CN110826195A - 一种基于蚁群优化bp神经网络的波浪补偿控制算法 - Google Patents
一种基于蚁群优化bp神经网络的波浪补偿控制算法 Download PDFInfo
- Publication number
- CN110826195A CN110826195A CN201910998185.2A CN201910998185A CN110826195A CN 110826195 A CN110826195 A CN 110826195A CN 201910998185 A CN201910998185 A CN 201910998185A CN 110826195 A CN110826195 A CN 110826195A
- Authority
- CN
- China
- Prior art keywords
- error
- neural network
- ant colony
- value
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于蚁群优化BP神经网络控制算法。在波浪补偿装备中安装运动传感器,获得船舶实际速度,位移与力的数据。并将数据进行归一化处理后,放入蚁群中。将最小误差范围作为食物源,同时将实际误差作为信息素。蚁群在寻优过程中,主要依靠正反馈来寻求最优解。通过蚁群寻求路径的最优方式获得BP神经网络中的权值与阈值,同时也将船舶位姿误差放入BP神经网络中,进行多次迭代后使误差最小化,从而得到准确的误差补偿后的船舶的位置。本发明实现了波浪补偿控制算法的稳定性与鲁棒性的增强。相对一般的误差处理方式,提高了误差处理的速度和有效性。
Description
技术领域
本发明设计海上船舶波浪补偿技术领域,尤其涉及一种基于蚁群优化BP神经网络的波浪补偿控制算法。
技术背景
海上船舶作业时会受到风浪的无规则运动对船舶的稳定性造成影响,而发生升沉、纵摇、位移和偏航、纵倾等运动,严重影响运送货物的平稳性和货物转接时的安全问题,有时甚至危害到设备的安全性和工作人员的生命安全。为了提高海上作业的效率和安全可靠性,必须采用适当的措施对船舶进行波浪补偿,减轻船舶与海浪之前的相对运动。一个良好的补偿系统,可以让海上作业变得更加高效,减少了外界对船舶作业的干扰。因此,对波浪进行补偿具有重大意义。
BP神经网络:BP神经网络是一种按照误差逆向船舶算法训练的多层前馈神经网络,BP神经网络采用梯度下降法进行学习,使得逆向反馈不停的改善网络的权值和门限,它可以存储海量的输入输出之间的关系,通过学习不断地调整,实现输出值与期望值误差最小。蚁群算法是基于蚂蚁觅食回巢等行为,利用蚂蚁对食物的感知能力来确定出实现某种目标下的最优路径。
目前国内外学者也提出很多对波浪补偿进行控制的算法设计的方法。黄晓刚等用基于PMSM进行波浪补偿控制,通过输入波浪扰动,输出吊物补偿后的位置,该种控制方法对外界抗干扰能力低。在海面波动大的情况下补偿效果较差。苏士斌等通过对升沉数据的多次补偿与处理来实现波浪补偿,该系统具有一定的延迟性以及对海浪的拟合程度较差。也有学者采用前馈补偿的阻抗控制,虽然提升了系统的阻抗,但缺少反馈系统,系统的稳定性较差,受外界的影响依旧很大。
这些波浪补偿方法都不可避免地存在着各自的缺陷,限制了波浪补偿技术在工程和实际生产中的应用。由此可见,现有波浪补偿控制技术响应性低,适应性弱,鲁棒性差的问题亟待解决。
发明内容
针对现有技术的以上缺陷,本发明的主要目的在于提供一种响应性高,适应性能更强,鲁棒性更好地波浪补偿控制方法。为实现上述目的,本发明提供一种基于蚁群优化BP神经网络的波浪补偿控制算法更加快速精准和快速减小误差,解决了现有技术中存在的运动精度低,响应性慢等问。将蚁群算法与BP神经网络结合起来,通过蚁群算法优化BP神经网络中的权值与阈值,目的在于达到。
本发明的技术方案为:一种基于蚁群优化BP神经网络控制波浪补偿的算法的控制,其特征在于包括如下步骤:
1.一种基于蚁群优化BP神经网络控制波浪补偿算法的控制方法,其特征在于包括如下步骤:
步骤1:获取数据
利用运动传感器获得船舶当前的位移,加速度与力信息,并通过预测系统获得船舶的速度,位移及加速度的预测值,获得预测值与真实值之间的误差。
步骤2:基于蚁群获得神经网络BP的权值与阈值
步骤2.1提取三种误差的特征参数,先对数据进行归一化处理
步骤2.2将实际误差作为蚁群初始信息素,最小误差范围作为蚁群的食物源
步骤2.3计算各蚂蚁状态转换概率,并选择下一状态
步骤2.4记录路径信息素浓度
步骤2.5判断是否满足约束条件,满足条件的情况下,选择浓度最大的为最优路径。通过蚁群算法获得初始最优权值与阈值,并在蚁群每一次路径中并不断更新权值与阈值。
根据源节点与目的节点确定蚁群传输区域R,当一个节点小于误差范围时,先判断人工蚂蚁是否在R内,不是则丢弃,是则进行下一步。人工蚁以某种概率决定下一个访问节点。选取m组误差值,设定n个不同的待补偿的船舶误差数据值,循环次数为NC,最大循环次数为NCmax,dij为第i个误差数值与第j个误差值之间的差值,△τij(t)为t时刻在第i个误差值与第j个误差值之间的信息量,为t时刻误差值K在第i个误差值与第j个误差值之间的信息。ηij为从第i个灰度值转为第j个灰度值收到的启发程度,α为信息启发因子,β为期望值启发因子,ρ为信息素的持久性,1-ρ为信息素的衰减度。人工蚁以某种概率决定下一节点的访问:
τij(t+1)=ρ*τij(t)+△τij(t)
并将蚁群的路径状态作为神经网络的初始权值与阈值,以某种概率决定出最优误差,即作为BP神经网络中连接点的权值。
步骤3:并且将位姿误差参数作为基于蚁群优化BP神经网络的波浪补偿控制算法的输入,通过最小优化误差来调节权重,最后实现波浪补偿后的船舶的真实位姿的输出。BP神经网络步骤如下:
步骤3.1建立BP神经网络模型结构
步骤3.2初始化BP网络模型
步骤3.3取训练样本数据,并将蚁群获得的最优路径作为BP神经网络的最优权值与阈值,进行训练
步骤3.4判断数据通过隐藏层优化的输出结果是否满足BP训练的终止条件,即是否达到最小误差范围
步骤3.5进行BP神经网络测试
本模型下使用三层BP神经网络结构,分别为输入层,隐藏层,输出层。输入层神经元数目为3,隐藏层神经元数目为4,输出层神经元数目为1。该模型下输入误差数据,通过隐藏层,进行误差的缩小,最后实现对补偿后的位姿的输出。
有n个训练样本对应期望输出,利用训练数据对BP神经网络进行训练。网络隐藏层的输入为:
p-隐藏神经元个数
q-输出神经元个数
Wij-输入层到隐藏层权值
bi-隐藏层的门限值
网络隐藏层的输出为:
hok=f(hik)(h=1,2,3,…,P)
误差的反向传播是根据输出层的输出误差,经过隐藏层到达输入层,在这个过程中,按照梯度下降原则结合蚁群路径优化对各层的权值与阈值进行误差修正。
使目标函数达到最小。全局误差计算公式:
将人工蚂蚁的路径优化作为初始权值和阈值赋给BP神经网络。蚂蚁每执行一次基本行为,神经网络权值和阈值就调整一次。权值与阈值在迭代过程中不断修正。开始训练BP神经网络,并用训练好的网络进行误差补偿。
步骤4:利用蚁群优化BP神经网络实现控制补偿设备来实现波浪补偿。
附图说明
图1为本发明的总体控制流程图
图2为动态自适应蚁群算法流程图
图3为BP神经网络基本结构图
具体实施方式
为使发明的目的、技术方案及优点阐述更加清楚,下面结合具体实施例对本发明做进一步说明。
图1为本发明所述基于一种基于蚁群优化BP神经网络的波浪补偿控制算法的总体流程图。如图1所示,首先用传感器获得船舶速度与位移等误差数据,提取出误差特征参数作为蚁群优化BP神经网络的模型的输入;迭代训练完成后,输出波浪补偿的真实值。经过设备实现波浪补偿。
图2为动态自适应蚁群算法流程图。如图2所示,基于蚁群获得神经网络BP的权值与阈值。
步骤2.1提取三种误差的特征参数,先对数据进行归一化处理。
步骤2.2将误差范围作为蚁群初始信息素,最小误差范围作为蚁群的食物源。
步骤2.3计算各蚂蚁状态转换概率,并选择下一状态
步骤2.4记录路径信息素浓度
步骤2.5判断是否满足约束条件,满足条件的情况下,选择浓度最大的为最优路径。通过蚁群算法获得初始最优权值与阈值,并在蚁群每一次路径中并不断更新权值与阈值。
根据源节点与目的节点确定传输区域R,当一个节点小于误差范围时,先判断人工蚂蚁是否在R内,不是则丢弃,是则进行下一步。人工蚁以某种概率决定下一访问节点。选取m组误差值,设定n个不同的待补偿的船舶误差数据值,循环次数为NC,最大循环次数为NCmax,dij为第i个误差数值与第j个误差值之间的差值,△τij(t)为t时刻在第i个误差值与第j个误差值之间的信息量,为t时刻误差值K在第i个误差值与第j个误差值之间的信息。ηij为从第i个灰度值转为第j个灰度值收到的启发程度,α为信息启发因子,β为期望值启发因子,ρ为信息素的持久性,1-ρ为信息素的衰减度。人工蚁以某种概率决定下一节点的访问:
τij(t+1)=p*τij(t)+△τij(t)
并将蚁群的路径状态作为神经网络的初始权值与阈值,以某种概率决定出最优误差,即作为BP神经网络中连接点的权值。
图3为BP神经网络基本结构图。并且将位姿误差参数作为基于蚁群优化BP神经网络的波浪补偿控制算法的输入,通过最小优化误差来调节权重,最后实现波浪补偿后的船舶的真实位姿的输出。BP神经网络步骤如下:
步骤3.1建立BP神经网络模型结构
步骤3.2初始化BP网络模型
步骤3.3取训练样本数据,并将蚁群获得的最优路径作为BP神经网络的最优权值与阈值,进行训练
步骤3.4判断数据通过隐藏层优化的输出结果是否满足BP训练的终止条件,即是否达到最小误差范围
步骤3.5进行BP神经网络测试
本模型下使用三层BP神经网络结构,分别为输入层,隐藏层,输出层。输入层神经元数目为3,隐藏层神经元数目为4,输出层神经元数目为1。该模型下输入误差数据,通过隐藏层,进行误差的缩小,最后实现对补偿后的位姿的输出。
有n个训练样本对应期望输出,利用训练数据对BP神经网络进行训练。网络隐藏层的输入为:
p-隐藏神经元个数
q-输出神经元个数
Wij-输入层到隐藏层权值
bi-隐藏层的门限值
网络隐藏层的输出为:
hok=f(hik)(h=1,2,3,…,P)
误差的反向传播是根据输出层的输出误差,经过隐藏层到达输入层,在这个过程中,按照梯度下降原则结合蚁群路径优化对各层的权值与阈值进行误差修正。
使目标函数达到最小。全局误差计算公式:
将人工蚂蚁的路径优化作为初始权值和阈值赋给BP神经网络。蚂蚁每执行一次基本行为,神经网络权值和阈值就调整一次。权值与阈值在迭代过程中不断修正。开始训练BP神经网络,并用训练好的网络进行误差补偿。
综上所述,采用上述方案后,本发明为深度学习下波浪补偿控制算法提供了新的方案。本发明的优点在于结合了蚁群算法,通过快速取优,得到权值与阈值的不断更新,加强了BP神经网络算法对目标的优化性。实现了波浪补偿控制系统的快速响应性与超强的鲁棒性。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (1)
1.一种基于蚁群优化BP神经网络控制波浪补偿算法的控制方法,其特征在于包括如下步骤:
步骤1:获取数据
利用运动传感器获得船舶当前的位移,加速度与力信息,并通过预测系统获得船舶的速度,位移及加速度的预测值,获得预测值与真实值之间的误差;
步骤2:基于蚁群获得神经网络BP的权值与阈值
步骤2.1提取三种误差的特征参数,先对数据进行归一化处理
步骤2.2将实际误差作为蚁群初始信息素,最小误差范围作为蚁群的食物源
步骤2.3计算各蚂蚁状态转换概率,并选择下一状态
步骤2.4记录路径信息素浓度
步骤2.5判断是否满足约束条件,满足条件的情况下,选择浓度最大的为最优路径;通过蚁群算法获得初始最优权值与阈值,并在蚁群每一次路径中并不断更新权值与阈值;
根据源节点与目的节点确定蚁群传输区域R,当一个节点小于误差范围时,先判断人工蚂蚁是否在R内,不是则丢弃,是则进行下一步;人工蚁以某种概率决定下一个访问节点;选取m组误差值,设定n个不同的待补偿的船舶误差数据值,循环次数为NC,最大循环次数为NCmax,dij为第i个误差数值与第j个误差值之间的差值,△τij(t)为t时刻在第i个误差值与第j个误差值之间的信息量,为t时刻误差值K在第i个误差值与第j个误差值之间的信息;ηij为从第i个灰度值转为第j个灰度值收到的启发程度,α为信息启发因子,β为期望值启发因子,ρ为信息素的持久性,1-ρ为信息素的衰减度;人工蚁以某种概率决定下一节点的访问:
N表示t时刻误差下一步允许的范围值;将误差的特征参数作为蚁群的人造信息素τij,经过多次的迭代,使误差的取值范围逐渐降低,在这些路径中挑选最优路径,实现误差优化;信息素水平进行下式进行更新:
τij(t+1)=p*τij(t)+△τij(t)
并将蚁群的路径状态作为神经网络的初始权值与阈值,以某种概率决定出最优误差,即作为BP神经网络中连接点的权值;
步骤3:并且将位姿误差参数作为基于蚁群优化BP神经网络的波浪补偿控制算法的输入,通过最小优化误差来调节权重,最后实现波浪补偿后的船舶的真实位姿的输出;BP神经网络步骤如下:
步骤3.1建立BP神经网络模型结构
步骤3.2初始化BP网络模型
步骤3.3取训练样本数据,并将蚁群获得的最优路径作为BP神经网络的最优权值与阈值,进行训练
步骤3.4判断数据通过隐藏层优化的输出结果是否满足BP训练的终止条件,即是否达到最小误差范围
步骤3.5进行BP神经网络测试
本模型下使用三层BP神经网络结构,分别为输入层,隐藏层,输出层;输入层神经元数目为3,隐藏层神经元数目为4,输出层神经元数目为1;该模型下输入误差数据,通过隐藏层,进行误差的缩小,最后实现对补偿后的位姿的输出;
有n个训练样本对应期望输出,利用训练数据对BP神经网络进行训练;网络隐藏层的输入为:
p-隐藏神经元个数
q-输出神经元个数
Wij-输入层到隐藏层权值
bi-隐藏层的门限值
网络隐藏层的输出为:
hok=f(hik)(h=1,2,3,…,P)
误差的反向传播是根据输出层的输出误差,经过隐藏层到达输入层,在这个过程中,按照梯度下降原则结合蚁群路径优化对各层的权值与阈值进行误差修正;
使目标函数达到最小;全局误差计算公式:
将人工蚂蚁的路径优化作为初始权值和阈值赋给BP神经网络;蚂蚁每执行一次基本行为,神经网络权值和阈值就调整一次;权值与阈值在迭代过程中不断修正;开始训练BP神经网络,并用训练好的网络进行误差补偿;
步骤4:利用蚁群优化BP神经网络实现控制补偿设备来实现波浪补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998185.2A CN110826195A (zh) | 2019-10-21 | 2019-10-21 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998185.2A CN110826195A (zh) | 2019-10-21 | 2019-10-21 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826195A true CN110826195A (zh) | 2020-02-21 |
Family
ID=69549817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910998185.2A Withdrawn CN110826195A (zh) | 2019-10-21 | 2019-10-21 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826195A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506968A (zh) * | 2020-04-21 | 2020-08-07 | 常熟理工学院 | 一种基于bp神经网络算法的船型优化方法 |
CN111553562A (zh) * | 2020-04-07 | 2020-08-18 | 哈尔滨工程大学 | 一种基于改进的bp神经网络船舶碰撞危险度估算方法 |
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN111639397A (zh) * | 2020-05-29 | 2020-09-08 | 山东交通学院 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
CN111665722A (zh) * | 2020-06-18 | 2020-09-15 | 哈尔滨工程大学 | 一种基于预测控制的海浪主动补偿控制方法 |
CN111817767A (zh) * | 2020-06-30 | 2020-10-23 | 山西省信息产业技术研究院有限公司 | 一种基于动态优化策略的mvdr波束成形方法 |
CN111856922A (zh) * | 2020-08-04 | 2020-10-30 | 上海海事大学 | 一种基于循环神经网络pid波浪补偿平台控制方法 |
CN113536463A (zh) * | 2021-07-20 | 2021-10-22 | 大连海事大学 | 一种基于改进梯度下降法的神经网络船舶整体模型逼近方法 |
CN115137351A (zh) * | 2022-07-22 | 2022-10-04 | 安徽大学 | 一种基于肌电信号的上肢肘关节角度估计方法及系统 |
-
2019
- 2019-10-21 CN CN201910998185.2A patent/CN110826195A/zh not_active Withdrawn
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553562A (zh) * | 2020-04-07 | 2020-08-18 | 哈尔滨工程大学 | 一种基于改进的bp神经网络船舶碰撞危险度估算方法 |
CN111506968A (zh) * | 2020-04-21 | 2020-08-07 | 常熟理工学院 | 一种基于bp神经网络算法的船型优化方法 |
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN111639397A (zh) * | 2020-05-29 | 2020-09-08 | 山东交通学院 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
CN111639397B (zh) * | 2020-05-29 | 2022-03-04 | 山东交通学院 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
CN111665722A (zh) * | 2020-06-18 | 2020-09-15 | 哈尔滨工程大学 | 一种基于预测控制的海浪主动补偿控制方法 |
CN111817767A (zh) * | 2020-06-30 | 2020-10-23 | 山西省信息产业技术研究院有限公司 | 一种基于动态优化策略的mvdr波束成形方法 |
CN111817767B (zh) * | 2020-06-30 | 2022-07-26 | 山西省信息产业技术研究院有限公司 | 一种基于动态优化策略的mvdr波束成形方法 |
CN111856922A (zh) * | 2020-08-04 | 2020-10-30 | 上海海事大学 | 一种基于循环神经网络pid波浪补偿平台控制方法 |
CN113536463A (zh) * | 2021-07-20 | 2021-10-22 | 大连海事大学 | 一种基于改进梯度下降法的神经网络船舶整体模型逼近方法 |
CN113536463B (zh) * | 2021-07-20 | 2024-04-02 | 大连海事大学 | 一种基于改进梯度下降法的神经网络船舶整体模型逼近方法 |
CN115137351A (zh) * | 2022-07-22 | 2022-10-04 | 安徽大学 | 一种基于肌电信号的上肢肘关节角度估计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826195A (zh) | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 | |
CN108920812B (zh) | 一种机械加工表面粗糙度预测方法 | |
CN111709524A (zh) | 一种基于改进gwo算法的rbf神经网络优化方法 | |
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
US7324979B2 (en) | Genetically adaptive neural network classification systems and methods | |
CN113627606A (zh) | 一种基于改进粒子群算法的rbf神经网络优化方法 | |
CN112232493A (zh) | 一种基于改进鲸鱼算法的rbf神经网络优化方法 | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN110568140B (zh) | 一种基于机器仿生鱼的污染源探查定位方法 | |
CN113240068A (zh) | 一种基于改进蚁狮算法的rbf神经网络优化方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN111738478A (zh) | 基于随机森林算法和Adam神经网络波浪补偿预测方法 | |
CN116050241A (zh) | 基于pca-tso-bpnn模型的海底管道腐蚀速率预测方法 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
Zhang et al. | Trajectory prediction based on AIS and BP neural network | |
CN114715331B (zh) | 一种浮式海洋平台动力定位控制方法及系统 | |
CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
CN116340737A (zh) | 基于多智能体强化学习的异构集群零通信目标分配方法 | |
CN115639751A (zh) | 混联平台迟滞响应的主动补偿方法 | |
CN112327666A (zh) | 动力巡航系统控制模型的目标函数权重矩阵确定方法 | |
CN117555220B (zh) | 一种无人机挂载的x光探伤装置控制优化方法 | |
CN115809506B (zh) | 船舶结构设计中线性波浪载荷的预报方法及系统 | |
CN117312783B (zh) | 基于神经网络的船舶升沉补偿预测方法、装置及存储介质 | |
CN117111594B (zh) | 一种无人水面艇的自适应航迹控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200221 |