CN106022471A - 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 - Google Patents
基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 Download PDFInfo
- Publication number
- CN106022471A CN106022471A CN201610317679.6A CN201610317679A CN106022471A CN 106022471 A CN106022471 A CN 106022471A CN 201610317679 A CN201610317679 A CN 201610317679A CN 106022471 A CN106022471 A CN 106022471A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet
- particle
- value
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法,包括以下步骤:S1:载入实测的船舶横摇数据信息,将横摇数据进行归一化处理;S2:构建基于粒子群优化算法的小波神经网络模型;S3:进入迭代过程,计算出最小适应度值即最优适应度值;S4:判断最优个体适应度函数值即误差函数公式计算的误差函数值是否满足误差设置要求,或者判断迭代寻优次数是否达到设置要求,如果满足要求则执行S5,否则返回S3继续进行循环迭代寻优;S5:结束粒子群优化算法的迭代寻优,将寻优得到的最优网络参数赋值给小波神经网络进行仿真实验,将采集到的船舶横摇数据信息输入至小波神经网络进行船舶横摇实时预测。
Description
技术领域
本发明涉及船舶领域,尤其涉及基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法。
背景技术
小波神经网络(Wavelet Neural Network)是基于小波分析理论构造的有反馈的前向神经网络,它充分结合了小波变换的时频局域化、变焦特性和传统人工神经网络的自学习能力,具有较强的逼近能力和容错能力。小波神经网络是一种以误差反向传播(BackPropagation)神经网络拓扑结构为基础,把小波基函数作为隐含层节点的传递函数,信号前向传播同时误差反向传播的神经网络。小波函数或尺度函数作为激励函数形成神经元而构成的小波神经网络,它秉承了神经网络固有的学习能力、泛化能力、自适应能力及非线性映射能力,同时也保留了小波分析具有多分辨率分析的特点,而且在时频两域都具有表征信号局部特征的能力。与其它方法相比,小波神经网络基函数的选择有更大的灵活性,而且可以在不同的尺度上对函数逼近。
粒子群(Particle Swarm Optimization)算法的基本思想是:社会中的个体通过社会交互,不断修正自己关于搜索空间的知识,在社会交互的过程中,所有个体倾向于模仿成功的同伴,最终导致了社会规范的涌现。粒子群优化算法中,每个优化问题的潜在解都是搜索空间中的一只鸟,称之为“粒子”。所有的粒子都有一个由目标函数决定的适应值(Fitness Value),目标函数一般由实际问题中被优化的函数决定。每个粒子还有一个速度决定它们飞翔的方向和每一步的位移。PSO算法需要初始化一群随机粒子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解pbest,这个解称为个体极值。另一个是整个种群目前找到的最优解,这个解称为全局极值gbest。PSO***中每个备选解被称为一个粒子(particle),多个粒子共存合作寻优(近似鸟群寻找食物),每个粒子根据它自身的经验和相邻粒子群的最佳经验在问题空间中向更好的位置飞行,搜索最优解。
近年来,蓬勃发展的人工神经网络,其较强的非线性映射和自学***稳性的***仿真预测,BP神经网络(Back Propagation,BP)是一种多层前馈神经网络,是当今最常用的一种神经网络模型。然而,BP神经网络本身尚有一些缺陷:网络模型参数的选择随机性比较大;优化过程可能陷入局部最优;对网络参数的选择比较敏感,训练的收敛速度相对较难控制等。此外,现有的研究都是假设船舶在波浪中的运动是平稳窄带随机过程的条件下进行的,使用的是线性自回归(AR)模型或线性自回归滑动(ARMA)模型。而船舶在波浪中的运动实际上是动态非线性过程,利用线性模型对其进行预报,效果并不理想,尤其对于横摇角较大时更是如,传统横摇预测方法存在丢失重要信息的缺点。
发明内容
根据现有技术存在的问题,本发明公开了一种基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法,包括以下步骤:
S1:载入实测的船舶横摇数据信息,将横摇数据进行归一化处理;
S2:构建基于粒子群优化算法的小波神经网络模型:将小波神经网络的网络参数包括权值阈值、小波基函数的平移参数和伸缩参数初始化为粒子群优化算法的粒子种群位置;
S3:进入迭代过程,计算出最小适应度值即最优适应度值;
S4:判断最优个体适应度函数值即误差函数公式计算的误差函数值是否满足误差设置要求,或者判断迭代寻优次数是否达到设置要求,如果满足要求则执行S5,否则返回S3继续进行循环迭代寻优;
S5:结束粒子群优化算法的迭代寻优,将寻优得到的最优网络参数赋值给小波神经网络进行仿真实验,将采集到的船舶横摇数据信息输入至小波神经网络进行船舶横摇实时预测。
S2中具体包括:
小波神经网路的网络参数包括:输入层与隐含层之间的权值、隐含层阈值、隐含层与输出层之间的权值、输出层阈值、小波基函数的平移参数和伸缩参数,根据误差函数公式计算粒子初始适应度函数值,对于每个粒子利用小波神经网络的前向计算公式计算网络的实际输出,然后利用误差函数即适应度函数计算其适应度值,排序取出最小的适应度值;
小波神经网络模型的误差函数公式如下:
其中Yk为小波神经网络模型的潮汐实测数据,Ok为小波神经网络模型的仿真输出数据,m为输出层节点数;
粒子群优化的小波神经网络模型在每一次迭代过程中,粒子的位置和速度更新公式如下:
vi(t+1)=ω*vi(t)+c1*r1*(pi-xi(t))+c2*r2*(pg-xi(t)) (5)
xi(t+1)=xi(t)+vi(t+1)j=1,2,…,n (6)
其中ω为惯性权重,k为当前迭代次数,xi为粒子位置,vi为粒子速度,Pi为个体极值,Pg为群体极值,c1和c2为非负常数,r1和r2为介于0和1之间的而随机数,为防止粒子盲目搜索,对粒子的初始位置和速度进行限制,粒子群优化的小波神经网络模型的网络参数c1=c2=2.0,迭代寻优次数为100,种群规模为20,每个粒子的初始速度限制在[-1,1]之间,每个粒子的初始位置限制在[-3,3]之间。
S3中具体采用如下方式:
在每一次迭代过程中,粒子根据更新公式(5)和(6)更新自身的速度和位置,并根据误差函数计算公式(4)计算新的适应度函数值,再进行排序提取出最小适应度值,也就是最优适应度值。
由于采用了上述技术方案,本发明结合粒子群优化算法的全局搜索能力和小波神经网络传统的自学***稳,网络整体性能有较大的提高。相对于传统的小波神经网络预测模型具有较高的搜索精度和搜索效率。而且相对于传统的误差反向传播神经网络预测模型和线性预测模型大大降低了横摇预测误差(即预测横摇数据值与船舶运动的实测横摇数据值之间的差值),从而说明粒子群优化的小波神经网络预测模型在船舶横摇运动实时预测方面具有较高的的预测精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法的流程图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
如图1所示的一种基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法,包括以下步骤:
S1:载入实测的船舶横摇数据信息,将横摇数据进行归一化处理。船舶横摇实测数据来源于船舶航行数据记录仪(VDR)的船舶航行状态记录,航行记录仪可实时记录船舶的各个运动状态包括航速、航向、航程、横摇、纵摇、首摇等时间状态值,这里我们只提取船舶的横摇数据值。将横摇数据进行归一化处理。创建小波神经网络并设置粒子群优化的小波神经网络模型的各个网络参数,迭代寻优次数,种群规模,然后将种群粒子的速度和位置限制在一定的范围之内。本步骤的作用主要是采集并提取出船舶的横摇实测数据值,并进行归一化处理。然后初始化设置小波神经网络的网络参数以及粒子群优化算法的各个初始参数。
S2:构建基于粒子群优化算法的小波神经网络模型:将小波神经网络的网络参数包括权值阈值、小波基函数的平移参数和伸缩参数初始化为粒子群优化算法的粒子种群位置。本步骤的作用主要是将粒子群优化算法引入到小波神经网络模型中代替传统的误差反向传播算法,用于小波神经网络的各个网络参数的寻优训练。
小波神经网路的网络参数包括:输入层与隐含层之间的权值、隐含层阈值、隐含层与输出层之间的权值、输出层阈值、小波基函数的平移参数和伸缩参数,根据误差函数公式计算粒子初始适应度函数值,对于每个粒子利用小波神经网络的前向计算公式计算网络的实际输出,然后利用误差函数即适应度函数计算其适应度值,排序取出最小的适应度值;
小波神经网络模型的误差函数公式如下:
其中Yk为小波神经网络模型的潮汐实测数据,Ok为小波神经网络模型的仿真输出数据,m为输出层节点数;
粒子群优化的小波神经网络模型在每一次迭代过程中,粒子的位置和速度更新公式如下:
vi(t+1)=ω*vi(t)+c1*r1*(pi-xi(t))+c2*r2*(pg-xi(t)) (5)
xi(t+1)=xi(t)+vi(t+1)j=1,2,…,n (6)
其中ω为惯性权重,k为当前迭代次数,xi为粒子位置,vi为粒子速度,Pi为个体极值,Pg为群体极值,c1和c2为非负常数,r1和r2为介于0和1之间的而随机数,为防止粒子盲目搜索,对粒子的初始位置和速度进行限制,粒子群优化的小波神经网络模型的网络参数c1=c2=2.0,迭代寻优次数为100,种群规模为20,每个粒子的初始速度限制在[-1,1]之间,每个粒子的初始位置限制在[-3,3]之间。
S3:进入迭代过程,计算出最小适应度值即最优适应度值。本步骤作用主要是将训练数据前向传播得到的网络误差值作为粒子群优化算的适应度函数值,得到种群中每个粒子对应的适应度函数值,然后通过粒子的位置和速度更新公式更新粒子的位置和速度,然后利用得到的新的粒子信息重新计算新的粒子适应度值。排序寻优得到最小适应度函数值。
S4:判断最优个体适应度函数值即误差函数公式计算的误差函数值是否满足误差设置要求,或者判断迭代寻优次数是否达到设置要求,如果满足要求则执行S5,否则返回S3继续进行循环迭代寻优;本步骤作用是粒子寻优迭代循环的终止循环条件。用于判断迭代循环是否达到设置要求从而决定是否终止寻优循环。
S5:结束粒子群优化算法的迭代寻优,将寻优得到的最优网络参数赋值给小波神经网络进行仿真实验,将采集到的船舶横摇数据信息输入至小波神经网络进行船舶横摇实时预测。本步骤的作用主要是将粒子群算法寻优得到的小波神经网络最优权值阈值以及小波基函数的最优平移和伸缩参数赋给小波神经网络模型,并使用船舶横摇测试数据输入新的小波神经网络模型中,进行横摇运动的预测仿真。
S3中具体采用如下方式:
在每一次迭代过程中,粒子根据更新公式(5)和(6)更新自身的速度和位置,并根据误差函数计算公式(4)计算新的适应度函数值,再进行排序提取出最小适应度值,也就是最优适应度值。
小波神经网络结合了小波良好的时频局域化性质和传统神经网络的自学习、自纠错能力,因而小波神经网络具有较强的逼近和容错能力,并具有良好的收敛性和鲁棒性。然而其网络收敛速度慢,搜索成功率低以及易陷入局部极小值等缺点时的传统的小波神经网络难以得到广泛的应用。
本发明利用粒子群优化算法对小波神经网络进行训练,与传统的BP算法相比较,小波神经网络模型的性能、迭代次数、逼近效果均以及收敛速度和拟合精度能得到显著的提高。且训练过程比较平稳,网络整体性能有较大的提高。相对于传统的WNN预测模型具有较高的搜索精度和搜索效率。而且具有更高的预测精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法,其特征在于:包括以下步骤:
S1:载入实测的船舶横摇数据信息,将横摇数据进行归一化处理;
S2:构建基于粒子群优化算法的小波神经网络模型:将小波神经网络的网络参数包括权值阈值、小波基函数的平移参数和伸缩参数初始化为粒子群优化算法的粒子种群位置;
S3:进入迭代过程,计算出最小适应度值即最优适应度值;
S4:判断最优个体适应度函数值即误差函数公式计算的误差函数值是否满足误差设置要求,或者判断迭代寻优次数是否达到设置要求,如果满足要求则执行S5,否则返回S3继续进行循环迭代寻优;
S5:结束粒子群优化算法的迭代寻优,将寻优得到的最优网络参数赋值给小波神经网络进行仿真实验,将采集到的船舶横摇数据信息输入至小波神经网络进行船舶横摇实时预测。
2.根据权利要求1所述的基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法,其特征还在于:S2中具体包括:
小波神经网路的网络参数包括:输入层与隐含层之间的权值、隐含层阈值、隐含层与输出层之间的权值、输出层阈值、小波基函数的平移参数和伸缩参数,根据误差函数公式计算粒子初始适应度函数值,对于每个粒子利用小波神经网络的前向计算公式计算网络的实际输出,然后利用误差函数即适应度函数计算其适应度值,排序取出最小的适应度值;
小波神经网络模型的误差函数公式如下:
其中Yk为小波神经网络模型的潮汐实测数据,Ok为小波神经网络模型的仿真输出数据,m为输出层节点数;
粒子群优化的小波神经网络模型在每一次迭代过程中,粒子的位置和速度更新公式如下:
vi(t+1)=ω*vi(t)+c1*r1*(pi-xi(t))+c2*r2*(pg-xi(t)) (5)
xi(t+1)=xi(t)+vi(t+1)j=1,2,…,n (6)
其中ω为惯性权重,k为当前迭代次数,xi为粒子位置,vi为粒子速度,Pi为个体极值,Pg为群体极值,c1和c2为非负常数,r1和r2为介于0和1之间的而随机数,为防止粒子盲目搜索,对粒子的初始位置和速度进行限制,粒子群优化的小波神经网络模型的网络参数c1=c2=2.0,迭代寻优次数为100,种群规模为20,每个粒子的初始速度限制在[-1,1]之间,每个粒子的初始位置限制在[-3,3]之间。
3.根据权利要求2所述的基于粒子群优化算法小波神经网络的船舶横摇实时预测方法,其特征还在于:S3中具体采用如下方式:
在每一次迭代过程中,粒子根据更新公式(5)和(6)更新自身的速度和位置,并根据误差函数计算公式(4)计算新的适应度函数值,再进行排序提取出最小适应度值,也就是最优适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317679.6A CN106022471A (zh) | 2016-05-12 | 2016-05-12 | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317679.6A CN106022471A (zh) | 2016-05-12 | 2016-05-12 | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022471A true CN106022471A (zh) | 2016-10-12 |
Family
ID=57100703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610317679.6A Pending CN106022471A (zh) | 2016-05-12 | 2016-05-12 | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022471A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
CN111506969A (zh) * | 2020-04-21 | 2020-08-07 | 常熟理工学院 | 一种基于多目标粒子群算法的船型优化方法 |
CN111506968A (zh) * | 2020-04-21 | 2020-08-07 | 常熟理工学院 | 一种基于bp神经网络算法的船型优化方法 |
CN112061328A (zh) * | 2020-09-16 | 2020-12-11 | 哈尔滨工程大学 | 一种基于横摇预报的减摇鳍低航速减摇控制方法 |
CN112883626A (zh) * | 2021-01-15 | 2021-06-01 | 重庆邮电大学 | 一种基于psoabc-lstm的电子鼻混合气体浓度预测方法 |
CN113642220A (zh) * | 2021-08-26 | 2021-11-12 | 江苏科技大学 | 一种基于rbf与mopso的船舶焊接工艺优化方法 |
CN113837454A (zh) * | 2021-09-09 | 2021-12-24 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及*** |
CN114186576A (zh) * | 2021-11-09 | 2022-03-15 | 苏州斯普锐智能***股份有限公司 | 条码的定位和解码装置、方法、电子设备和存储介质 |
CN114528756A (zh) * | 2022-01-25 | 2022-05-24 | 武汉大学 | 一种基于深度学习的船舶横摇集成预测方法及*** |
CN114528756B (zh) * | 2022-01-25 | 2024-07-26 | 武汉大学 | 一种基于深度学习的船舶横摇集成预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
-
2016
- 2016-05-12 CN CN201610317679.6A patent/CN106022471A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
杨迪威等: "基于粒子群优化算法的小波神经网络", 《工程地球物理学报》 * |
程声烽等: "基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用", 《电力***保护与控制》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
CN111506969B (zh) * | 2020-04-21 | 2021-12-31 | 常熟理工学院 | 一种基于多目标粒子群算法的船型优化方法 |
CN111506969A (zh) * | 2020-04-21 | 2020-08-07 | 常熟理工学院 | 一种基于多目标粒子群算法的船型优化方法 |
CN111506968A (zh) * | 2020-04-21 | 2020-08-07 | 常熟理工学院 | 一种基于bp神经网络算法的船型优化方法 |
CN112061328A (zh) * | 2020-09-16 | 2020-12-11 | 哈尔滨工程大学 | 一种基于横摇预报的减摇鳍低航速减摇控制方法 |
CN112883626A (zh) * | 2021-01-15 | 2021-06-01 | 重庆邮电大学 | 一种基于psoabc-lstm的电子鼻混合气体浓度预测方法 |
CN113642220A (zh) * | 2021-08-26 | 2021-11-12 | 江苏科技大学 | 一种基于rbf与mopso的船舶焊接工艺优化方法 |
CN113642220B (zh) * | 2021-08-26 | 2023-09-22 | 江苏科技大学 | 一种基于rbf与mopso的船舶焊接工艺优化方法 |
CN113837454A (zh) * | 2021-09-09 | 2021-12-24 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及*** |
CN113837454B (zh) * | 2021-09-09 | 2024-04-23 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及*** |
CN114186576A (zh) * | 2021-11-09 | 2022-03-15 | 苏州斯普锐智能***股份有限公司 | 条码的定位和解码装置、方法、电子设备和存储介质 |
CN114528756A (zh) * | 2022-01-25 | 2022-05-24 | 武汉大学 | 一种基于深度学习的船舶横摇集成预测方法及*** |
CN114528756B (zh) * | 2022-01-25 | 2024-07-26 | 武汉大学 | 一种基于深度学习的船舶横摇集成预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
CN107253195B (zh) | 一种运载机器人手臂操控自适应混合学习映射智能控制方法及*** | |
CN111340868B (zh) | 基于视觉深度估计的无人水下航行器自主决策控制方法 | |
CN113110509A (zh) | 一种基于深度强化学习的仓储***多机器人路径规划方法 | |
CN110515303A (zh) | 一种基于ddqn的自适应动态路径规划方法 | |
CN106875004A (zh) | 复合模式神经元信息处理方法和*** | |
CN103744428A (zh) | 一种基于邻域智能水滴算法的水面无人艇路径规划方法 | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
Yang et al. | A digital twins enabled underwater intelligent internet vehicle path planning system via reinforcement learning and edge computing | |
CN108444481A (zh) | 一种基于辅助决策***的水下潜器路径规划方法 | |
CN104504520A (zh) | 一种基于神经网络的深空探测器自主任务规划方法 | |
CN107092987A (zh) | 一种中小型无人机自主着舰风速预测方法 | |
CN111811532B (zh) | 基于脉冲神经网络的路径规划方法和装置 | |
CN115169519A (zh) | 一种仿生鱼体自主智能游动模拟方法、装置及*** | |
CN113722980A (zh) | 海洋浪高预测方法、***、计算机设备、存储介质、终端 | |
CN116449863A (zh) | 一种基于信息素的强化学习的无人机集群多目标搜索方法 | |
US20230166397A1 (en) | Method for obstacle avoidance in degraded environments of robots based on intrinsic plasticity of snn | |
CN106407932B (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
CN114599069A (zh) | 一种基于能量自收集的水下无线传感器网络路由方法 | |
CN117553798A (zh) | 复杂人群场景中移动机器人的安全导航方法、设备及介质 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
CN117420849B (zh) | 一种基于强化学习的海上无人机编队变粒度协同搜救方法 | |
CN116520851B (zh) | 物体围捕方法和装置 | |
CN116523154B (zh) | 模型训练方法、航线规划方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |