船舶能耗智能預測是實現(xiàn)船舶能效智能評估與優(yōu)化決策的基礎和前提,大數(shù)據(jù)、人工智能和機器學習等新興技術促進了船舶能耗預測方法的不斷發(fā)展。為分析不同基于機器學習的船舶能耗預測算法的預測精度和效果,對不同預測算法進行實例驗證分析。結合船舶油耗及其影響因素實船采集數(shù)據(jù),采用不同機器學習算法對船舶能耗進行預測分析,驗證各算法的特點和優(yōu)勢,為選擇合適的船舶能耗預測算法提供參考。 

【文章來源】：船舶工程. 2020,42(11)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

面向船舶能耗預測的BP神經網(wǎng)絡結構圖

深度置信神經網(wǎng)絡（Deep Belief Networks,DBN）是由受限玻爾茲曼機（Restricted Boltzmann Machines,RBM）單元疊加而成的，一般采用逐層訓練的方法學習，分為無監(jiān)督預訓練和有監(jiān)督微調2個階段[12-13]。面向船舶能耗預測的DBN神經網(wǎng)絡結構見圖2,v1、v2、…、vi為網(wǎng)絡的輸入層參數(shù)，分別代表船舶能耗的主要影響因素，包括轉速、軸功率、航速、浪高等；h1、h2、…、hi為隱層參數(shù)。該網(wǎng)絡由k個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個顯層和第j個隱層單元的狀態(tài)，Wl、Wk為網(wǎng)絡的權值。所建立的DBN模型通過若干層RBM訓練，最后由BP網(wǎng)絡接收RBM輸出的特征向量作為其輸入特征向量，計算得到主機日油耗量。1.3 基于KNN算法的船舶能耗智能預測方法

k-近鄰（k-Nearest Neighbor,KNN）算法是一種監(jiān)督式學習算法，其目標是將沒有標簽的數(shù)據(jù)點或樣本自動打上標簽或預測所屬類別�；贙NN的船舶能耗預測模型示意圖見圖3[14]，對于要預測的點的值，通過求與它距離最近的k個點的值的平均值得到，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測方法

【參考文獻】：
期刊論文
[1]基于SVR的船舶航行安全評估模型[J]. 常婧,柳曉鳴,李夢蕊.  上海海事大學學報. 2020(02)
[2]基于深度信念網(wǎng)絡的船舶柴油機智能故障診斷[J]. 仲國強,賈寶柱,肖峰,王懷宇.  中國艦船研究. 2020(03)
[3]智能船舶技術發(fā)展與趨勢簡述[J]. 嚴新平,劉佳侖,范愛龍,馬楓,李晨.  船舶工程. 2020(03)
[4]基于AFSA優(yōu)化的支持向量機柴油機性能預測模型[J]. 牛曉曉,劉文斌,聶志斌,焦會英.  船舶工程. 2019(07)
[5]基于BP神經網(wǎng)絡的船舶主機能效狀態(tài)評估[J]. 陳偉南,黃連忠,張勇,路通.  中國艦船研究. 2018(04)
[6]基于ASAE深度學習預測海洋氣象對船舶航速的影響[J]. 王勝正,申心泉,趙建森,冀寶仙,楊平安.  交通運輸工程學報. 2018(02)
[7]基于隨機森林算法的內河船舶油耗預測模型[J]. 牟小輝,袁裕鵬,嚴新平,趙光普.  交通信息與安全. 2017(04)
[8]基于AIS信息和BP神經網(wǎng)絡的船舶航行行為預測[J]. 甄榮,金永興,胡勤友,施朝健,王勝正.  中國航海. 2017(02)
[9]綠色船舶的現(xiàn)狀和發(fā)展趨勢分析[J]. 劉繼海,肖金超,魏三喜,馮東英.  船舶工程. 2016(S2)



本文編號：3463013