CN114475953B - 船舶调载系统、方法及存储介质 - Google Patents
船舶调载系统、方法及存储介质 Download PDFInfo
- Publication number
- CN114475953B CN114475953B CN202210004707.4A CN202210004707A CN114475953B CN 114475953 B CN114475953 B CN 114475953B CN 202210004707 A CN202210004707 A CN 202210004707A CN 114475953 B CN114475953 B CN 114475953B
- Authority
- CN
- China
- Prior art keywords
- ship
- neural network
- cargo loading
- state
- lstm neural
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B43/00—Improving safety of vessels, e.g. damage control, not otherwise provided for
- B63B43/02—Improving safety of vessels, e.g. damage control, not otherwise provided for reducing risk of capsizing or sinking
- B63B43/04—Improving safety of vessels, e.g. damage control, not otherwise provided for reducing risk of capsizing or sinking by improving stability
- B63B43/06—Improving safety of vessels, e.g. damage control, not otherwise provided for reducing risk of capsizing or sinking by improving stability using ballast tanks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种船舶调载系统、方法及存储介质,其中系统包括监测单元、神经网络调载单元和执行单元。其中监测单元用于监测船舶的实时状态信息及货物装载进度。神经网络调载单元用于采用神经网络,根据货物装载进度信息及船舶的实时状态信息预测设定时延后的船舶状态,根据设定时延后的船舶状态计算调载方案。执行单元用于根据调载方案调节船舶的压载水分布和压载水总量。根据上述技术方案的船舶调载系统,通过对装载货物后的船舶状态进行预测,并根据船舶状态预测结果和船舶实时状态对船舶压载水进行调节,实现时延较长的货物装载过程中的船舶状态调节,保持货物装载过程中船舶与码头轨道齐平,提高货物装载效率和安全性。
Description
技术领域
本发明属于自动化控制技术领域,特别涉及一种船舶调载系统、方法及存储介质。
背景技术
船舶货物装载是一个较为漫长的过程,装载过程中船体重心也在不停发生偏移,同时重心偏移导致船体倾斜过程也有着较大的延时。而在船舶装载货物过程中,装船过程需要运输船舶保持和码头轨道齐平,需要在装载货物过程中动态调整船舶各压载水舱的需水量,保证船舶能够保持浮态的稳定,以及吃水的稳定,目前尚缺一种自动化、智能化和精细化程度高的船舶调载方案。
发明内容
发明目的:本发明的目的是提出一种船舶调载系统,通过监测货物装载过程及船舶实时状态,并通过神经网络预测一段时间后的船舶状态,根据预测结果对船舶的各压载水舱进行调节,保证货物装载过程中的安全和高效。
本发明的另一目的是提出一种可由上述船舶调载系统实施的船舶调载方法,及存储有上述船舶调载方法实例化的计算机程序的存储介质。
技术方案:本发明所述的船舶调载系统,包括:监测单元,用于监测船舶的实时状态信息及货物装载进度;神经网络调载单元,用于采用神经网络,根据货物装载进度信息及船舶的实时状态信息预测设定时延后的船舶状态,根据设定时延后的船舶状态计算调载方案;执行单元,用于根据调载方案调节船舶的压载水分布和压载水总量。
进一步的,所述监测单元包括多个船舶状态传感器和至少一个货物装载进度观测器,所述船舶状态传感器用于感智船舶的浮态和吃水,提供实时的船舶状态信息,所述货物装载进度观测器用于观测待装船货物的运输进度,并实时计算待装船货物将作用于船舶上的压力和力矩,以及压力和力矩的增加趋势。
进一步的,所述神经网络调载单元包括:压载水舱预配置计算模块,用于计算待装船货物装船前的压载水预配置;LSTM神经网络模块,用于建立双层LSTM神经网络的船舶状态预测模型,并根据货物装载进度信息及船舶的实时状态信息计算船舶状态预测中间值;BP神经网络模块,用于建立三层逐渐收敛的BP神经网络,根据船舶状态预测中间值计算获得船舶状态预测最终值;PID控制模块,根据船舶的实时状态及船舶状态预测最终值之间的差值输出调节方案。
进一步的,所述PID控制模块采用串级PID控制,包括主PID控制器及副PID控制器,所述主PID控制器用于粗调修正,所述副PID控制器用于细调修正。
进一步的,所述执行单元包括压载水舱互补装置和压载水抽排装置,所述压载水舱互补装置用于动态分配船舶各个舱室之间的压载水,所述压载水抽排系统用于调整船舶的总压载水量。
本发明所述的船舶调载方法,包括如下步骤:
S1:建立并训练包括LSTM神经网络和BP神经网络的船舶状态预测模型;
S2:采集货物装载进度信息及船舶的实时状态信息,并输入船舶状态预测模型,计算设定时延后的船舶状态预测值;
S3:利用PID控制方法,根据船舶状态预测值和船舶的实时状态信息的误差计算调节量;
S4:根据调节量调节船舶的压载水总量和舱室之间的压载水分布,使船舶维持正浮状态。
进一步的,所述步骤S1中,LSTM神经网络为双层LSTM神经网络,BP神经网络为三层逐渐收敛的BP神经网络。
进一步的,所述步骤S1包括:
S1.1:收集船舶纵横型宽、装载货物重量、货物装载位置、货物装载前船体重心位置,货物装载后船体重心位置及船舶纵横倾角数据作为训练样本集和验证集;
S1.2:对训练样本集和验证集数据进行数据清洗,并将清洗后的数据按照时间顺序排序;
S1.3:以船舶纵横型宽、装载货物重量、货物装载位置、货物装载前船体重心位置作为LSTM神经网络第一层的输入,以货物装载后船体重心位置作为LSTM神经网络第一层的输出,以货物装载后船体重心位置作为LSTM神经网络第二层的输入,以船舶纵横倾角为LSTM神经网络第二层的输出,对LSTM神经网络进行训练;
S1.4:以训练完毕的LSTM神经网络的输出作为BP神经网络的输入,以船舶纵横倾角数据作为BP神经网络的输出对BP神经网络进行训练;
S1.5:以Nadam方法对LSTM神经网络和BP神经网络的参数进行优化,直到船舶纵横倾角的预测精度达到设定值。
进一步的,所述步骤S2中,货物装载进度信息及船舶的实时状态信息在输入船舶状态预测模型前经过数据清洗。
本发明所述的存储介质,存储有计算机程序,所述计算机程序被设置为运行时实现上述船舶调载方法。
有益效果:与现有技术相比,本发明具有如下优点:1、可以在船舶装载货物时实现对船舶的自动调载,保证船舶在货物装载过程中保持船舶与码头轨道齐平,提高货物装载过程安全高效。2、采用LSTM神经网络,适用于处理和预测时间序列中间隔和延迟较长的事件,适用于装载时间长、影响有较大延时的船舶货物装载过程,可以提高对货物装载后一定时延后的船舶状态预测的精确度。
附图说明
图1为本发明实施例的船舶调载系统的系统框图;
图2为LSTM神经网络的原理图;
图3为本发明实施例的LSTM神经网络和BP神经网络的训练流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1,根据本发明实施例的船舶调载系统,包括监测单元、神经网络调载单元及执行单元。其中监测单元主要由多种传感器构成,用于监测船舶的实时状态信息及货物装载进度。神经网络调载单元用于根据监测单元监测到的货物装载进度信息及船舶的实时状态信息预测设定时间后的船舶状态,主要预测船舶的纵横倾角,并根据预测的船舶纵横倾角计算调节船舱压载水的分布及总量,将调载方案传递给执行单元执行。执行单元用于根据神经网络调载单元计算的调载方案调节船舶的压载水分布和压载水总量。
上述船舶调载系统,采用神经网络预测货物装载后一定时间后的船舶的状态,通过计算预测值和船舶实时值的差值对船舶的压载水分布和总量进行调节,保证在货物装载过程中船舶与码头轨道齐平,提高码头的货物装载效率。并且由于货物装载对船舶状态的影响,以及船舶压载水的调节均有较长的时滞,以神经网络预测的货物装载后一定时间后的船舶状态作为调节的依据可以显著提高船舶调载系统的稳定性。
实际中,为了便于货物装载,货物装载过程中船舶要保持码头轨道齐平,所以需要控制船舶的吃水深度和浮态稳定,监测单元需要包括多个用于检测船舶的浮态和吃水深度的船舶状态传感器。在本实施例中,船舶状态传感器包括SANG1000倾角传感器,内部采用高速数字处理器,对多维重力加速度信息进行处理与姿态角解算,输出角度数字量。并利用光刻电阻技术补偿非线性误差,使得在全测量范围内均能保持统一的精度指标。同时为了预测一定时间后的船舶状态,还需要知晓货物的装载进度,主要需要知道待装载货物的重量及装载位置,装载时间,货物装载进度观测器可以包括多组设置在船舶各货仓内及码头的重量传感器,检测货物的位置和重量。实际中货物的装载位置及装载时间也可以人为输入到系统内,仅在装载前对货物进行称重即可。
为了进一步提高对船舶状态的预测精度,神经网络调载单元采用LSTM(长短期记忆)神经网络结合BP神经网络对船舶状态进行预测,并采用PID控制方法根据船舶状态预测值和实时的船舶状态计算调节方案。神经网络调载单元包括压在水舱预配置计算模块、LSTM神经网络模块,BP神经网络模块及PID控制模块,其中压载水舱预配置计算模块用于根据船舶在装载前的船舶状态,计算使船舶达到水平的压载水预配置,为货物装载做准备。
LSTM神经网络是一种时间循环神经网络,适用于处理和预测时间序列中间隔和延迟较长的事件,符合船舶的货物装载对船舶状态的影响这一应用场景。如图2所示,LSTM神经网络设有遗忘门、输入门和输出门,通过门控单元可以对cell添加和删除信息,有选择地决定信息是否通过,将上一时刻输出传递的同时将之前所有时刻的全部信息经过滤后进行传递,使下一时刻的输出能够兼顾之前的信息,它由一个sigmoid神经网络层和一个成对乘法操作组成,该层的输出是一个介于0到1的数,表示允许信息通过的多少,0表示完全不允许通过,1表示允许完全通过。LSTM神经网络的相关方程如下所示:
ft=σ(Wf·[ht-1,xt]+bf) (1)
it=σ(Wi·[ht-1,xt]+bi) (2)
ot=σ(Wo·[ht-1,xt]+bo) (5)
ht=ot*tanh(Ct) (6)
上式中,xt为t时刻LSTM单元的输入;ht-1为t-1时刻LSTM单元的输入;Wf为遗忘门gf的权重矩阵;Wi为输入门gi的权重矩阵;Wo为输出门go的权重矩阵;bf为遗忘门gf的偏置项;bi为输入门gi的偏置项;bo为输出门go的偏置项;ft为遗忘门gf在t时刻的状态,it为输入门gi在t时刻的状态,ot为输出门go在t时刻的状态;σ为sigmoid激活函数,tanh为双曲函数的激活函数,Ct为t时刻的LSTM单元状态,为t时刻输入的临时状态,Wc、bc分别为计算的权重矩阵及偏置项,ht为t时刻LSTM单元的输出。
实际中,LSTM神经网络采用双层的LSTM神经网络,第一层输入为船舶纵横型宽、装载货物重量、货物装载位置及货物装载前船体重心位置,输出货物装载后船体重心位置;第二层输入为货物装载后船体重心位置,输出为船舶纵横倾角。BP神经网络采用三层逐渐收敛的BP神经网络,输入为LSTM神经网络预测的船舶纵横倾角,输出为预测的船舶纵横倾角的最终值。PID控制模块采用串级PID控制,包括主PID控制器及副PID控制器,主PID控制器用于粗调,副PID控制器用于细调,副PID控制以BP神经网络输出的船舶纵横倾角最终的预测结果和实时船舶纵横倾角的差值进行前馈修正,主PID控制器根据实时船舶纵横倾角与码头轨道齐平所需的目标船舶纵横倾角的差值计算船舶压载水的调节方案。采用神经网络预测船舶装载货物一段时间后的纵横倾角,再根据预测结果和船舶实时状态,采用串级PID方法控制压载水的调节,提高调载准确性,同时对于剧烈变动工况也有较好的承受能力。
执行单元包括压载水舱互补装置和压载水抽排装置,其中压载水舱互补装置用于动态分配船舶各个舱室之间的压载水,压载水抽排系统用于调整船舶的总压载水量,压载水舱互补装置和压载水抽排系统的具体结构为本领域的公知常识,在此不对其进行详细论述。
本发明实施例的船舶调载系统,可以将装货过程中系统的输入与对应的调载方案存储,形成调节经验库,后续可以优先查阅调节经验库中是否有与当前船舶状态相匹配的记录,若有相应记录可以直接调取对应的调载方案对船舶的压载水进行智能化调控。
根据本发明实施例的船舶调载系统,可以通过如下步骤实现对船舶装载货物过程中的智能调载:
S1:建立并训练包括LSTM神经网络和BP神经网络的船舶状态预测模型;
S2:采集货物装载进度信息及船舶的实时状态信息,并输入船舶状态预测模型,计算设定时延后的船舶状态预测值;
S3:利用PID控制方法,根据船舶状态预测值和船舶的实时状态信息的误差计算调节量;
S4:根据调节量调节船舶的压载水总量和舱室之间的压载水分布,使船舶维持正浮状态。
参照图3,步骤S1中的LSTM神经网络和BP神经网络由如下方法获得:
S1.1:收集船舶纵横型宽、装载货物重量、货物装载位置、货物装载前船体重心位置,货物装载后船体重心位置及船舶纵横倾角数据作为训练样本集和验证集;
S1.2:对训练样本集和验证集数据进行数据清洗,并将清洗后的数据按照时间顺序排序;
S1.3:以船舶纵横型宽、装载货物重量、货物装载位置、货物装载前船体重心位置作为LSTM神经网络第一层的输入,以货物装载后船体重心位置作为LSTM神经网络第一层的输出,以货物装载后船体重心位置作为LSTM神经网络第二层的输入,以船舶纵横倾角为LSTM神经网络第二层的输出,对LSTM神经网络进行训练;
S1.4:以训练完毕的LSTM神经网络的输出作为BP神经网络的输入,以船舶纵横倾角数据作为BP神经网络的输出对BP神经网络进行训练;
S1.5:以Nadam方法对LSTM神经网络和BP神经网络的参数进行优化,直到船舶纵横倾角的预测精度达到设定值。
通过Nadam梯度下降法对LSTM神经网络和BP神经网络的各层节点的权重进行优化,进一步提高LSTM神经网络和BP神经网络的收敛速度和预测准确性,在本实施例中,预测精度需要达到99%。
为了保证训练和预测的准确性,在训练样本用的数据和实际预测时传感器采集的数据均需要经过数据清洗,通过根据先验数据设置不同时间段的货物重量的上下限值,剔除差异较大,明显不合常规的数据。
根据本发明实施例的存储介质,存储有上述船舶调载方法实例化的计算机程序。
Claims (4)
1.一种船舶调载方法,其特征在于,包括如下步骤:
S1:建立并训练包括LSTM神经网络和BP神经网络的船舶状态预测模型;
S2:采集货物装载进度信息及船舶的实时状态信息,并输入船舶状态预测模型,计算设定时延后的船舶状态预测值;
S3:利用PID控制方法,根据船舶状态预测值和船舶的实时状态信息的误差计算调节量;
S4:根据调节量调节船舶的压载水总量和舱室之间的压载水分布,使船舶维持正浮状态;
所述步骤S1包括:
S1.1:收集船舶纵横型宽、装载货物重量、货物装载位置、货物装载前船体重心位置,货物装载后船体重心位置及船舶纵横倾角数据作为训练样本集和验证集;
S1.2:对训练样本集和验证集数据进行数据清洗,并将清洗后的数据按照时间顺序排序;
S1.3:以船舶纵横型宽、装载货物重量、货物装载位置、货物装载前船体重心位置作为LSTM神经网络第一层的输入,以货物装载后船体重心位置作为LSTM神经网络第一层的输出,以货物装载后船体重心位置作为LSTM神经网络第二层的输入,以船舶纵横倾角为LSTM神经网络第二层的输出,对LSTM神经网络进行训练;
S1.4:以训练完毕的LSTM神经网络的输出作为BP神经网络的输入,以船舶纵横倾角数据作为BP神经网络的输出对BP神经网络进行训练;
S1.5:以Nadam方法对LSTM神经网络和BP神经网络的参数进行优化,直到船舶纵横倾角的预测精度达到设定值。
2.根据权利要求1所述的船舶调载方法,其特征在于,所述步骤S1中,LSTM神经网络为双层LSTM神经网络,BP神经网络为三层逐渐收敛的BP神经网络。
3.根据权利要求1所述的船舶调载方法,其特征在于,所述步骤S2中,货物装载进度信息及船舶的实时状态信息在输入船舶状态预测模型前经过数据清洗。
4.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被设置为执行时实现根据权利要求1至3任一项所述的船舶调载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210004707.4A CN114475953B (zh) | 2022-01-04 | 2022-01-04 | 船舶调载系统、方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210004707.4A CN114475953B (zh) | 2022-01-04 | 2022-01-04 | 船舶调载系统、方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114475953A CN114475953A (zh) | 2022-05-13 |
CN114475953B true CN114475953B (zh) | 2022-12-06 |
Family
ID=81510017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210004707.4A Active CN114475953B (zh) | 2022-01-04 | 2022-01-04 | 船舶调载系统、方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114475953B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115385126A (zh) * | 2022-08-11 | 2022-11-25 | 上海中船船舶设计技术国家工程研究中心有限公司 | 一种面向化学品船的优化配载及装卸流程的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
CN203269706U (zh) * | 2013-03-22 | 2013-11-06 | 江苏科技大学 | 一种基于过滤和紫外线杀菌的船舶压载水处理装置 |
CN107215437A (zh) * | 2017-06-05 | 2017-09-29 | 大连海事大学 | 一种全回转起重船压载水高效调配系统及其工作方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1877589A (zh) * | 2006-07-06 | 2006-12-13 | 上海交通大学 | 集装箱船舶在线实时配载方法 |
JP2010023691A (ja) * | 2008-07-18 | 2010-02-04 | National Maritime Research Institute | バラスト水処理方法及びバラスト水処理装置 |
CN101995830B (zh) * | 2009-08-14 | 2012-08-15 | 中国舰船研究设计中心 | 一种船舶高精度控制方法 |
CN108650760B (zh) * | 2011-12-28 | 2020-06-23 | 路创技术有限责任公司 | 具有对广播控制器响应的独立受控单元的负载控制系统 |
US10969775B2 (en) * | 2017-06-23 | 2021-04-06 | Johnson Controls Technology Company | Predictive diagnostics system with fault detector for preventative maintenance of connected equipment |
US20210241221A1 (en) * | 2020-02-05 | 2021-08-05 | Da-Desk Fz-Llc | Predicting grain products loaded on-board vessels |
CN111409808B (zh) * | 2020-04-03 | 2021-07-06 | 武汉理工大学 | 基于神经网络算法的电推平底货船减阻节能控制系统 |
CN111409781A (zh) * | 2020-04-29 | 2020-07-14 | 上海交通大学 | 基于pid控制器的船舶调载系统 |
CN111809590A (zh) * | 2020-06-19 | 2020-10-23 | 上海交通大学 | 一种钻井平台的自升式浮托安装方法 |
CN113238558A (zh) * | 2021-05-19 | 2021-08-10 | 江苏科技大学 | 实验室用船舶智能能效管理系统 |
CN113359425A (zh) * | 2021-07-06 | 2021-09-07 | 浙江浙能技术研究院有限公司 | 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制系统 |
-
2022
- 2022-01-04 CN CN202210004707.4A patent/CN114475953B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
CN203269706U (zh) * | 2013-03-22 | 2013-11-06 | 江苏科技大学 | 一种基于过滤和紫外线杀菌的船舶压载水处理装置 |
CN107215437A (zh) * | 2017-06-05 | 2017-09-29 | 大连海事大学 | 一种全回转起重船压载水高效调配系统及其工作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114475953A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114475953B (zh) | 船舶调载系统、方法及存储介质 | |
CN111047094A (zh) | 一种基于深度学习算法的抄表数据异常分析方法 | |
CN102411305A (zh) | 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法 | |
CN112114521A (zh) | 航天器智能预测控制进入制导方法 | |
WO2009097728A1 (zh) | 沥青混凝土搅拌设备配料误差的鲁棒控制方法 | |
CN109614580A (zh) | 基于在线Xgboost算法的抗震混合试验模型更新方法 | |
CN111563028A (zh) | 一种基于时序数据分析的数据中心任务规模预测方法 | |
CN116430722A (zh) | 一种供水网络系统及其控制方法、装置及存储介质 | |
CN109062040B (zh) | 基于系统嵌套优化的预测pid方法 | |
JP6764486B2 (ja) | 水処理プラント | |
CN113190055A (zh) | 一种电动汽车速度跟踪控制方法 | |
CN111158386B (zh) | 一种干扰自主免疫的无人机姿态控制系统及实现方法 | |
CN115257695A (zh) | 一种混合动力汽车能量管理控制系统及其方法 | |
CN113978473B (zh) | 一种车辆质量与道路坡度估计方法 | |
CN114115276A (zh) | 一种基于在线分组优化模型预测的船舶动力定位控制方法 | |
CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 | |
CN117252493A (zh) | 一种航班链延误动态预测模型构建方法和预测方法 | |
CN114715331A (zh) | 一种浮式海洋平台动力定位控制方法及系统 | |
CN116047916A (zh) | 高速磁浮列车悬浮系统的神经网络预测控制方法 | |
CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及系统 | |
CN113705865B (zh) | 一种基于深度神经网络的汽车稳定性因数预测方法 | |
CN113076596B (zh) | 融合车辆模型和轮胎力曲线的轨迹跟随并行预测方法 | |
CN114818486A (zh) | 一种基于长短期记忆模型的海底边界层波动预测方法 | |
CN117818641B (zh) | 一种智能汽车轨迹跟踪控制方法及系统 | |
JP3224487B2 (ja) | 交通状態判別装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |