CN111738478A - 基于随机森林算法和Adam神经网络波浪补偿预测方法 - Google Patents
基于随机森林算法和Adam神经网络波浪补偿预测方法 Download PDFInfo
- Publication number
- CN111738478A CN111738478A CN201911343467.5A CN201911343467A CN111738478A CN 111738478 A CN111738478 A CN 111738478A CN 201911343467 A CN201911343467 A CN 201911343467A CN 111738478 A CN111738478 A CN 111738478A
- Authority
- CN
- China
- Prior art keywords
- neural network
- adam
- sample
- random forest
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012952 Resampling Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- YIKWKLYQRFRGPM-UHFFFAOYSA-N 1-dodecylguanidine acetate Chemical compound CC(O)=O.CCCCCCCCCCCCN=C(N)N YIKWKLYQRFRGPM-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于随机森林算法和Adam神经网络波浪补偿预测方法，包括以下过程：S1：收集船舶历史数据，进行数据归一化处理，得到原始数据集；S2：利用Bootstrap重采样方法抽取样本，构成若干训练集样本；S3：根据随机森林计算特征重要性，进行属性筛选；S4：构建神经网络模型，根据筛选后的属性样本作为输入量，船舶预测值作为输出量，利用Adam算法训练神经网络模型；S5：根据实时监测数据输入Adam神经网络模型，得出预测值。
Description
技术领域
本发明涉及船舶波浪补偿技术领域，特别是一种随机森林算法和Adam神经网络波浪补偿预测方法。
背景技术
我国是海洋大国，海洋资源可开发利用的潜力很大。随着加快发展海洋产业，促进海洋经济的发展，海洋平台或船舶越来越频繁地进行着海上的作业。在海洋产业链中，海洋平台和船舶是最主要的生产、载运工具，但海洋平台和船舶不同于陆地，由于风浪引起的横摇、纵摇和升沉会导致船舶的相对位置发生变化。同时，也会产生作业效率低下，人员安全存在隐患等问题。因此，为了提高这些海上作业的安全性，波浪补偿的研究对实际工程和科学研究有着重大的意义。
由于海上工作平台的负载和惯量较大，会导致在进行主动波浪补偿时造成补偿运动延时，极大的影响补偿效果。在这种情况下，为了提高补偿精度，需要对波浪运动进行短期预测，提前预测出波浪运动趋势并进行补偿。目前常用的波浪预测模型有自回归模型(AR，Auto Regressive)，自回归滑动平均模型(ARMA，Auto Regressive and MovingAverage Model) 和滑动平均模型(MA，Moving Average Model)等。这些模型都基于对波浪的过去一段时间运动的观测，运用时间序列分析建立模型来实现预测。但是，这些预测方法只在线性系统中有好的效果，不适用于非线性系统。国外专家Sidar和Dodin利用卡尔曼滤波来实时预测波浪运动，但是卡尔曼滤波预测法需要知道系统运动的精准状态运动数学式。然而，当液压参数和环境改变了，状态等式是难以精准地给出。因此，尽管卡尔曼滤波能处理干扰并且计算简单，但在实际运用上很难达到理想效果。公开号为CN 107357170 A的中国专利“一种基于自抗扰状态观测器的海浪模型预测方法”是利用傅里叶变换对升沉位移信号进行快速处理，但它适用于信号平稳的状态，在非平稳时效果并不好。
因此，要实现准确、高效地对某些领域的数值进行预测，达到数值预测的要求，必须建立一种精确、泛化能力强的数值预测，使得预测结果更加准确。
发明内容
为解决上述技术问题，本发明提供一种基于随机森林算法和Adam神经网络波浪补偿预测方法。
本发明是通过以下技术方案来实现：
步骤1：收集船舶历史数据，进行数据归一化处理，得到原始数据集；
步骤2：利用Bootstrap重采样方法抽取样本，构成若干训练集样本；
步骤3：根据随机森林计算特征重要性，进行属性筛选；
步骤4：构建神经网络模型，根据筛选后的属性样本作为输入量，船舶预测值作为输出量，利用Adam算法训练神经网络模型；
步骤5：根据实时监测数据输入Adam神经网络模型，得出预测值。
进一步地，其中所述步骤1还包括：
步骤1.1：收集船舶的升沉位移，加速度与速度等历史样本数据；
步骤1.2：用min-max标准化实现对历史样本数据的归一化,得到原始数据集样本，即
其中:X为未归一化的一个样本数据,X*为归一化后的一个样本数据,Xmin为样本数据的最小值,Xmax为样本数据的最大值。
进一步地，其中所述步骤2还包括：利用Bootstrap重采样(有放回的随机抽样)方法从原始数据集S中随机抽样生成n个训练集S1，S2，S3，…，Sn构成若干训练集样本，原始样本集中约三分之一的样本不会出现在训练集中，该部分数据被称为袋外数据，可用来评估模型的泛化误差。
进一步地，其中所述步骤3还包括：
步骤3.1：利用每个随机生成的训练集，组成其对应的决策树C1，C2，C3，…，Cn；在决策树每个节点处的M个特征值中随机选取m(m≤M)个特征作为当前节点的分裂属性集，在每个节点上依据Gini系数选取最优的分裂方式对该节点分裂。若样本空间S包含j个属性，则Gini系数可定义为：
式中:pj表示样本集S包含属性j的概率；
步骤3.2：选择基尼系数最小的属性作为划分属性；
步骤3.3：对划分的每个样本集构建回归树,并将多棵回归树构件成回归森林；
步骤3.4：构成的随机森林使用训练集进行训练；随机森林通过计算袋外样本的袋外误差来计算特征重要性；
步骤3.5：依据特征重要性对特征进行排序，筛选出重要的特征。
进一步地，其中所述步骤4还包括：
步骤4.1：预先建立一个三层的神经网络模型，分别为输入层，隐藏层，输出层；
步骤4.2：利用Xavier初始化方法初始化神经网络的权值和偏置；
步骤4.3：选取与筛选后的属性形成的样本作为神经网络模型的输入量，船舶预测值作为神经网络模型的输出量，基于筛选后的样本利用Adam算法训练神经网络模型。
本发明比现有技术具有的优点：
1.本发明提供的算法不容易发生过拟合问题，泛化能力强；
2.防止了因奇异样本数据的存在而可能引起的网络训练时间增加和网络无法收敛等；
3.用随机森林提取样本集的特征并对其重要性程度进行了量化，充分利用了随机森林输出的特征向量的特征信息，减小了相对误差，提高了模型精度；
4.用Adam神经网络训练，让训练能够自适应地为每个参数计算学习率，降低学习率等参数的选取对算法性能的影响，让算法实施更加简单，性能更加稳定。
附图说明
为了更好地理解本发明，下面结合附图作进一步的说明:
图1是本发明方法的流程图；
图2是Adam算法优化的神经网络的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
以在海洋中行驶的船舶为例，收集由运动传感器获得的船舶的近六个月的历史数据，包括船舶的历史位移，加速度与速度等相关参数。
本发明的一种基于随机森林算法和Adam神经网络波浪补偿预测方法，参见图1所示，包括以下过程:
步骤1：收集船舶历史数据，进行数据归一化处理，得到原始数据集；
所述步骤1还包括以下步骤：
步骤1.1：收集船舶的升沉位移，加速度与速度等历史样本数据；
步骤1.2：用min-max标准化实现对历史样本数据的归一化,得到原始数据集样本，即
其中:X为未归一化的一个样本数据,X*为归一化后的一个样本数据,Xmin为样本数据的最小值,Xmax为样本数据的最大值。
步骤2：利用Bootstrap重采样方法抽取样本，构成若干训练集样本；
所述步骤2还包括以下步骤：利用Bootstrap重采样(有放回的随机抽样)方法从原始数据集S中随机抽样生成n个训练集S1，S2，S3，…，Sn构成若干训练集样本，原始样本集中约三分之一的样本不会出现在训练集中，该部分数据被称为袋外数据，可用来评估模型的泛化误差。
步骤3：根据随机森林计算特征重要性，进行属性筛选；
所述步骤3还包括以下步骤：
步骤3.1：利用每个随机生成的训练集，组成其对应的决策树C1，C2，C3，…，Cn；在决策树每个节点处的M个特征值中随机选取m(m≤M)个特征作为当前节点的分裂属性集，在每个节点上依据Gini系数选取最优的分裂方式对该节点分裂。若样本空间S包含j个属性，则Gini系数可定义为：
式中:pj表示样本集S包含属性j的概率；
步骤3.2：选择基尼系数最小的属性作为划分属性；
步骤3.3：对划分的每个样本集构建回归树,并将多棵回归树构件成回归森林；
步骤3.4：构成的随机森林使用训练集进行训练；随机森林通过计算袋外样本的袋外误差来计算特征重要性；
对于随机森林中的每一颗回归树(回归问题)，使用相应的袋外样本来计算它的袋外样本误差，记为err1；随机地对袋外样本的特征加入噪声干扰，再次计算它的袋外误差，记为err2；其中，袋外样本指的是没有作为训练样本的样本数据。
对于某一个特征的重要性计算公式为：
其中，u是袋外样本的样本个数，f是袋外样本误差与加入噪声干扰的袋外误差的和，根据f 作为某一特征的重要性的值；
步骤3.5：依据特征重要性对特征进行排序，筛选出重要的特征。
步骤4：构建神经网络模型，根据筛选后的属性样本作为输入量，船舶预测值作为输出量，利用Adam算法训练神经网络模型；
所述步骤4还包括以下步骤：
步骤4.1：预先建立一个三层的神经网络模型，参见图2所示神经网络的结构，分别为输入层，隐藏层，输出层；
步骤4.2：利用Xavier初始化方法初始化神经网络的权值和偏置；
步骤4.3：选取与筛选后的属性形成的样本作为神经网络模型的输入量，船舶预测值作为神经网络模型的输出量，基于筛选后的样本利用Adam算法训练神经网络模型。
神经网络训练方法采用Adam算法，Adam算法更新参数方法如下:
While θt not converge do
t＝t+1
mt＝β1mt-1+(1-β1)gt
vt＝β2vt-1+(1-β2)gt 2
End while
其中θt-1为待更新参数；α为学习率；gt为随机目标函数的梯度；mt为偏一阶矩估计，m0＝0；vt为偏二阶矩估计，v0＝0；β1和β2为矩估计的指数衰减率；ε为小正数。在机器学习问题中这些参数的默认值为α＝0.01，β1＝0.9，β2＝0.999，ε＝10-8。
步骤5：根据船舶在海洋中行驶的实时监测数据输入Adam神经网络模型，得出预测值。
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 (5)
1.基于随机森林算法和Adam神经网络波浪补偿预测方法，其特征在于，包括以下步骤：
步骤1：收集船舶历史数据，进行数据归一化处理，得到原始数据集；
步骤2：利用Bootstrap重采样方法抽取样本，构成若干训练集样本；
步骤3：根据随机森林计算特征重要性，进行属性筛选；
步骤4：构建神经网络模型，根据筛选后的属性样本作为输入量，船舶预测值作为输出量，利用Adam算法训练神经网络模型；
步骤5：根据实时监测数据输入Adam神经网络模型，得出预测值。
2.根据权利要求1所述的基于随机森林算法和Adam神经网络波浪补偿预测方法，其特征在于，所述步骤1还包括以下步骤：
步骤1.1：收集船舶的升沉位移，加速度与速度等历史样本数据；
步骤1.2：用min-max标准化实现对历史样本数据的归一化,得到原始数据集样本，即
其中:X为未归一化的一个样本数据,X*为归一化后的一个样本数据,Xmin为样本数据的最小值,Xmax为样本数据的最大值。
3.根据权利要求1所述的基于随机森林算法和Adam神经网络波浪补偿预测方法，其特征在于，所述步骤2包括以下步骤：利用Bootstrap重采样(有放回的随机抽样)方法从原始数据集S中随机抽样生成n个训练集S1，S2，S3，…，Sn构成若干训练集样本，原始样本集中约三分之一的样本不会出现在训练集中，该部分数据被称为袋外数据，可用来评估模型的泛化误差。
4.根据权利要求1所述的基于随机森林算法和Adam神经网络波浪补偿预测方法，其特征在于，所述步骤3包括以下步骤：
步骤3.1：利用每个随机生成的训练集，组成其对应的决策树C1，C2，C3，…，Cn；在决策树每个节点处的M个特征值中随机选取m(m≤M)个特征作为当前节点的分裂属性集，在每个节点上依据Gini系数选取最优的分裂方式对该节点分裂；若样本空间S包含j个属性，则Gini系数可定义为：
式中:pj表示样本集S包含属性j的概率；
步骤3.2：选择基尼系数最小的属性作为划分属性；
步骤3.3：对划分的每个样本集构建回归树,并将多棵回归树构件成回归森林；
步骤3.4：构成的随机森林使用训练集进行训练；随机森林通过计算袋外样本的袋外误差来计算特征重要性；
步骤3.5：依据特征重要性对特征进行排序，筛选出重要的特征。
5.根据权利要求1所述的基于随机森林算法和Adam神经网络波浪补偿预测方法，其特征在于，所述步骤4包括以下步骤：
步骤4.1：预先建立一个三层的神经网络模型，分别为输入层，隐藏层，输出层；
步骤4.2：利用Xavier初始化方法初始化神经网络的权值和偏置；
步骤4.3：选取与筛选后的属性形成的样本作为神经网络模型的输入量，船舶预测值作为神经网络模型的输出量，利用Adam算法训练神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343467.5A CN111738478A (zh) | 2019-12-24 | 2019-12-24 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343467.5A CN111738478A (zh) | 2019-12-24 | 2019-12-24 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111738478A true CN111738478A (zh) | 2020-10-02 |
Family
ID=72645960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911343467.5A Pending CN111738478A (zh) | 2019-12-24 | 2019-12-24 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738478A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
| CN112734274A (zh) * | 2021-01-20 | 2021-04-30 | 国家电网公司华中分部 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
| CN112836893A (zh) * | 2021-02-26 | 2021-05-25 | 上海海事大学 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
| CN113467230A (zh) * | 2021-07-21 | 2021-10-01 | 珠海格力电器股份有限公司 | 一种磁轴承系统及其控制方法、装置、存储介质及处理器 |
| CN113706116A (zh) * | 2021-09-01 | 2021-11-26 | 上海外高桥造船有限公司 | 船舶焊接工时确定方法、装置、计算机设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537683A (zh) * | 2018-04-13 | 2018-09-14 | 贵州电网有限责任公司 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
| CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
| CN109543203A (zh) * | 2017-09-22 | 2019-03-29 | 山东建筑大学 | 一种基于随机森林的建筑冷热负荷预测方法 |
| CN110516840A (zh) * | 2019-07-15 | 2019-11-29 | 国网甘肃省电力公司电力科学研究院 | 基于改进随机森林方法的风光发电出力的短期预测方法 |
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
-
2019
- 2019-12-24 CN CN201911343467.5A patent/CN111738478A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543203A (zh) * | 2017-09-22 | 2019-03-29 | 山东建筑大学 | 一种基于随机森林的建筑冷热负荷预测方法 |
| CN108537683A (zh) * | 2018-04-13 | 2018-09-14 | 贵州电网有限责任公司 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
| CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
| CN110516840A (zh) * | 2019-07-15 | 2019-11-29 | 国网甘肃省电力公司电力科学研究院 | 基于改进随机森林方法的风光发电出力的短期预测方法 |
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 林开春等: "基于随机森林和神经网络的空气质量预测研究", 青岛大学学报(工程技术版), vol. 33, no. 2, pages 32 * |
| 王会娜;黄伟;刘毅慧;: "基于连续小波和随机森林的原发性肝癌放疗后乙肝病毒再激活的分类预测", 智能计算机与应用, no. 03 * |
| 王冬海;卢峰;方晓蓉;郭刚;: "海洋大数据关键技术及在灾害天气下船舶行为预测上的应用", 大数据, no. 04 * |
| 王锐光等: "基于维修日志的飞机设备故障原因判别方法", 软件学报, vol. 30, no. 5, pages 1377 * |
| 蒋洪迅;田嘉;孙彩虹;: "面向PM_(2.5)预测的递归随机森林与多层神经网络集成模型", 系统工程, no. 05 * |
| 陶晔等: "基于随机森林的长短期记忆网络气温预测", 计算机工程与设计, vol. 40, no. 3, pages 738 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
| CN112734274A (zh) * | 2021-01-20 | 2021-04-30 | 国家电网公司华中分部 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
| CN112734274B (zh) * | 2021-01-20 | 2023-11-03 | 国家电网公司华中分部 | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
| CN112836893A (zh) * | 2021-02-26 | 2021-05-25 | 上海海事大学 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
| CN112836893B (zh) * | 2021-02-26 | 2024-05-14 | 上海海事大学 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
| CN113467230A (zh) * | 2021-07-21 | 2021-10-01 | 珠海格力电器股份有限公司 | 一种磁轴承系统及其控制方法、装置、存储介质及处理器 |
| CN113706116A (zh) * | 2021-09-01 | 2021-11-26 | 上海外高桥造船有限公司 | 船舶焊接工时确定方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738478A (zh) | 基于随机森林算法和Adam神经网络波浪补偿预测方法 | |
| CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
| CN109507885B (zh) | 基于自抗扰的无模型自适应auv控制方法 | |
| CN110806692A (zh) | 一种基于cnn-latm组合模型的波浪补偿预测方法 | |
| CN112836893B (zh) | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 | |
| CN111136509A (zh) | 一种基于elm-sdae算法的刀具状态监测方法 | |
| Bai et al. | Multi-innovation gradient iterative locally weighted learning identification for a nonlinear ship maneuvering system | |
| CN111783531A (zh) | 一种基于sdae-ielm的水轮机组故障诊断方法 | |
| CN114298382A (zh) | 船体运动位姿极短期实时预报方法 | |
| CN111723949A (zh) | 基于选择性集成学习的孔隙度预测方法 | |
| Cheng et al. | Spectralseanet: Spectrogram and convolutional network-based sea state estimation | |
| KR102116917B1 (ko) | 빅데이터와 딥 러닝을 이용한 해기상 및 소요 마력 예측 시스템 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN116993821A (zh) | 一种基于Transformer-AdaRNN模型的船舶姿态实时预测方法 | |
| CN112163284B (zh) | 一种水下航行器操稳性因果分析方法 | |
| Huixuan et al. | Ship rolling motion prediction based on extreme learning machine | |
| Sun et al. | Fault diagnosis method of autonomous underwater vehicle based on deep learning | |
| Domala et al. | A Univariate and multivariate machine learning approach for prediction of significant wave height | |
| Zhou et al. | An ocean current prediction method for profiling float based on RBFNN | |
| Tang et al. | Autonomous recognition of a ship structure characteristic signal based on machine learning | |
| CN111443611B (zh) | 基于多模型切换的高速无人艇航速控制器确定方法及系统 | |
| Wang et al. | Intelligent Diagnosis of Gearbox Based on Spatial Attention Convolutional Neural Network | |
| Zhao et al. | Influence of different Machine learning algorithms on Prediction Model of Fuel Consumption of Inland Ships | |
| CN114580305B (zh) | 一种海洋浮标运动特性的域适应迁移建模与预测方法 |
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 |