船舶能耗智能預(yù)測(cè)是實(shí)現(xiàn)船舶能效智能評(píng)估與優(yōu)化決策的基礎(chǔ)和前提,大數(shù)據(jù)、人工智能和機(jī)器學(xué)習(xí)等新興技術(shù)促進(jìn)了船舶能耗預(yù)測(cè)方法的不斷發(fā)展。為分析不同基于機(jī)器學(xué)習(xí)的船舶能耗預(yù)測(cè)算法的預(yù)測(cè)精度和效果,對(duì)不同預(yù)測(cè)算法進(jìn)行實(shí)例驗(yàn)證分析。結(jié)合船舶油耗及其影響因素實(shí)船采集數(shù)據(jù),采用不同機(jī)器學(xué)習(xí)算法對(duì)船舶能耗進(jìn)行預(yù)測(cè)分析,驗(yàn)證各算法的特點(diǎn)和優(yōu)勢(shì),為選擇合適的船舶能耗預(yù)測(cè)算法提供參考。 

【文章來源】：船舶工程. 2020,42(11)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

面向船舶能耗預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

深度置信神經(jīng)網(wǎng)絡(luò)（Deep Belief Networks,DBN）是由受限玻爾茲曼機(jī)（Restricted Boltzmann Machines,RBM）單元疊加而成的，一般采用逐層訓(xùn)練的方法學(xué)習(xí)，分為無監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)2個(gè)階段[12-13]。面向船舶能耗預(yù)測(cè)的DBN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖2,v1、v2、…、vi為網(wǎng)絡(luò)的輸入層參數(shù)，分別代表船舶能耗的主要影響因素，包括轉(zhuǎn)速、軸功率、航速、浪高等；h1、h2、…、hi為隱層參數(shù)。該網(wǎng)絡(luò)由k個(gè)RBM單元組成，其中，b和c分別表示顯層和隱層的偏差。Vi與Hj表示第i個(gè)顯層和第j個(gè)隱層單元的狀態(tài)，Wl、Wk為網(wǎng)絡(luò)的權(quán)值。所建立的DBN模型通過若干層RBM訓(xùn)練，最后由BP網(wǎng)絡(luò)接收RBM輸出的特征向量作為其輸入特征向量，計(jì)算得到主機(jī)日油耗量。1.3 基于KNN算法的船舶能耗智能預(yù)測(cè)方法

k-近鄰（k-Nearest Neighbor,KNN）算法是一種監(jiān)督式學(xué)習(xí)算法，其目標(biāo)是將沒有標(biāo)簽的數(shù)據(jù)點(diǎn)或樣本自動(dòng)打上標(biāo)簽或預(yù)測(cè)所屬類別。基于KNN的船舶能耗預(yù)測(cè)模型示意圖見圖3[14]，對(duì)于要預(yù)測(cè)的點(diǎn)的值，通過求與它距離最近的k個(gè)點(diǎn)的值的平均值得到，所采用的距離公式通常為歐式距離，其中，(xi,yi)表示數(shù)據(jù)點(diǎn)在樣本空間中的位置，n為樣本數(shù)據(jù)總量。1.4 基于決策樹的船舶能耗智能預(yù)測(cè)方法

【參考文獻(xiàn)】：
期刊論文
[1]基于SVR的船舶航行安全評(píng)估模型[J]. 常婧,柳曉鳴,李夢(mèng)蕊.  上海海事大學(xué)學(xué)報(bào). 2020(02)
[2]基于深度信念網(wǎng)絡(luò)的船舶柴油機(jī)智能故障診斷[J]. 仲國(guó)強(qiáng),賈寶柱,肖峰,王懷宇.  中國(guó)艦船研究. 2020(03)
[3]智能船舶技術(shù)發(fā)展與趨勢(shì)簡(jiǎn)述[J]. 嚴(yán)新平,劉佳侖,范愛龍,馬楓,李晨.  船舶工程. 2020(03)
[4]基于AFSA優(yōu)化的支持向量機(jī)柴油機(jī)性能預(yù)測(cè)模型[J]. 牛曉曉,劉文斌,聶志斌,焦會(huì)英.  船舶工程. 2019(07)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的船舶主機(jī)能效狀態(tài)評(píng)估[J]. 陳偉南,黃連忠,張勇,路通.  中國(guó)艦船研究. 2018(04)
[6]基于ASAE深度學(xué)習(xí)預(yù)測(cè)海洋氣象對(duì)船舶航速的影響[J]. 王勝正,申心泉,趙建森,冀寶仙,楊平安.  交通運(yùn)輸工程學(xué)報(bào). 2018(02)
[7]基于隨機(jī)森林算法的內(nèi)河船舶油耗預(yù)測(cè)模型[J]. 牟小輝,袁裕鵬,嚴(yán)新平,趙光普.  交通信息與安全. 2017(04)
[8]基于AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測(cè)[J]. 甄榮,金永興,胡勤友,施朝健,王勝正.  中國(guó)航海. 2017(02)
[9]綠色船舶的現(xiàn)狀和發(fā)展趨勢(shì)分析[J]. 劉繼海,肖金超,魏三喜,馮東英.  船舶工程. 2016(S2)



本文編號(hào)：3463013