基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究

为提高海洋工程材料腐蚀速率预测的精度，提出了一种基于遗传算法（GA）优化反向传播（Back Propagation，BP）神经网络的海洋工程材料海洋环境腐蚀速率预测模型。通过遗传算法对BP神经网络的权值和阈值进行优化，利用优化后的BP神经网络对试验数据进行预测。GA-BP模型选取具有代表性的2Cr1312不锈钢、Q235B碳钢和6082铝合金三种基本海洋工程材料数据进行试验，预测结果误差小于传统BP神经网络，并且在网络训练时间上有所缩短，预测精度上有所提高。本模型在海洋工程材料于海洋环境中腐蚀速率的实际预测中具有良好的推广价值。     

全新世以来泰国湾古气候演化历史———来自地球化学和矿物学证据

为了对海表温度(SeaSurfaceTemperature,SST)和海表盐度(SeaSurfaceSalinity,SSS)数据进行精确的短期预报,基于多站位海洋观测浮标获取的海表温度和海表盐度数据,利用反向传播(BackPropagation,BP)和径向基函数(RadialBasisFunction,RBF)两种神经网络方法开展了短期预测。首先,在预测时长固定为5d的情况下,对比不同训练时长的预测结果的均方误差(MeanSquaredError,MSE),进而确定以20d的观测数据作为训练集的预测结果均方误差最小。然后,以 PAPA 站观测浮标获取的2009年1月、4月、7月和10月各月的前20d温盐数据作为训练集,分别训练BP和 RBF神经网络,将训练好的2种神经网络模型应用于各月第21至25日的温盐数据预测。结果表明:BP和 RBF神经网络均能有效预测海表温盐数据的季节性变化,但 RBF神经网络对不同预测时间的整体预测效果优于 BP神经网络。多站点数据的预测实验进一步验证了 RBF神经网络模型具有较强适用性和更高的准确性。RBF神经网络模型可以作为海表温盐数据短期预报的有力工具。     

基于决策树与二分分割算法的BP神经网络在赤潮等级预测中的应用研究

针对赤潮灾害等级预测难的现状,提出了一种基于C4.5决策树与二分分割算法优化的BP(反向传播)神经网络赤潮等级预测模型。该模型针对传统BP神经网络输入参数难以选择和隐含层节点数量难以确定的问题,通过决策树分类获取最优的属性组合,来解决输入参数难以选择的问题;通过"二分分割算法",来解决隐含层节点数难以确定的问题。实验结果表明,该模型在青岛近海海域赤潮灾害等级预测中,预测结果的均方根误差(RMSE)小于传统BP神经网络的预测误差,并且在网络训练时间上有所缩短,预测精度上有所提高,能够获得良好的预测结果,可为赤潮等级预测提供新的解决方法。     

基于WOA-BP算法的海底管道腐蚀速率预测

管道腐蚀速率的影响因素众多且各因素协同作用,构成异常复杂的腐蚀体系,很难对其进行准确预测。针对单一BP模型由于初始权值和阈值的选取不当容易陷入局部最优等问题,引入WOA算法优化BP神经网络对海底管道腐蚀速率进行预测,并与GA和PSO算法优化BP预测模型进行对比,验证WOA-BP模型的预测效果和可行性。结果表明：WOA-BP模型的平均绝对百分误差和均方根误差分别为3.689%和0.1537,远低于单一BP、PSO-BP、GA-BP模型,具有较高的预测精度和稳定性,可以为海底管道内腐蚀防护和油气管道流动保障提供决策支持。     

深度学习的BP神经网络在GNSS水准拟合中的应用

针对误差逆向传播BP (back propagation)神经网络在GNSS水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu(rectified linear units)作为神经元激活函数,自适应矩估计Adam (adaptive moment estimation)算法作为网络优化函数,提出了一种基于深度学习的BP神经网络模型。研究结果表明:改进后的BP神经网络内外符合精度分别提高近50%和25%,可达0.9 cm和2.4 cm,为GNSS水准拟合提供了新的思路。     

基于灵敏度分析的海洋油气资源BP神经网络预测模型的优化

作者针对BP神经网络结构设计中存在的问题,提出利用灵敏度分析方法对BP神经网络预测模型进行优化。通过BP算法与参数灵敏度分析的结合,寻找网络输入属性与输出属性之间的影响因子;在保证精度的前提下优选网络输入属性,简化网络结构,以增强网络的泛化能力,减少人为主观因素对网络设计的影响。最后以海洋油气资源预测为例,结合实测资料建立BP神经网络预测模型并进行了优化及预测精度评价,表明优化后的模型既能有效提高油气资源预测结果的稳定性,又不损失预测精度。     

基于遗传算法的BP神经网络对海底管道受撞击损伤预测

人类频繁的海洋活动中难免发生重物落水事故,对海底管道造成撞击损伤,引起环境污染及经济损失。为保证管道在运行期间的安全性,有必要准确快速的对管道损伤进行预测以便为实际工程提供参考。BP神经网络常作为损伤预测的一种数学模型,但本身易陷入局部极小且预测精度较低。针对上述问题,本文提出了基于遗传算法的BP神经网络(GA-BP神经网络)损伤预测模型。利用有限元计算数据构成样本空间,对管道损伤进行预测,并将结果与BP神经网络、有限元计算的结果进行对比。分析表明:与BP神经网络相比,GA-BP神经网络的预测结果与有限元计算的结果较为接近,预测精度较高,其平均误差为1.27%,满足工程精度要求的同时又节省了计算时间。     

BP神经网络在海洋平台桩基轴向承载力中的应用研究

目前海洋石油导管架平台桩基础的轴向极限承载力常用的设计方法为API RP2A(美国石油协会)和静力触探(CPT)的方法。在这两种方法的基础上,提出了用BP神经网络模型对桩的轴向极限承载力进行计算的思路,能够有效地预测桩的轴向极限承载力。根据BP神经网络算法具有较强的非线性映射能力和学习功能的特点,通过对影响单桩极限承载力因素的分析,依据静力触探资料建立了基于BP神经网络的单桩轴向极限承载力预测模型。通过利用API RP2A方法分析成果对该模型进行学习训练和预测检验,证明了预测模型性能良好、具有较高的精度和收敛速度快等特点,验证了神经网络方法的可行性,预测结果能够指导桩基础设计,缩短周期。因而具有较大的工程实用价值。     

海洋环境中平台钢腐蚀速率的三层BP 神经网络预测

利用三层BP神经网络预测海洋环境因素对材料的腐蚀速率的影响。结合实测的pH值、温度、溶解氧、盐度、生物附着等影响因素,分析了上述环境因素对平台钢腐蚀的影响,建立环境因素与腐蚀速率之间的映射关系,预测了平台钢在海洋环境中的腐蚀速率。结果表明,全浸区腐蚀速率预测误差为6.95%,潮差带腐蚀速率预测误差为4.2%,预测精度较高。说明利用三层BP神经网络预测钢在海水中腐蚀速率技术可行,具有较高的预测精度和应用价值。     

人工神经网络在凡纳滨对虾养殖水质预测中的应用研究

以BP神经网络为基础,建立了凡纳滨对虾养殖水质预测模型。采用3层结构,通过灵敏度分析得到网络的输入变量,在确定了模型的各结构参数后,建立了凡纳滨对虾养殖水质预测模型,并根据整个对虾养殖周期内的水质监测数据对模型进行了训练和仿真。结果显示,水质的实测值与预测值之间的相关系数为0.991 8,预测误差率结果显示,最大误差率为4.37%,最小误差率为0.12%,平均误差率为1.20%,总体预测结果较好。BP神经网络能够以较高精度预测养殖水质状况,为水质恶化的早期预报提供了有效途径。     

基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

Study of tide prediction method influenced by nonperiodic factors based on support vector machines

Harmonic analysis, the traditional tidal forecasting method, cannot take into account the impact of noncyclical factors, and is also based on the BP neural network tidal prediction model which is easily limited by the amount of data. According to the movement of celestial bodies, and considering the insufficient tidal characteristics of historical data which are impacted by the nonperiodic weather, a tidal prediction method is designed based on support vector machine (SVM) to carry out the simulation experiment by using tidal data from Xiamen Tide Gauge, Luchaogang Tide Gauge and Weifang Tide Gauge individually. And the results show that the model satisfactorily carries out the tide prediction which is influenced by noncyclical factors. At the same time, it also proves that the proposed prediction method, which when compared with harmonic analysis method and the BP neural network method, has faster modeling speed, higher prediction precision and stronger generalization ability.     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

PSO-BP网络算法在运动要素解算中的应用

为了改善被测目标运动要素计算精度,提出了采用 PSO-BP 神经网络算法作为运动要素解算的方程。 该算法将粒子群算法作为 BP 神经网络的学习算法,提高 BP 网络的全局收敛性和收敛速度,将观测到的运动目标参数作为 PSO-BP 神经网络的输入,并将运动目标的方位作为主要输出量,将运动目标的方位值与误差期望值进行比较并作为 PSO 的输入修改 BP 网络权值,进而得到高精度 BP 神经网络。 对该算法进行仿真计算,结果表明:基于该算法的运动目标运动要素解算,尤其是运动方位的解算器精度可以达到 0. 128°,提高了运动要素解算的精度和速度。     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状，提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值，结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明，该模型和单因子评价、传统的BP神经网络评价相比较，具有训练时间短、预测精度高的特点，在海水水质评价中具有良好的应用价值。