059
文章编号： 1672 – 7649(2017)10A – 0174 – 03
Design of ship engine and propeller matching platform for ship propulsion system based on genetic algorithm
Pe = Fr V = f (V ) · V 。
(1)
式中： V 为船舶的航行速度； F r 为船舶所受阻力，它 是航速 V 的函数。因此在已知船舶航速时，可以绘制 出船舶的有效功率曲线（见图 4 ），该曲线是进行船 机桨匹配设计的重要依据。
图 4 船舶有效功率图 Fig. 4 图 1 机桨匹配图 Fig. 1 Engine propeller matching chart Ship effective power diagram
0
引
言
个方向主要研究单独的部件，没有从整体上研究三者 之间的关系。传统的机桨匹配主要有 2 种方法 [2]。一是 根据主机的功率和转速选择螺旋桨参数，使得主机处 于额定功率和转速时，船舶达到最大的航行速度。二 是根据船舶的最大航行速度选择主机的功率，使得船 舶达到最大航速时主机的功率最小。船舶主机和螺旋 桨的合理匹配既要求在船舶航行过程中主机不会超负 荷，又要求最大地利用主机功率。机桨的完美匹配可 以获得最大的动力性能和经济效益。 在船舶主机达到额定功率时，螺旋桨的扭矩尚未 达到额定功率，若要使得螺旋桨完全吸收主机功率则
摘 要 : 随着海上运输业的蓬勃发展，船舶的航行速度、吨位和功率不断增长，船机桨匹配越来越受到造船
基于神经网络和遗传算法的压力机调节螺杆优化设计
经网络结构映射关 系。正交试验法具有整齐可 比性和 均衡分散性特点 ， 以用尽 可能少 的样本数量取得更 可 全 面并 具代 表性 的样 本点 ， 高 了建 模 效率 Ｊ 提 。
选用 Ｌ ５ ） ２（ 正交 表安 排调 节螺 杆试 验样 本 ， 中 其
样本 总 数为 ２ ， ５ 因素数 最 多为 ６个 ， 水平 数 为 ５ 。本次 试 验设计 中 ， 因素 为 ４个 ， 验样 本 因素 以及具 体 水平 试 如表 １ 。对 这 ２ ５组样 本 ， 利用 有 限 元模 型分 析 相应 最 大应 力 和质量 ， 为神 经 网络 的输 出变量 。 作
基 神 经 网络 和遗传 算 法 的厘＝ 枫 调 节 螺 糈 优 设
李 绘超 ，王 杰 ，唐 鹏
（ Ｉ ９） 大学 制造科 学与工 程 学院 ，四 川 成 都 １
摘
６０ ６ ） １０ ５
要： 强度和质量是压 力机调 节螺杆主要性 能指标 。将神 经网络和遗传 算法结合起 来 ， 可以很好地 对调 节螺杆 结构进
某 １６０ｋ ０ Ｎ压 力机 柱 销 式 连 杆 调节 螺 杆 结 构 如 图１ 。调 节螺 杆 上 端 经 连 杆 销 与 连 杆 联 接 ， 端 通 过 下
作者简介 ： 李绘超 （ ９ ５ ， ， 南安 阳人 ， １８ ） 男 河 四川大 学制 造科学 与工 程学 院硕士研 究生 ， 主要 研究 方 向为 Ｃ Ｄ Ｃ Ｍ。Ｅ ｍ ｉ Ａ ／Ａ ．ａ ： ｌ
ｎｕａ ｔ ｏｋ ｗ ｉ ａ ｅｅｔｔｅ ｍ ｐ ｉ ｅ ｅ ｅ ｇ ａａ ｔ ｓ ａ ｈ ｘｍｕ ｔ ｓ ａ ａｓ ｗ ｒ ｅｒｌ ｗ ｒ ｈｃ ｃｎ ｒ ｌ ｈ ａｐｎ ｂｔ ｅ ｄｓ ｎ ｐ ｒｍ ｅ ｎ ｔｅ ｍａｉ ｍ ｓ ｅ ｎ ｍ ｓ ｅ ｅ ｎ ｈ ｆｃ ｇ ｗ ｎ ｉ ｅ ｒ ｄ ｒｓ ｄ ｅ
基于BP-GA算法实现船体结构多目标优化
基于BP-GA算法实现船体结构多目标优化随着人们对船舶性能和安全性的要求不断提高，船体结构的多目标优化成为了船舶设计中重要的任务之一。
为了实现船体结构多目标优化，人们提出了多种算法，其中基于BP-GA算法的优化方法由于其高效性和可行性逐渐受到了广泛关注。
BP-GA算法是将BP神经网络和遗传算法相结合的一种优化方法。
其中BP神经网络可以对复杂的非线性函数进行拟合和预测，而遗传算法则可以通过优秀的进化策略进行全局搜索。
这两种算法互补优势，可以有效地实现多目标优化。
实现船体结构多目标优化的第一步是确定目标函数，包括船体强度、稳定性、耐波性、速度等多个方面。
然后将这些目标函数作为BP神经网络的输入和输出。
通过训练使得BP神经网络能够预测不同设计参数下的目标函数值。
接下来，将遗传算法的进化策略应用到BP神经网络中，通过优秀的遗传算法调节各个设计参数，不断逼近最优解，从而实现优化目标的最大化。
基于BP-GA算法的船体结构多目标优化不仅可以提高船舶的性能和安全性，同时也可以降低船体结构的重量和成本，让船舶在满足多个目标的同时，达到更加理想的经济性能。
考虑到船舶的设计参数及船体结构的复杂性，这种基于算法的优化方法为船舶设计提供了一种高效可行的方式，能够加快进展并优化设计方案。
同时，它还为船体结构优化的研究提供了新的视角和思路，也将会在船舶制造业的发展中起到越来越重要的作用。
为了进行基于BP-GA算法的船体结构多目标优化，需要收集一定量的相关数据并进行分析。
以下是可能收集的数据和分析方法：1. 船体结构强度相关数据：包括钢板材质、厚度、尺寸、焊接缺陷等数据。
可以通过有限元分析等方法计算出结构强度的指标值。
2. 船体稳定性相关数据：包括船体形状、吃水等数据。
可以通过稳性计算软件进行计算，得出稳定性的各项参数。
3. 耐波性相关数据：包括波浪参数、船速等数据。
可以通过数值模拟软件进行计算，并得出船体受到波浪作用时的压力分布图和形变情况。
基于人工神经网络的船舶船速预测技术研究
基于人工神经网络的船舶船速预测技术研究随着航海技术的发展，船舶船速预测在航海领域中变得越来越重要。
船舶航行速度的准确预测对于航海安全、航线优化以及油耗规划等方面具有重要意义。
人工神经网络（Artificial Neural Network，ANN）是一种模仿人脑神经元工作方式而设计的计算模型，其具有良好的非线性拟合能力和自学习能力。
因此，基于ANN的船舶船速预测技术具有很大的潜力。
首先，基于ANN的船舶船速预测技术需要进行训练数据的采集和处理。
通过大量的船舶历史数据，包括船舶运行状态、海洋环境因素、船舶结构参数等，建立一个全面而准确的船舶船速预测模型。
然后，对采集到的训练数据进行预处理，包括数据清洗、特征提取等。
在训练数据准备完毕后，可以开始构建ANN模型。
其次，ANN模型的构建需要确定网络的结构和参数。
ANN由输入层、隐藏层和输出层组成，其中隐藏层的层数和每层的神经元个数是需要确定的关键参数。
一般来说，隐藏层较多的ANN模型具有更好的拟合能力，但同时也容易出现过拟合现象。
因此，需要通过交叉验证等方法来确定最优的网络结构和参数。
最后，在ANN模型构建完成后，需要进行模型的训练和验证。
采用适当的算法和方法对模型进行训练，使其能够对船舶船速进行准确预测。
同时，需要进行模型的验证和评估，通过与实际船舶船速数据进行对比，评估模型的预测精度和准确性。
同时，还可以通过引入其他的辅助数据，如气象数据、航线数据等，进一步提高船舶船速预测的准确性。
此外，还可以应用深度学习的方法，如卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN），来提高模型的预测能力和稳定性。
综上所述，基于ANN的船舶船速预测技术具有重要的应用价值。
通过充分利用船舶历史数据和海洋环境数据等相关信息，构建ANN模型，并进行合理的训练和验证，可以实现对船舶船速的准确预测，为航海操作和规划提供有效的支持。
毕业设计论文基于遗传算法的BP神经网络的优化问题研究.doc
编号：审定成绩：重庆邮电大学毕业设计（论文）设计（论文）题目：基于遗传算法的BP神经网络的优化问题研究学院名称：学生姓名：专业：班级：学号：指导教师：答辩组负责人：填表时间：2010年06月重庆邮电大学教务处制摘要本文的主要研究工作如下：1、介绍了遗传算法的起源、发展和应用，阐述了遗传算法的基本操作，基本原理和遗传算法的特点。
2、介绍了人工神经网络的发展，基本原理，BP神经网络的结构以及BP算法。
3、利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点，把遗传算法用于神经网络初始权重的优化，设计出混合GA-BP算法，可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。
4、对某型导弹测试设备故障诊断建立神经网络，用GA直接训练BP神经网络权值，然后与纯BP算法相比较。
再用改进的GA-BP算法进行神经网络训练和检验，运用Matlab软件进行仿真，结果表明，用改进的GA-BP算法优化神经网络无论从收敛速度、误差及精度都明显高于未进行优化的BP神经网络，将两者结合从而得到比现有学习算法更好的学习效果。
【关键词】神经网络BP算法遗传算法ABSTRACTThe main research work is as follows:1. Describing the origin of the genetic algorithm, development and application, explain the basic operations of genetic algorithm, the basic principles and characteristics of genetic algorithms.2. Describing the development of artificial neural network, the basic principle, BP neural network structure and BP.3. Using the genetic algorithm global search capability of the characteristics and learning ability of artificial neural network model with strong features, the genetic algorithm for neural network initial weights of the optimization, design hybrid GA-BP algorithm, to a certain extent, overcome nerves ubiquitous network model training local minimum problem.4. A missile test on the fault diagnosis of neural network, trained with the GA directly to BP neural network weights, and then compared with the pure BP algorithm. Then the improved GA-BP algorithm neural network training and testing, use of Matlab software simulation results show that the improved GA-BP algorithm to optimize neural network in terms of convergence rate, error and accuracy were significantly higher than optimized BP neural network, a combination of both to be better than existing learning algorithm learning.Key words：neural network back-propagation algorithms genetic algorithms目录第一章绪论 (1)1.1 遗传算法的起源 (1)1.2 遗传算法的发展和应用 (1)1.2.1 遗传算法的发展过程 (1)1.2.2 遗传算法的应用领域 (2)1.3 基于遗传算法的BP神经网络 (3)1.4 本章小结 (4)第二章遗传算法 (5)2.1 遗传算法基本操作 (5)2.1.1 选择(Selection) (5)2.1.2 交叉(Crossover) (6)2.1.3 变异(Mutation) (7)2.2 遗传算法基本思想 (8)2.3 遗传算法的特点 (9)2.3.1 常规的寻优算法 (9)2.3.2 遗传算法与常规寻优算法的比较 (10)2.4 本章小结 (11)第三章神经网络 (12)3.1 人工神经网络发展 (12)3.2 神经网络基本原理 (12)3.2.1 神经元模型 (12)3.2.2 神经网络结构及工作方式 (14)3.2.3 神经网络原理概要 (15)3.3 BP神经网络 (15)3.4 本章小结 (21)第四章遗传算法优化BP神经网络 (22)4.1 遗传算法优化神经网络概述 (22)4.1.1 用遗传算法优化神经网络结构 (22)4.1.2 用遗传算法优化神经网络连接权值 (22)4.2 GA-BP优化方案及算法实现 (23)4.3 GA-BP仿真实现 (24)4.3.1 用GA直接训练BP网络的权值算法 (25)4.3.2 纯BP算法 (26)4.3.3 GA训练BP网络的权值与纯BP算法的比较 (28)4.3.4 混合GA-BP算法 (28)4.4 本章小结 (31)结论 (32)致谢 (33)参考文献 (34)附录 (35)1 英文原文 (35)2 英文翻译 (42)3 源程序 (47)第一章绪论1.1 遗传算法的起源从生物学上看，生物个体是由细胞组成的，而细胞则主要由细胞膜、细胞质、和细胞核构成。
基于人工神经网络的船舶识别技术研究
基于人工神经网络的船舶识别技术研究近年来，随着海洋经济的快速发展，全球船舶数量不断增加，这为海上交通安全带来了挑战。
针对这一问题，人工智能技术被广泛应用于航海领域，其中基于人工神经网络的船舶识别技术尤为重要。
一、人工神经网络的基本原理人工神经网络是模拟生物神经网络的计算模型，它由神经元和连接它们的突触构成。
当神经元收到输入信号时，会进行一系列计算，并将结果通过输出神经元传递给下一层神经元，最终得到整个网络的输出结果。
二、船舶识别技术船舶识别技术是指通过对船舶的图像或信号进行处理和分析，识别出船舶的各种属性和特征。
这些特征包括船舶类型、尺寸、船名、MMSI号码等。
在航海领域，船舶识别技术对于提高海上交通管制能力、防范海上安全事故具有重要意义。
三、基于人工神经网络的船舶识别技术基于人工神经网络的船舶识别技术是利用神经网络对船舶图像或信号进行处理和分析，从中提取出船舶的特征和属性，实现对船舶的自动识别和分类。
该技术与传统的船舶识别方法相比，具有以下优点：1. 对噪声和干扰具有较强的鲁棒性，可在复杂海上环境下实现高效识别；2. 可通过对大量数据的学习和模拟，不断提高其准确性和稳定性；3. 适用于不同种类和尺寸的船舶，可实现快速、准确的分类识别。
四、船舶识别技术的应用前景随着技术的不断发展和应用的广泛推广，基于人工神经网络的船舶识别技术在海上交通、海上救援、海洋环境保护等领域将得到广泛应用。
例如，在海上交通管制中，该技术可自动识别船舶，并将其与其他船舶进行区分，从而实现对海上交通的有效监控和管理。
在海上救援中，该技术可通过对事故现场的船舶图像进行分析和处理，快速确定船只的位置和状态，帮助救援人员做出正确的决策。
在海洋环境保护方面，该技术可通过对海洋中船舶的种类和数量进行监测和分析，及时发现和预防污染物的排放和扩散，保护海洋环境的生态平衡。
综上所述，基于人工神经网络的船舶识别技术具有广泛的应用前景，它将为海洋经济的发展和海上交通的安全提供强有力的支持。
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BP神经网络的船舶航迹控制技术_郭文刚
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。
关键词： 文章编号：
BP; 神经网络; 船舶; 航迹控制 TP3 文献标识码： A doi： 10. 3404 / j. issn. 1672 － 7649. 2014. 08. 017 1672 － 7649 （ 2014 ） 08 － 0087 － 07
m
神经网 络 是 由 大 量 神 经 元 相 互 连 结 组 成 ， 每 个神经元 基 本 单 位 的 结 构 与 功 能 比 较 简 单 ， 但 神 经元基本单位组合而成的神经网络系统非常复杂 。 神经网络 系 统 能 对 信 息 进 行 大 规 模 分 布 存 储 、 并 行处理 ， 具有良 好 的 容 错 性 、 自 组 织 性 和 自 适 应 性 。 同时 ， 具 有 较 强 的 学 习 、 识 别 、 联 想 、 记 忆 等功能 。 神经 网 络 具 有 逼 近 任 意 复 杂 的 非 线 性 函 数的 能 力 ， 这 一 能 力 已 经 被 证 明 。 因 此 ， 神 经 网 络系统广泛 应 用 于 系 统 建 模 、 优 化 、 状 态 估 计 等 方面 。 在未来 ， 自 适 应 控 制 与 神 经 网 络 结 合 形 成 的神经自 适 应 控 制 将 有 可 能 应 用 于 强 干 扰 、 控 制 非线性 、 难建模系统等 。 1. 2 BP 神经网络 神经网络按照网络信息传递的方向可以分为 反馈型网 络 和 前 向 网 络 。 误 差 反 向 传 播 神 经 网 络 简称 BP 网 络 。 BP 神 经 网 络 能 学 习 和 存 贮 大 量 的 输入 － 输 出 模 式 映 射 关 系 ， 是 一 种 单 向 传 播 的 多 层前向网 络 ， 在 存 储 信 息 前 无 需 事 前 揭 示 映 射 关 系的数学方程 。 输入层 、 输出层 、 隐层构成 BP 神 经网络 模 型 拓 扑 结 构 。 广 泛 应 用 于 自 适 应 控 制 、 图像处 理 、 模 式 识 别 、 优 化 计 算 、 系 统 辨 识 、 最 优预 测 、 函 数 拟 合 等 等 领 域 。 图 1 为 BP 网 络 示 意图 。
基于BP_Adaboost神经网络的船舶桨叶故障预警模型
基于BP_Adaboost神经网络的船舶桨叶故障预警模型吴劲松;徐志京【摘要】为了提高船舶桨叶故障识别率,构建了一种基于BP Adaboost神经网络的船舶桨叶故障预警模型.该模型首先采用数字水听器采集二进制船舶桨叶静水噪声信号,并利用MATLAB编程将二进制信号转换成WAV音频信号,通过梅尔频率倒谱系数法(Mel-Frequency Cepstral Coefficient,MFCC)提取特征值,得到36维桨叶静水噪声信号,最后运用BP Adaboost神经网络进行分类识别预警.实验结果表明,基于BP Adaboost神经网络的船舶桨叶故障预警模型能够高效分类预警船舶桨叶故障,与BP神经网络识别率对比,分类识别预警率高达96%.【期刊名称】《微型机与应用》【年(卷),期】2017(036)018【总页数】4页(P52-54,58)【关键词】船舶桨叶故障预警模型;数字水听器;MFCC;BPAdaboost【作者】吴劲松;徐志京【作者单位】上海海事大学信息工程学院,上海201306;上海海事大学信息工程学院,上海201306【正文语种】中文【中图分类】TP391.5Abstract: In order to improve the fault recognition rate of ship blades, a fault prediction model based on BP_Adaboost neural network is proposedin this paper. The model uses digital hydrophone acquisition to collect binary data of ship hydrostatic blade noise, and uses MATLAB to convert binary signal into WAV audio format. Then the model uses Mel-Frequency Cepstral Coefficient (MFCC) feature extraction method to extract features and gets the water noise signal in the 36 dimension, and finally usesBP_Adaboost neural network to classify and warn the fault of ship blades. The experimental result shows that the fault prediction model based on BP_Adaboost neural network can effectively classify and predict the failure of the ship blades compared with the BP neural network. The classification and recognition warning rate is as high as 96%.Key words:ship blades faults warning model; digital hydrophone acquisition ;MFCC；BP_Adaboost船舶是重要的水上交通工具，螺旋桨是船舶将发动机力矩转换成动能的主要装置[1]，主机输出转矩通过轴系带动螺旋桨旋转，螺旋桨产生的推力推动船舶航行。
基于人工神经网络的船舶船速预测技术研究
基于人工神经网络的船舶船速预测技术研究近年来，随着海洋经济的发展，海上运输逐渐成为了一个重要的议题。
而在船舶运输中，追踪和预测船舶航速是一项重要的技术。
而基于人工神经网络的船舶航速预测技术因为其精度高，应用范围广等特点，逐渐成为了热门的研究方向。
一、人工神经网络的概念人工神经网络（Artificial Neural Network，ANN）是一种模仿人脑神经元网络结构与功能的数学模型，是一种广泛应用于数据挖掘、模式识别、预测等领域的计算机算法。
采用ANN不需要了解具体的运动机理，从而大大降低了预测难度和工作量。
目前，在许多领域，如金融、医药、环境、气象等，都采用了ANN进行数据分析、预测和优化。
二、船舶航速预测技术在海运行业中，对于海上船舶的运行情况进行预测是非常必要的。
而船舶的航速预测技术则是其中的一个关键技术。
船舶航速预测是指通过运用各种方法和手段，预测出某个时刻的船舶航速情况，以便更好地指导船舶的运营、管理以及节约能源等。
传统的船舶航速预测方法往往基于数学模型，这种方法的优点是实现简单，但不具备足够的精度。
而基于人工神经网络的船舶航速预测技术，则具有更高的准确度和灵活性。
该技术可以通过对海浪、潮汐、风力等多种因素的数据进行分析，建立一个更为准确完备的预测模型。
三、基于人工神经网络的船舶航速预测方法基于人工神经网络的船舶航速预测方法是通过对于船舶运行一段时期内的各种因素进行收集和记录，然后将其输入到神经网络中进行训练和学习，从而建立船舶航速预测模型。
这种方法具有以下基本步骤：1. 数据的采集与处理首先需要收集与处理出各种船舶航速数据，包括海浪、潮汐、风力等各种气象因素数据，并对其进行分类、统计和分析。
2. 神经网络的选择与搭建根据采集到的数据，将选取适当的神经网络结构，确定神经元数量、层数、激励函数、权值连接方式等参数，进行神经网络的搭建和训练。
3. 模型的测试和评估建立的神经网络模型需要进行测试和评估，可以将模型应用于实际数据，通过对比模型输出和实际结果，检验和调整模型的准确性和鲁棒性。
基于人工神经网络的船舶平台养护技术研究
基于人工神经网络的船舶平台养护技术研究随着船舶行业的快速发展，对于船舶运营和养护的需求也越来越高。
船舶平台养护技术随之崛起，其关键在于准确识别并及时处理平台上的缺陷和损伤，以维护船舶平台的安全与舒适性。
然而，目前仍然缺乏有效的方法来处理大规模、复杂的海上平台缺陷信息。
人工神经网络（ANN）基于其自适应性、非线性可拟性和分布式处理等特点在海洋工程中受到广泛关注，成为一种有效的工具来评估平台养护需求和改进平台养护方法。
一、神经网络的介绍神经网络是模仿生物学中神经系统设计的一种人工智能模型，由大量前向连接的节点组成。
每个节点都有一组权重，它们决定了节点的输出和输入的相对贡献。
神经网络由输入层、输出层和若干个隐藏层组成，每个层都包含多个节点。
由输入层向输出层传递输入值，中间的隐藏层对输入层进行变换，输出层则对隐藏层的组合进行响应。
所有层都通过节点间的权重连接。
神经网络可以通过反向传播算法进行训练，该算法根据神经网络的输出与实际数据之间的差异，调整每个节点的权重，以使误差最小化。
神经网络的训练使其能够在未见过的数据上实现预测或分类，或通过回归来识别事件或趋势。
二、神经网络在平台养护中的应用由于海上平台的复杂性和多变性，传统的养护方法缺乏在不同情况下有效识别损伤的能力。
神经网络在船舶平台的自动识别损伤和性能评估方面显示出了极大的前景。
通过在平台上部署传感器并将数据输入至智能算法中，计算机可以提高对损伤、材料磨损、水下生物附着和海洋环境变化等方面的预测和检测精度，以便及时地采取必要的养护措施。
平台故障和性能的精确的预测与检测是降低生产成本和提高安全性的关键因素。
三、神经网络的局限性和解决方案神经网络虽然具有强大的能力来解决复杂问题，但存在一些不足之处，例如对于数据量较少、特征不清晰或噪声干扰较大的情况，神经网络的表现可能会变得不稳定，甚至在某些情况下可能发生过度拟合或欠拟合的现象。
此外，由于神经网络像黑盒一样工作，难以对其进行解释，使得难以推断其内部的决策过程。
基于BP人工神经网络与遗传算法的航速优化
基于BP人工神经网络与遗传算法的航速优化
陈映彬;文逸彦;董国祥;屠海洋;张焱飞
【期刊名称】《舰船科学技术》
【年(卷),期】2024(46)1
【摘要】为了进一步提高船舶能耗效率,本文提出一种基于BP人工神经网络与遗传算法的航速优化技术路线。
首先,介绍常见油耗模型的构建方法;其次,利用BP人工神经网络建立目标船舶的油耗模型。
模型预测的平均绝对误差为2.3%,准确度和泛化能力基本满足工程应用要求。
最后,利用遗传算法,并基于历史气象数据对目标船舶的航线做分段航速优化。
计算结果表明,航速优化后目标船舶的航行时长不仅能减少1.35天,燃油损耗还可节省10.1%,由此说明对航行船舶做分段航速优化是一种可行方案。
【总页数】6页(P82-87)
【作者】陈映彬;文逸彦;董国祥;屠海洋;张焱飞
【作者单位】上海船舶运输科学研究所有限公司水路交通控制全国重点实验室【正文语种】中文
【中图分类】U699
【相关文献】
1.基于BP人工神经网络和遗传算法的葛根总黄酮提取工艺优化研究
2.基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计
3.BP人工神经网络与遗传算法在射孔枪盲孔参数优化中的应用
4.基于人工神经网络耦联遗传算法(BP-GA)优化干酪乳
杆菌LTL1361冻干保护剂配方5.基于人工神经网络耦合遗传算法(BP-GA)优化茶氨酸-葡萄糖美拉德反应的条件
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
ＺＥＮＧ ｉ ｂ ，ＤＩ Ｚｈ － ｏ ＮＧ Ｅｎ－ｂ ｏ ＡＮＧ ａ ，Ｔ Ｄｅ
（ｈｎ ｈｐＳｉｎｆ ｅｅｒ ｅｔｒＷｕ ｉ １０ ２ Ｃ ｉａ Ｃ ｉａ ｉ ｃｅｔｉ Ｒ ｓａ ｈＣ ｎｅ， ｘ ２ ４ ８ ， ｈｎ） Ｓ ｉｃ ｃ
Ａｂ ｔ ａ ｔ Ａ ｄ ｓｇ ｐ ｉ ｚ ｔ ｎ ｍｅ ｈ ｄ ｆｒ ｓ ｉ ｒｐ ｌ ｒｂ ｓ ｄ ｏ Ｐ ｎ ｕ ａ ｅｗｏ ｋ ａ ｄ ｇ ｎ ｔ ｌ ｏ ｓｒ ｃ ： ｅ ｉｎ ｏ ｔ ｍｉ ｉ ｔ ｏ ｏ ｈ ｐ ｐ ｏ ｅｌ ａ ｅ ｎ Ｂ ｅ ｒ ｌ ｎ ｔ ｒ ｎ ｅ ｅｉ ａｇ — ａ ｏ ｅ ｃ
基于 Ｂ Ｐ人工神经网络和遗传算法 的 船舶螺旋桨优化设计
曾志 波 ，丁 恩 宝 ，唐 登 海
（ 中国 船舶 科 学 研 究 中心 ，江苏 无 锡 ２ ４ ８ ） １０２
摘 要 ：在 原 有 图谱 设 计 方 法 的 基 础 上 ， 用 Ｂ （ ａｋ Ｐｏａａ ｏ ） 工 神 经 网 络 模 型 和 遗 传 算 法 Ｇ Ｇ ｎｔ 采 Ｐ Ｂ ｃ— ｒｐｇｔ ｎ 人 ｉ Ａ（ ｅｅ ｃ ｉ
ａ ｄ ｔｅ ｏ ｈ ｒｉ ａ ｐ ｔ ｌｂ ａ ｒ ｐ ｌ ｒ ｓ ｏ ｈ ｔ ｈ ｅ ｉ ｎ ｍｅｈ ｄ ｃ ｎ ａ ｃ ｒ ｔ ｌ ｏ ｋ ｏ ｔ ｈ ｐ ｉ ｍ ｎ ｔ ｅ ａｒ ｏ ｔｐ ｏ ｅ ｌ ， ｈ ｗｓｔ ａ ｅ ｄ ｓｇ ｔ ｏ ａ ｃ ｕ ａｅｙ ｗ ｒ ｕ ｅ ｏ ｔ ｈ ｓ ｏ ｅ ｔ ｔ ｍｕ
ｐｒｐｅｌｒ ｎｄ ｃ ｎ ｂ ａ ｅ ｓａ ｐｒ ｃｉ ａ ｎ ｏ ｖ ｎ ｅ ｔｄ ｓｇ ｏ １ ｏ ｌｅ ，ａ ａ ｅ ｔ ｋ ｎ ａ ａ ｔｃ ｌａ ｄ ｃ ｎ ｅ ｉｎ ｅ ｉｎ ｔ ｏ ．
Ｋｅ ｒ ｓ ｕ ｆ ｃ ｉｒ ｉ ｇ ｐ ｏ ｅｌ ｒ Ｂ ｅ ｒ ｌ ｅｗｏ ｋ ｇ ｎ ｔ ｌｏ ｉ ｍ； ｅ ｉｎ ｏ ｔ ｚ ｔ ｎ ｙ ｗｏ ｄ ：ｓ ｒ ｅ ｐ ｅｃ ｎ ｒ ｐ ｌ ； Ｐ ｎ ｕ ａ ｔ ｒ ； ｅ ｅｉ ａ ｇ ｒ ｈ ｄ ｓｇ ｐ ｉ ａｉ ａ ｅ ｎ ｃ ｔ ｍｉ ｏ
１ 引 言
船 舶螺旋 桨设计 是整个 船舶 设计 中的一 个重要 组成部 分 。随着船 舶航 速 的提 高 和吨位 的增加 ， 螺
关 键词 ： 浸 式 螺 旋桨 ； Ｐ人 工 神 经 网络 ； 传 算 法 ； 化设 计 半 Ｂ 遗 优
中ห้องสมุดไป่ตู้分 类 号 ： ６ １ １ Ｕ ６． ３ 文献标识码： Ａ
Ｓ ｐ ｐｒ ｐｅｌｒ ｄｅ ｉ ｎ ｏ ｉ ｉ ａ ｉ ｎ ｂａ ｅ ｎ ｈｉ ｏ ｌｅ ｓｇ ｐｔｍ ｚ ｔｏ ｓ ｄ ｏ ＢＰ ｎｅ ｒ ｌｎｅ ｗｏ ｋ ａ ｅ ｔｃ ａ ｇ ｒ ｔ ｍ ｕ ａ ｔ ｒ ｎｄ ｇ ｎｅ ｉ ｌ ｏ ｉｈ
ｒ ｈ ｉ ｐ ｅｅ ｔｄＴ ｒｕ ｈ ｔ ｉｅ ， Ｐ ｎ ｕ ａ ｅｗｏｋｃ ｎｏ ｔｉ ｔｏ ｇｎ ｎｉｅ ｒｍａ ｐｎ ｂｌｙ ｔ ｌａｎ ｉ ｍ ｓ ｒｓ ｎｅ ．ｈｏ ｇ ｒ ｎ ｄ Ｂ ｅ ｒｌｎ ｔ ｒ ａ ｂａｎｓｒｎ ｏ ｌ ａ ｐ ｉｇａ ｉ ｔ ｏ ｅ ｒ ｔ ａ ｎ ｉ ｔｅｄ ｔ ｈ ｒ ｃｅｉｔ ｓｏ ｅｈ ｄ ｏ ｙ ａ ｃ ｐ ｒｏｍａ ｃ ｆｓ ｉ ｒｐ ｌ ｒａ ｔｅ ｔ ｎ ｌｔ ｒ ｈ ａａｃ ａａ ｔｒ ｉ ｆｔ ｙ ｒｄ ｎ ｍｉ ｅ ｒ ｎ ｅｏ ｈ ｐ ｐ ｏ ｅｌ ｓａｍａｈ ｍａｉ ａ ａｙｉ ｆ ｍ． ｓｃ ｈ ｆ ｅ ｃ ｃｏ
Ａｇｒｈ ， 立 了一 种 船舶 螺 旋 桨 优 化设 计方 法 。 Ｐ人 工神 经 网 络模 型 通 过训 练 可 以 具备 强 大 的 非线 性 映射 能 ｌ ｉ ｍ）建 ｏｔ Ｂ 力， 以数 学解 析 的形 式 ， 好 地 提取 了海 量 螺 旋 桨水 动 力 性 能数 据 特 征 ；Ａ 不 依 赖 于 问题 的具 体 领 域 ， 问题 的 较 Ｇ 对 种 类有 很 强 的鲁 棒 性 ， 计算 机 辅 助船 舶 螺旋 桨 优 化设 计 提供 了一 种 通用 的 多参 数 优 化框 架 。 对 三体 消 波艇 半 为 针 浸 式 螺旋 桨 和沿 海 巡 逻 艇 螺 旋 桨 的 设 计 实例 表 明 ， 方法 能 快 速 可 靠 地 搜 索 到 最 优 解 ， 该 不仅 具 有 足 够 的 工 程 精 度 ， 且实 用 方 便 ， 用 性 强 。 而 适
Ｇｅ ｅ ｉ ａｇ ｒ ｈ ｐ ｏ ｉ ｅ ｉ ｄ ｏ ｎ ｖ ｒａ ｒ ｍｅ ｒ ｏ ｌ — ａ ａ ｔｒ ｏ ｔ ｚ ｔ ｎ ｗｈ ｃ ａ ｅ ｎ ｔ ｌｏ ｉ ｍ ｒ ｖ ｄ ｓ ａ ｋ ｎ ｆｕ ｉｅ ｓ ｌｆ ｃ ｔ ａ ｗｏ ｋ ｆ ｒ ｍｕ ｔ ｐ ｒ ｍｅ ｅ ｐ ｉ ａ ｉ ｉｈ ｃ ｎ ｂ ｉ ｍｉ ｏ
ｕｅ ｅｉ ｒｐ ｌ ｒ ｓｉ ｅ ｙｃｍ ｕｅ．ｗ ｅｉ ｘ ｍ ｌ ， ｎ ｕ ａｅｐｅｃｎ ｒｐｌ ｒ ｓ Ｐ ｓｄｔ ｄ ｓ ｎｐｏｅ ｅ ａｓ ｔ ｂ ｏ ｐ ｔｒ ｏｄｓ ｎｅａ ｐｅ ｏｅｉ ａｓｒ ｃ ｉｒｉｇｐｏ ｅ ｅ （ｓ ） ｏ ｇ ｌ ｓｄ Ｔ ｇ ｓ ｓ ｆ ｌ
第 １ ４卷第 １ ２期 －
２１ ０ ０年 ２月
文 章编 号 ： ０ ７ ７ ９ （０ ０ Ｏ — ０ ０ ０ １０ — ２ ４ ２ １ ）１ ０ ２ — ８
船 舶力学
Ｊ ｕ ｎ ｌｏ ｈ ｐＭ ｅｈ ｎ ｃ ｏ ｒ ａ ｆ ｉ ｃ ａ ｉｓ Ｓ
Ｖｏ． ４ １１ Ｎｏ１ ２ ．— Ｆｅ ２ ０ ｂ． ０１