基于广义回归神经网络的船舶交通量预测模型

船舶交通量受多种环境与社会因素的影响,使得船舶交通量预测存在复杂性与非线性的特点。在分析现有预测模型和方法不足的基础上,介绍了广义回归神经网络GRNN的基本原理与拓扑结构。不同类型船舶受各类因素影响的程度不同,根据天津港VTS(Vessel Traffic Services)中心提供的船舶交通量数据,按船舶种类将船舶交通量分为六类,利用GRNN神经网络分别进行预测。预测结果表明GRNN神经网络具有很强的非线性拟合能力,有效解决了天津港船舶交通量预测中的小样本问题,提高了整个预测系统的精度与稳定性。

中国海洋经济预测研究

海洋经济发展目标的确定是制定国家海洋发展战略、国家级海洋经济发展规划和沿海地方海洋经济发展规划中必须解决的问题之一。因此,海洋经济预测是海洋经济研究领域不可回避的问题之一。对适于进行海洋经济预测的灰色系统模型、趋势外推法、成长曲线法、组合预测法等进行深入探讨,对组合预测结果的最有效性给出可靠的数学证明,并运用所建立的模型对2015年和2020年我国海洋经济和主要海洋产业发展水平进行预测。

BP神经网络非线性组合预测模型在海洋冰情预测中的应用

针对海洋冰情灾害的非线性复杂问题,目前已提出了多种模型对其进行预测。在此基础上,根据神经网络的非线性和良好的函数逼近特性,提出用基于BP神经网络的非线性组合预测(NN-NLCF)模型来预测海洋冰情灾害。结果表明,NN-NLCF模型与海洋冰情的非线性特性相契合,它综合利用了参与组合的多种预测模型的有效信息,因而能更客观地反映海洋冰情的发展趋势,预测结果更为稳健、精度更高,在其它自然灾害时序预测中具有一定的推广应用价值。

最优组合预测方法在船舶电推系统中的应用

为了进行船舶电力推进系统的运行状态预测,采用了最优组合预测方法。该方法是在分析单项预测方法的基础上,以预测误差平方和最小为目标进行优化,形成最优组合预测模型。应用最优组合预测方法建立了船舶电力推进系统的预测模型,结合主要运行参数的实测数据进行了预测模型仿真。通过对比实船数据和仿真结果,表明采用最优组合预测方法可有效减小预测误差,具有一定的优越性。