当前位置:首页 > 交通运输
智能预报技术及其在船舶工程中应用
智能预报技术及其在船舶工程中应用

智能预报技术及其在船舶工程中应用PDF电子书下载

交通运输

  • 电子书积分:9 积分如何计算积分?
  • 作 者:刘胜,傅荟璇,杨震著;赵琳主编
  • 出 版 社:北京:国防工业出版社
  • 出版年份:2015
  • ISBN:9787118106060
  • 页数:170 页
图书介绍:本书以智能预报技术为主线,系统地介绍了人工神经网络、灰色理论、混沌理论、支持向量机等智能预报理论,详细阐述了EMD分解域、支持向量机及其在线学习算法、粒子群、免疫鱼群等智能预报理论和并行智能优化技术在船舶运动姿态预报和船舶航向控制系统故障中的应用。本书可作为从事船舶制工程、控制理论与控制工程相关专业教师、研究生、高年级本科生的教学用书,也可供有关工程技术人员参考。
《智能预报技术及其在船舶工程中应用》目录

第1章 绪论 1

1.1 时间序列分析预报技术 1

1.2 时间序列灰色预报技术 2

1.3 混沌序列预报技术 2

1.4 分解组合预报技术 3

1.5 人工神经网络预报技术 4

1.6 支持向量机预报技术 5

1.7 在线实时预报技术 6

1.8 船舶运动姿态预报技术 8

1.9 船舶控制系统故障预报技术 12

第2章 智能预报技术理论基础 15

2.1 信息熵加权Elman神经网络原理 15

2.1.1 Elman神经网络概述 15

2.1.2 Elman神经网络结构 15

2.1.3 Elman神经网络动态学习过程 16

2.1.4 信息熵加权Elman神经网络算法 17

2.2 统计学习理论与支持向量机 18

2.2.1 机器学习 18

2.2.2 统计学习理论 19

2.2.3 支持向量机回归原理 22

2.2.4 小波v-支持向量机 24

2.3 群体智能优化算法 26

2.3.1 群体智能优化算法的基本框架 27

2.3.2 多种群协调混沌粒子群算法 27

2.3.3 遗传算法 35

2.3.4 人工鱼群算法 41

2.3.5 免疫鱼群算法 44

第3章 船舶横摇运动姿态神经网络智能预报技术 48

3.1 经验模式分解理论 48

3.1.1 经验模式分解算法 48

3.1.2 经验模式分解的相关特性 50

3.2 预报能力评价准则 51

3.3 船舶横摇运动姿态神经网络预报技术 52

3.3.1 信息熵加权的Elman神经网络预报技术 52

3.3.2 船舶横摇运动姿态神经网络预报 53

3.4 船舶横摇运动姿态经验模式分解域神经网络预报技术 56

3.4.1 分解域神经网络预报结构 57

3.4.2 分解域神经网络预报技术 57

3.4.3 船舶横摇运动姿态经验模式分解域神经网络预报 59

第4章 船舶横摇运动姿态支持向量机混沌智能预报技术 67

4.1 船舶横摇运动姿态混沌动力学特征研究 67

4.1.1 船舶横摇运动相空间重构参数选择 68

4.1.2 船舶横摇运动混沌特性定性分析 69

4.1.3 船舶横摇运动混沌特征指数分析 71

4.2 变异小波v-支持向量机 73

4.3 单变量鲁棒小波v-支持向量机 75

4.3.1 基于间隔的结构风险最小化原则 76

4.3.2 鲁棒损失函数 77

4.3.3 鲁棒小波v-支持向量机 78

4.3.4 单松弛变量鲁棒小波v-支持向量回归模型 78

4.3.5 单松弛变量ξ和双松弛变量(ξ,ξ*)的比较 81

4.3.6 改进支持向量机解集的讨论 83

4.4 基于改进支持向量机的混沌智能预报方法 84

4.5 船舶横摇运动改进支持向量机混沌智能预报技术 85

4.5.1 船舶横摇运动姿态混沌智能预报算法 85

4.5.2 船舶横摇运动姿态混沌智能预报 86

第5章 船舶航向支持向量机智能预报技术 91

5.1 并行优化支持向量机 91

5.1.1 特征选择优化模型 92

5.1.2 支持向量机参数优化模型 92

5.1.3 加权系数优化模型 94

5.1.4 并行优化模型 95

5.2 船舶航向改进鱼群算法支持向量机并行优化预报技术 96

5.2.1 基于动物捕食搜索策略的改进人工鱼群算法 96

5.2.2 船舶航向改进人工鱼群算法支持向量机并行优化预报 98

5.3 支持向量机性能多目标优化技术 100

5.3.1 多目标优化问题的数学描述 100

5.3.2 支持向量机性能Pareto最优解集 102

5.3.3 Pareto近似解集求解方法 103

5.4 船舶航向改进免疫鱼群算法支持向量机多目标优化预报 104

第6章 船舶横摇运动姿态最小二乘支持向量机智能预报技术 111

6.1 最小二乘支持向量机(LSSVM) 111

6.1.1 最小二乘支持向量机回归模型 112

6.1.2 LSSVM增量式学习算法 112

6.1.3 LSSVM在线式学习算法 114

6.2 混沌最小二乘支持向量机预报技术 116

6.2.1 固定参数预报模型 117

6.2.2 固定参数在线预报步骤 118

6.2.3 船舶横摇运动姿态固定参数混沌LSSVM预报 118

6.3 时间序列变参数混沌LSSVM预报技术 120

6.3.1 最小二乘支持向量机变参数在线建模方法 120

6.3.2 变参数混沌LSSVM在线建模预报步骤 121

6.3.3 船舶横摇运动姿态变参数混沌LSSVM预报 122

第7章 船舶航向控制系统故障智能预报技术 127

7.1 船舶航向控制系统故障模式及原因分析 127

7.1.1 舵控制系统故障分析 127

7.1.2 船舶动力装置故障分析 129

7.2 船舶航向控制系统故障树构建 129

7.2.1 故障树的基本概念 129

7.2.2 故障树构建 130

7.2.3 故障树定性分析 136

7.3 船舶航向控制系统故障工况下建模 137

7.3.1 船舶运动建模 137

7.3.2 舵控制系统建模 138

7.3.3 船舶动力装置建模 141

7.3.4 故障模型下船舶航向态势仿真 141

7.4 船舶航向控制系统故障小波网络/支持向量机组合预报技术 144

7.4.1 组合预报的基本原理及方法 144

7.4.2 船舶航向控制系统故障组合预报模型 146

7.4.3 船舶航向控制系统小波支持向量机故障组合预报 151

参考文献 162

返回顶部