共查询到18条相似文献，搜索用时 171 毫秒
1.
2.
3.
浅海沉积物分类方法研讨 总被引：2，自引：0，他引：2
浅海沉积物分类方法已比较成熟,国内外目前普遍采用的是谢帕德分类和福克分类两种方案.然而,通过对大量调查数据分析发现,国内浅海沉积物分类定名方法和方式并不完全一致.结合前人的研究,文章对两种分类方案进行了评述,深入探讨了目前沉积物定名不统一的原因主要是由于分类方案引用不完整,缺少对含砾沉积物的分类以及分类手段多样,缺乏规... 相似文献
4.
利用NOMAD数据集建立了基于人工神经网络的漫射衰减系数Kd490的反演算法。该人工神经网络是3层的反向传输神经网络。其结构为输入层有4个节点,它们分别对应4个波段443,490,555,665 nm的遥感反射比,隐含层有10个节点,输出层1个节点对应于漫衰减系数Kd490。利用另一独立的现场测量数据集(COASTLOOC)印证该反演算法的性能。结果表明,该研究建立的反演算法的性能明显好于业务化SeaWiFS算法,略好于Lee等人的半分析算法。 相似文献
5.
基于神经网络的平底结构砰击压力预报 总被引：1，自引：0，他引：1
对利用神经网络预报平底结构入水砰击压力的方法进行了探讨。首先利用仿真软件计算各种情况下平底结构入水所产生的砰击压力，以此形成训练神经网络的数据集。其次利用数据集对三层反馈式网络进行了训练，讨论了不同隐含层节点数对该非线性系统的拟合能力，并且对梯度下降法、动量修正法和基于优化的LM算法的有效性和精度进行了比较，最后得出了适合平底结构入水砰击系统的网络结构。 相似文献
6.
风速是重要的海洋状态参数之一，对海面风速的准确提取是实现海洋环境监测和沿海工程应用的重要保证。目前，作为新兴海洋环境监测设备，高频雷达在风速提取方面仍然存在挑战。本文提出了一种基于人工神经网络的风速提取方法，利用历史浮标测量海态数据训练风速提取网络，实现风速与有效波高、波周期、风向及时间因素之间的非线性映射。测试结果表明了这一网络在时间和空间上的稳定性；进而将已训练的网络应用到便携式高频地波雷达OSMAR-S的风速反演中，得到的风速与浮标测量风速间的相关系数达到0.849，均方根误差为2.11 m/s。这一结果明显优于常规由浪高反演风速的SMB方法，验证了该方法在高频雷达风速反演中的可行性。 相似文献
7.
基于现场实验数据集及人工神经网络技术,论文提出了一种从海中粒子吸收光谱提取浮游植物吸收光谱的方法。这个数据集包含了海中粒子吸收光谱和对应的浮游植物吸收光谱,并被分为三个子集:训练集、印证集和试验集。本研究所利用的人工神经网络系统为多层感知器,训练后的人工神经网络的性能由印证集和试验集来评价。实验结果表明,文中所提出的方法可成功地提取浮游植物的吸收光谱,其提取精度与传统的实验方法相当。 相似文献
8.
文章通过BP神经网络模型,利用西沙站的实测潮位推算三亚站潮位,研究用一地点的潮位资料去推算另一地点(异地)潮位的方法。文章比较了不同隐含层节点数和输入因子对潮位推算结果的影响,采用预测时间(t)之前N个小时(t–N+1,…,t–1,t)西沙站的实测潮位数据作为输入因子,输入因子数目在2~10之间,隐含层分别采用节点数3、4、5、10和15建模,分多种情况进行推算。结果显示,对文中使用的特定情形,隐含层为4个节点的效果最好,隐含层为15个节点的效果最差;输入层为2个节点的效果最好,输入因子增多会使得推算效果变差。隐含层为4个节点、输入因子为t–1、t时刻潮位的仿真验证的结果最好,推算值和实测值之间的相关系数为0.9901,均方根误差为0.06m,误差在–0.16~0.15m之间。结果表明,如果两个地点的潮位具有物理上的关联,通过BP神经网络模型,用一地点的实测潮位推算另一地点潮位的方法是可行的。 相似文献
9.
不排水抗剪强度是黏性土的重要力学指标,在边坡稳定性分析、地基和桩基承载力的计算中都有广泛的应用。在国内海洋勘察工程中,通常软黏土不排水抗剪强度的确定方法有不固结不排水三轴压缩试验、手动十字板试验、电动十字板试验和无侧限压缩试验等。中国南海北部陆陂深水海域,海底浅层沉积物多为饱和软土,这种软土土质比较均一,具有高含水量、高液限和塑性指数、容重小、抗剪强度低等特点,从而使这种沉积物与常规意义上的饱和软土特性相比可能存在差异,利用落锥试验方法确定其黏性土不排水抗剪强度,具有很强的适用性。本文介绍了落锥试验的试验方法和试验关键技术点,通过该深水海域两个孔位的部分土质资料对比,说明落锥试验确定的黏性土不排水抗剪强度与海上工程设计、分析中使用的不排水抗剪强度具有很好的相关关系。 相似文献
10.
基于多波束背向散射强度信号的海底表层沉积物粒度分类研究——以澳洲Joseph Bonaparte湾为例 总被引：1，自引：0，他引：1
近海海底地形探测与沉积物精确分类对涉海工程建设、生物栖息地反演以及海底资源勘查与开发具有重要的现实意义。以澳洲Joseph Bonaparte湾为例，利用多波束测深技术获取了该海湾约880 km2水域的水深数据与背向散射强度信号，结合同步采集的54个海底表层沉积物样品，通过随机决策树模型对该海域海底表层沉积物进行了分类研究。结果表明:（1）利用随机决策树模型分析该海域沉积物类型与背向散射强度的关系时，当模型内部参数设置:树的总数为200，最小分裂节点为2，每棵树的最大分裂级数为5时，可提高预测准确率；（2）该参数设置下，利用13°和37°入射角的背向散射强度预测该海域沉积物类型时，准确率最高，其值为83.3%，且在研究海域，砂质砾和砾质砂分布在背向散射强度较强的深槽或海沟等地区，而砾质泥质砂和含砾泥质砂主要分布在背向散射强度较弱的浅水海域。分析还发现，当水深数据作为预测海底表层沉积物类型的特征变量时，有可能降低最终预测结果的准确率。 相似文献
11.
This paper deals with the application of nonparametric system identification to a nonlinear maneuvering model for large tankers using artificial neural network method. The three coupled maneuvering equations in this model for large tankers contain linear and nonlinear terms and instead of attempting to determine the parameters (i.e. hydrodynamic derivatives) associated with nonlinear terms, all nonlinear terms are clubbed together to form one unknown time function per equation which are sought to be represented by the neural network coefficients. The time series used in training the network are obtained from simulated data of zigzag maneuvers and the proposed method has been applied to these data. The neural network scheme adopted in this work has one middle or hidden layer of neurons and it employs the Levenberg–Marquardt algorithm. Using the best choices for the number of hidden layer neurons, length of training data, convergence tolerance etc., the performance of the proposed neural network model has been investigated and conclusions drawn. 相似文献
12.
With the support of big data and GPU acceleration training, the artificial intelligence technology with deep learning as its core is developing rapidly and has been widely used in many fields. At the same time, feature extraction operations are required by the current image-based corrosion damage detection method in the field of ships, with little effect but consuming the large amount of manpower and financial resources. Therefore, a new method for hull structural plate corrosion damage detection and recognition based on artificial intelligence using convolutional neural network is proposed. The convolutional neural network (CNN) model is trained through a large number of classified corrosion damage images to obtain a classifier model. Then the classifier model is used with overlap-scanning sliding window algorithm to recognize and position the location of corrosion damage. Finally, the damage detection pattern for hull structural plate corrosion damage as well as other types of superficial structural damage using convolutional neural network is proposed, which can accelerate the application of artificial intelligence technology into the field of naval architecture & ocean engineering. 相似文献
13.
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。 相似文献
14.
基于BP人工神经网络的海水水质综合评价 总被引：1，自引：0，他引：1
为了能够客观地对海水水质进行综合评价,在分析人工神经网络概念和原理的基础上,从阈值角度出发,通过对各类海水水质污染指标浓度生成样本的方法,生成了适用于BP人工神经网络模型训练的样本,并应用基于误差反向传播原理的前向多层神经网络,建立了用于海水水质评价的BP人工神经网络模型。将该模型用于渤海湾近岸海域水环境评价,通过模型... 相似文献
15.
为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,long short-term memory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radial basis function neural network,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。 相似文献
16.
《中国海洋工程》2020,(4)
The study of mooring forces is an important issue in marine engineering and offshore structures. Although being widely applied in mooring system, numerical simulations suffer from difficulties in their multivariate and nonlinear modeling. Data-driven model is employed in this paper to predict the mooring forces in different lines, which is a new attempt to study the mooring forces. The height and period of regular wave, length of berth, ship load, draft and rolling period are considered as potential influencing factors. Input variables are determined using mutual information(MI) and principal component analysis(PCA), and imported to an artificial neural network(NN) model for prediction. With study case of 200 and 300 thousand tons ships experimental data obtained in Dalian University of Technology, MI is found to be more appropriate to provide effective input variables than PCA. Although the three factors regarding ship characteristics are highly correlated, it is recommended to input all of them to the NN model.The accuracy of predicting aft spring line force attains as high as 91.2%. The present paper demonstrates the feasibility of MI-NN model in mapping the mooring forces and their influencing factors. 相似文献
17.
ANN在海洋预报中的应用 总被引：5，自引：0，他引：5
人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理,具有自学习和自适应等一系列优点,因而用它来进行海洋预报是可行的。针对海洋预报问题,初步建立了基于神经网络的预报分析系统,给出了应用实例。 相似文献