為實現(xiàn)船舶能效的智能優(yōu)化,從船舶通航環(huán)境出發(fā),研究船舶通航環(huán)境的智能識別方法�；谒@得的船舶通航環(huán)境大數(shù)據(jù),建立基于改進K均值聚類算法的船舶通航環(huán)境類別知識庫,設(shè)計相關(guān)系數(shù)加權(quán)的K近鄰算法,實現(xiàn)船舶通航環(huán)境的智能識別。實例分析結(jié)果表明,此基于改進K近鄰算法的智能識別方法的識別準(zhǔn)確率可達97.25%,相對于未改進的K近鄰算法,準(zhǔn)確率提高7.81%。所提出的智能識別方法可為基于通航環(huán)境智能識別的船舶分段航速智能優(yōu)化方法的研究奠定基礎(chǔ)。 

【文章來源】：上海海事大學(xué)學(xué)報. 2020,41(03)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

船舶通航環(huán)境智能識別方法的流程

“宇中�！碧柎�

改進K近鄰算法中的K是一個非常重要的參數(shù),K值選得過小會使分類不精確,選得過大則會增加噪聲,降低分類效果。選取通航環(huán)境類別知識庫,共16類24 814組數(shù)據(jù)作為訓(xùn)練樣本;每類數(shù)據(jù)選取200組,共有3 200組數(shù)據(jù)作為測試樣本。經(jīng)過反復(fù)地選取K值,統(tǒng)計識別錯誤樣本的數(shù)量,得到K取337時分類識別效果良好。圖7為K取337時的測試結(jié)果:采用未改進的K近鄰算法識別錯誤的測試樣本組數(shù)為338組,識別準(zhǔn)確的測試樣本組數(shù)為2 862組,識別準(zhǔn)確率為89.44%;采用改進的K近鄰算法識別錯誤的測試樣本組數(shù)為88組,識別準(zhǔn)確的測試樣本組數(shù)為3 112組,識別準(zhǔn)確率為97.25%。通過對比得知,對K近鄰算法改進后其通航環(huán)境智能識別的準(zhǔn)確率提高了7.81%,從而驗證了改進的K近鄰算法具有良好的智能識別效果。4.3 通航環(huán)境智能識別應(yīng)用

【參考文獻】：
期刊論文
[1]基于靜水阻力和波浪增阻的全船線型優(yōu)化[J]. 張寶吉.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2011(10)
[2]淺吃水肥大型重件運輸船設(shè)計研究[J]. 龔昌奇,陳賓康,黃敏.  船舶工程. 2009(04)
[3]K-MEANS算法中的K值優(yōu)化問題研究[J]. 楊善林,李永森,胡笑旋,潘若愚.  系統(tǒng)工程理論與實踐. 2006(02)

博士論文
[1]營運船舶主機性能退化和健康管理方法研究[D]. 劉伊凡.大連海事大學(xué) 2018

碩士論文
[1]考慮油耗及經(jīng)濟性的營運船舶定航線航速優(yōu)化[D]. 趙乾博.哈爾濱工程大學(xué) 2017
[2]數(shù)值模擬水面波浪及其對航行環(huán)境的影響[D]. 王典.南京航空航天大學(xué) 2009
[3]基于K近鄰的分類算法研究[D]. 桑應(yīng)賓.重慶大學(xué) 2009



本文編號：3579432