基于PCA和SAPSO的船舶风压差神经网络预测模型

发布时间：2024-06-15 02:25

　　为提高船舶风压差的预测精度,使船舶能够更快稳定在计划航线上以保障航行安全,提出一种基于主成分分析(principal component analysis, PCA)法和自适应粒子群优化(self-adaptive particle swarm optimization, SAPSO)算法的船舶风压差神经网络预测模型。该方法采用PCA法对航行数据进行预处理,然后将数据输入由SAPSO算法优化的BP神经网络中,改变以往通过复杂的数学建模计算风压差的方法,提高预测的时效性和准确性。利用实船数据对模型进行船舶风压差的实时预测仿真,结果验证了该预测模型具有较高的可靠性。

【文章页数】：5 页

【部分图文】：

图1SAPSO-BP模型与PSO-BP模型适应度函数曲线比较

其中:j为微粒子群规模数量;λ为微粒子群位置最大值;pos为离散的均匀随机正整数;c为正的常数,通常小于1。图1为SAPSO-BP模型和PSO-BP模型适应度函数曲线比较。基于MATLAB仿真环境,选取120组数据对传统PSO-BP和SAPSO-BP模型进行训练。模型初始参数设置....

图2PCA-SAPSO-BP模型算法流程

PCA-SAPSO-BP模型算法流程见图2。3仿真结果与讨论

图3PCA-BP模型船舶风压差预测结果

3.1PCA-BP模型的船舶风压差预测如图3所示(横坐标预测点数表示船舶风压差的预测样本点数量),PCA-BP船舶风压差预测模型虽然在一些预测点上的预测值与实测值之间的差值(预测误差)较大,但预测值与实测值变化曲线基本吻合。网络模型通过连续的数据学习,能够学习到船舶风压差的变化....

图4PCA-BP模型船舶风压差预测误差曲线

如图3所示(横坐标预测点数表示船舶风压差的预测样本点数量),PCA-BP船舶风压差预测模型虽然在一些预测点上的预测值与实测值之间的差值(预测误差)较大,但预测值与实测值变化曲线基本吻合。网络模型通过连续的数据学习,能够学习到船舶风压差的变化规律(说明PCA-BP神经网络对非线性拟....

本文编号：3994784