發(fā)布時間：2024-06-15 02:25

　　為提高船舶風(fēng)壓差的預(yù)測精度,使船舶能夠更快穩(wěn)定在計劃航線上以保障航行安全,提出一種基于主成分分析(principal component analysis, PCA)法和自適應(yīng)粒子群優(yōu)化(self-adaptive particle swarm optimization, SAPSO)算法的船舶風(fēng)壓差神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該方法采用PCA法對航行數(shù)據(jù)進行預(yù)處理,然后將數(shù)據(jù)輸入由SAPSO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)中,改變以往通過復(fù)雜的數(shù)學(xué)建模計算風(fēng)壓差的方法,提高預(yù)測的時效性和準確性。利用實船數(shù)據(jù)對模型進行船舶風(fēng)壓差的實時預(yù)測仿真,結(jié)果驗證了該預(yù)測模型具有較高的可靠性。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1SAPSO-BP模型與PSO-BP模型適應(yīng)度函數(shù)曲線比較

其中:j為微粒子群規(guī)模數(shù)量;λ為微粒子群位置最大值;pos為離散的均勻隨機正整數(shù);c為正的常數(shù),通常小于1。圖1為SAPSO-BP模型和PSO-BP模型適應(yīng)度函數(shù)曲線比較�；�于MATLAB仿真環(huán)境,選取120組數(shù)據(jù)對傳統(tǒng)PSO-BP和SAPSO-BP模型進行訓(xùn)練。模型初始參數(shù)設(shè)置....

圖2PCA-SAPSO-BP模型算法流程

PCA-SAPSO-BP模型算法流程見圖2。3仿真結(jié)果與討論

圖3PCA-BP模型船舶風(fēng)壓差預(yù)測結(jié)果

3.1PCA-BP模型的船舶風(fēng)壓差預(yù)測如圖3所示(橫坐標預(yù)測點數(shù)表示船舶風(fēng)壓差的預(yù)測樣本點數(shù)量),PCA-BP船舶風(fēng)壓差預(yù)測模型雖然在一些預(yù)測點上的預(yù)測值與實測值之間的差值(預(yù)測誤差)較大,但預(yù)測值與實測值變化曲線基本吻合。網(wǎng)絡(luò)模型通過連續(xù)的數(shù)據(jù)學(xué)習(xí),能夠?qū)W習(xí)到船舶風(fēng)壓差的變化....

圖4PCA-BP模型船舶風(fēng)壓差預(yù)測誤差曲線

如圖3所示(橫坐標預(yù)測點數(shù)表示船舶風(fēng)壓差的預(yù)測樣本點數(shù)量),PCA-BP船舶風(fēng)壓差預(yù)測模型雖然在一些預(yù)測點上的預(yù)測值與實測值之間的差值(預(yù)測誤差)較大,但預(yù)測值與實測值變化曲線基本吻合。網(wǎng)絡(luò)模型通過連續(xù)的數(shù)據(jù)學(xué)習(xí),能夠?qū)W習(xí)到船舶風(fēng)壓差的變化規(guī)律(說明PCA-BP神經(jīng)網(wǎng)絡(luò)對非線性擬....

本文編號：3994784