基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计
螺旋桨课程设计
螺旋桨图谱课程设计天津大学仁爱学院 姓名：陈旭东 学号：6010207038 专业：船舶与海洋工程 班级：2班 日期：2013.6.30
螺旋桨图谱课程设计 一．已知船体的主要参数 船 型：双机双桨多用途船 总 长: L=150.00m 设计水线长: WL L =144.00m 垂线 间长: PP L =141.00m 型 深: H=11.00m 设计 吃水: T=5.50m 型 宽: B=22.00m 方形 系数: B C =0.84 菱形 系数: P C =0.849 横剖面系数: M C =0.69 排水 量: ?=14000.00t 尾轴距基线距离: P Z =2.00m 二．主机参数 额定功率: MCR=1714h 额定转速: n=775r/min 齿轮箱减速比: i=5 旋向: 右旋 齿轮箱效率: G η=0.97 三．推进因子的确定 伴流分数 ω=0.248 ;推力减额分数 ; t=0.196 相对旋转效率 R η=1.00 ;船身效率 ;H η=11t ω --=1.0691 四．可以达到最大航速的计算 采用MAU 四叶桨图谱进行计算。 取功率储备为10% ，轴系效率S η=0.97 ，螺旋桨转速N=n/i=155r/min 螺旋桨敞水收到马力：D P = 1714 * 0.9 * S η*R η*G η =1714 * 0.9 * 0.97*1.00*0.97 =1451.43 (hp) 根据MAU4-40、MAU4-55、MAU4-70的P B δ-图谱列表计算如下：
项目 单位 数值 假定航速V kn 11 12 13 A V =(1-ω)V kn 8.27 9.02 9.78 0.5 2.5/P D A B NP V = 30.024 24.166 19.742 P B 5.479 4.916 4.443 MAU4-40 δ 65.4 59.732 54.377 P/D 0.692 0.728 0.764 0η 0.613 0.632 0.66 TE P =2D P ×H η×0η hp 1902.4 1961.38 2048.28 MAU4-55 δ 64 58.2 53.535 P/D 0.738 0.778 0.80 0η 0.588 0.614 0.642 TE P =2D P ×H η×0η hp 1824.83 1905.61 1992.41 MAU4-70 δ 63.3 57.4 52.8 P/D 0.751 0.796 0.842 0η 0.565 0.582 0.607 TE P =2D P ×H η×0η hp 1753.45 1806.21 1883.79 根据上表中的计算结果可以绘制TE P 、δ、P/D 及0η对V 的曲线，如图1所示。
matlab遗传算法优化神经网络权值教程
matlab遗传算法优化神经网络权值教程第4章nnToolKit神经网络工具包 4.1 nnToolKit简介 神经网络工具包是基于MATLAB神经网络工具箱自行开发的一组神经网络算法函数库 可在MATLAB环境下均独立运行，也可打包成DLL组件，直接被VB、VC、 C++ 、C#、JAVA或其他支持COM的语言所调用 本工具包中增加了一些MATLAB中没有的神经网络算法，如模糊神经网络、小波神经网络、遗传神经网络算法等 4.2nnToolKit函数库 4.2nnToolKit 函数库 4.2nnToolKit函数库 例4-1 对ch4\nnToolKit工具箱\lmnet文件夹中文件(input_para1.txt和output_para1.txt)提供的专家样本数据进行网络训练。%此为BP网络训练程序
function retstr = LmTrain(ModelNo,NetPara,TrainPara,InputFun,OutputFun,DataDir)NNTWARN OFF retstr=-1; ModelNo=‘1’;NetPara(1)=7;Ne tPara(2)=1; NetPara(3)=6;NetPara(4)=10; 4.2nnToolKit函数库 4.2nnToolKit函数库 例4-2 输入一组测试样本数据，对例4-1训练的网络模型进行仿真 %此为一仿真程序%首先读入权域值参数 function retdouble = LmSimu(ModelNo,NetPara,SimulatePara,InputFun,OutputFun,DataDir)NNTWA RN OFF %%%% 输入参数赋值开始 %%%%%%%%%%%%%%%%%%%%%%%% 这 部分代码主要是方便用户调试用ModelNo=‘1’; NetPara(1)=7; 4.2nnToolKit函数库
船舶设计系统介绍及比较
2012年10月 船舶设计系统介绍
?瑞典KCS公司的Tribon船舶CAD软件?美国PTC公司的CADDS5软件?法国达索公司CATIA ?西班牙Foran ?澳大利亚Maxsurf船舶设计软件 ?加拿大ShipConstructor船舶建造软件? 芬兰纳帕有限公司NAPA船舶设计系统 船舶设计系统概览
专用船舶设计软件系统特点 ?以某船舶设计公司自有系统发展而来 ?仅在船舶行业应用 ?系统集成了该公司对船舶设计方法及业务过程的理解 ?对典型的船舶设计过程尤其是其母公司的产品类型有很好的支持 ?一般将船体信息保存在专用数据库中 ?单一系统覆盖整个船舶设计过程，包括数据管理及CAD环境 ?其CAD环境是为船体定义及渲染服务的，CAD本身的建模功能严格受限于船体的特征类型
?优势 –专业性强 –数据存储一致 ?弱势 –CAD 渲染功能较差–运动仿真功能弱 –开放性差，二次开发受限 – 设计过程受限于软件本身所提供的业务过程及操作方法，不利于设计创新 专用船舶设计软件系统优势与不足
?瑞典KCS 公司的Tribon 船舶CAD 软件?美国PTC 公司的CADDS5软件?西班牙Foran ?澳大利亚Maxsurf 船舶设计软件 ?加拿大ShipConstructor 船舶建造软件? 芬兰纳帕有限公司NAPA 船舶设计系统 专用船舶设计软件系统代表
通用软件系统中的船舶模块组合概述?软件系统本身并不仅仅针对船舶行业 ?软件系统的全部功能是覆盖多个行业所需功能的全部超集 ?针对船舶行业，这些软件系统有相应的一系列模块组织，用于完成船舶行业各过程所需操作，但这些模块自身可能不仅仅限于船舶行业应用 ?通过系统的组合与模块的组合，实现对船舶行业过程的整体性支持 ?几何模型信息存储在软件自身CAD文件中而非数据库中 ?通过与PDM系统的结合，形成对船舶行业整个过程的支持。PDM实现过程管理与数据管理，CAD完成船舶设计建模
船用螺旋桨的设计关键分析
船用螺旋桨的设计关键分析 船、机、桨系统中，船体是能量的需求者，主机是能量的发生器，螺旋桨是能量转换装置，三者之间是相互紧密联系的，但同时又要遵从各自的变化特性。 1.螺旋桨 民用船使用的图谱桨，一般以荷兰的B型桨和日本的AU桨为主。AU桨为等螺距桨、叶切面为机翼型；B型桨根部叶切面为机翼型、梢部为弓形，除四叶桨0.6R至叶根处为线性变螺距外，其余均为等螺距，桨叶有15°的后倾。为便于设计方便，由．KT、KQ——J敞水性征曲线图转换为BP一δ图谱。 桨与船体各自在水中运动时，都会形成一个水流场。水流场与桨的敞水工作性能和船的阻力性能密切相关。当桨在船后运动时，2个原本独立的水流场必然会相互作用、相互影响。船体对螺旋桨的影响体现在2个方面：（1）伴流。由于船尾部螺旋桨桨盘处因水的粘性等因素作用，形成一股向前方向的伴流，使得螺旋桨的进速小于船速。（2）伴流的不均匀性。船后桨在整个桨盘面上的进速不等(在实用上可取相对旋转效率为1)。 2.螺旋桨对船体的影响 由于螺旋桨对水流的抽吸作用，造成桨盘处的水流加速，由伯努利定律可知，同一根流线上，水质点速度加快，必然会导致压力下降，从而造成船的粘压阻力增加。也就是桨产生的推一部分用于克服船体产生的附加阻力。 如果用伴流分数ω表征伴流与船速的比值，用推力减额t表征船体附加阻力与船体自身阻力的比值。那么，敞水桨与船后桨的差别就在于一个船身效率(1一t)／(1一ω)从中可以看出，伴流分数ω越大、推力减额t越小，则船身效率越高。 从螺旋桨图谱可以看出，横坐标的参数为√BP或BP。BP称为收到功率系数(或称为载荷系数)，其值为：BP=NPD0.5 /VA2.5式中：N为螺旋桨转速；PD为螺旋桨敞水收到功率；VA为螺旋桨进速。 BP值越小，对应的螺旋桨敞水效率越高；反之，则螺旋桨效率越低。从个体因素来讲，N值和PD0.5 /VA2.5值越小，BP 值就越小。PD和VA参数有联动关系，在相对低速的范围内，PD值变大、BP值变小；在相对高速的范围内，PD值变大、BP值也变大。这取决于船的阻力特性。 实际船螺旋桨设计时，还要考虑以下的先决条件：螺旋桨直径有无限制、船舶航速的具体要求。 一般情况下，螺旋桨设计工况都对应船舶满载航行的状态，在该航行状态下，主机发出预定功率、螺旋桨效率达到最佳，船、机、桨匹配理想。但如果设计参数选择不当，就会造成螺旋桨产生“轻载”或“重载”的现象，“轻载”是指螺旋桨达到设计转速后，不能充分吸收主机的转矩，主机发不出预定功率；“重载”是指螺旋桨还未达到设计转速时，主机转矩已达到最大值，主机同样发不出预定功率。 螺旋桨设计产生“轻载”还是“重载”现象，主要取决于2个方面：(1)伴流分数ω、推力减额t取值是否正确。(2)船舶阻力计算的误差。 如选取的伴流分数ω大于船后实际值，则螺旋桨不能吸收预定的功率和发出要求的推力，从而无法达到预定的航速，螺旋桨处于“轻载”状态；反之螺旋桨处于“重载”状态。
遗传算法在BP神经网络优化中的应用.
遗传算法在 BP 神经网络优化中的应用 2O世纪80年代后期，多机器人协作成为一种新的机器人应用形式日益引起国内外学术界的兴趣与关注。一方面，由于任务的复杂性，在单机器人难以完成任务时，人们希望通过多机器人之间的协调与合作来完成。另一方面，人们也希望通过多机器人间的协调与合作，来提高机器人系统在作业过程中的效率。1943年，Maeullocu和 Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展、停滞、再发展的过程，时至今日正走向成熟，在广泛领域里得到了应用，其中将人工神经网络技术应用到多机器人协作成为新的研究领域。本文研究通过人工神经网络控制多机器人完成协作搬运的任务-3 J，并应用遗传算法来对神经网络进行优化。仿真结果表明，经过遗传算法优化后的搬运工作效率显著提高，误差降低。 1 人工神经网络 ANN)的基本原理和结构 人工神经网络(Artiifcial Neural Network，ANN)) 是抽象、简化与模拟大脑神经结构的计算模型，又称并行分布处理模型 J。ANN 由大量功能简单且具有自适应能力的信息处理单元——人工神经元按照大规模并行的方式通过一定的拓扑结构连接而成。ANN拓扑结构很多，其中采用反向传播(Back-Propa- gation，BP)算法的前馈型神经网络(如下图1所示)，即BP人工神经网络，是人工神经网络中最常用、最成熟的神经网络之一。 BP网络模型处理信息的基本原理是：输入信号x；通过中间节点(隐层点 )作用于出节点，经过非线形变换，产生输出信Yk，网络训练的每个样本包括输入向量 x和期望输出量 T，网络输出值Y与期望输出值T之间的偏差，通过调整输入节点与隐层节点的联接强度取值w；；和隐层节点与输出节点之间的联接强度Y以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数 (权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
船用螺旋桨的设计原理培训课件
船用螺旋桨的设计原 理
船用螺旋桨的设计原理 摘要：螺旋桨是造船行业必备的推进部件，它的设计精度将直接影响船的推进速度，它为船的前进提供的推力。 螺旋桨设计是整个船舶设计的一个重要组成部分，它是保证船舶快速性的一个重要方面。一般螺旋桨设计是在初步完成了船舶线型设计，并通过估算或用船模试验的方法确定了船体有效功率之后进行的。船在水面或水中的航行时遭受阻力，为了使船舶能保持一定的速度向前航行，必须供给船舶一定的推力，以克服其所承受的阻力。作用在船上的推力是依靠专门的装置或机构通过吸收主机发出的能量并把它转换成推力而得，而这种专门吸收与转换能量的装置或转换能量的装置或机构统称为推进器。推进器种类很多，例如风帆，民轮，直叶推进器，喷水推进器及龙叶螺旋桨等，螺旋桨构造简单，造价低廉，使用方便，效率较高，是目前应用最广的推进器。 结构组成 螺旋桨俗称车叶，通常由桨叶和浆毂组成。螺旋桨与尾轴连接部分叫浆毂，浆毂是一个锥形体。为了减小水的阻力，在浆毂后端加一整流罩，与浆毂形成一光顺流线形体，称为毂帽。 螺旋桨在水中产生推力的部分叫桨叶，桨叶固定在浆毂上。普通螺旋桨常为3叶或4叶，2叶螺旋桨仅用于机帆船或小艇上，近年来有些船舶（如大吨位大功率的油船），为避免震动而采用5叶或5叶以上的螺旋桨。 由船尾向前看时所见到的螺旋桨桨叶的一面称为叶面，另一面称为叶背。桨叶与毂连接处称为叶根，桨叶的外端称为叶梢。螺旋桨正车旋转时先入水的一边称为导边，另一边称为随边。螺旋桨旋转时叶梢的圆形轨迹称为梢圆。梢圆的直径称为螺旋桨直径，以D表示。梢圆的面积称为螺旋桨的盘面积以Ao表示，可用下式表示它们之间的关系：Ao=πD2/4。 结构计算要素 1）螺旋桨直径：首先考虑与尾型和吃水的关系，在绘制船体线型时，已基本决定了螺旋桨的轴线位置和可能的最大直径。从尾型和吃水条件看，普通船舶的螺旋桨直径大约在下列范围：单桨D=(0.7~0.8)Tw;双桨D=(0.6~0.7)T w. 式中Tw为船舶满载时的船尾吃水。只要螺旋桨直径未超过尾型和吃水条件的限制，就可以通过设计图谱求得敞水效率最佳的螺旋桨直径。但是由于船后伴流不均匀性的影响，敞水最佳直径与船后最佳直径略有差别。随着伴流不均匀的程度，最佳直径应有不同程度的减小：单桨所处的位置的伴流不均匀性较大，最佳直径要减3~5%；双桨所处的位置伴流比较均匀，最佳直径约减少2~4%。 2）盘面比：若螺旋桨的直径、螺距、转速和叶数均相等，则推力和转距均随盘面比的增加而增大。但盘面比大时，翼栅作用较甚，桨叶的摩擦阻力也较大，螺旋桨的效率就较低。盘
BP神经网络的网络学习评价模型
20 摘 要：研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义，传统的网络学习评价方法具有很强的主观性，且仅限于线性模型，缺少科学性。为克服传统网络学习评价方法的不足，实现网络学习评价的智能化，提出了一种基于BP 神经网络的的网络学习评价模型，并利用MA TLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。 关键词：神经网络；MATLAB ；网络学习评价 中图分类号：TP183 文献标识码：A 随着教育信息技术的进一步推广和网络教学资源的不断丰富，网络学习作为一种主要学习方式已经被越来越多的人所接受。近几年，各级精品课程、网络课程的建设所取得的成效已是有目共睹，但重建设、轻使用的现象已成为困扰今后精品课程、网络课程建设的主要因素。教学资源之所以建 起来容易用起来难，原因是多方面的，但网络学习评价机制不健全无疑是其中的一个重要方面。[1] 全面地、科学地评价网络学习，对推动网络教学资源的使用具有十分重的意义。 而传统评价法是在评价指标体系中明确各项指标的权重，使用线性模型进行计算，这种方法缺陷是权值的确定具有很强的主观性，且评价只限线性模型。由于影响网络学习质量的因素很多，且各因素影响的程度也不同，很难用一个线性模型来表达他们之间的函数关系，属于复杂的非线性分 类问题。[2] 而人工神经网络作为一种智能计算技术, 以其非线性映射并具有学习能力等基本特性已广泛应用于模式识别和非线性分类问题。 1网络学习评价问题的提出 网络学习评价问题实质上属于模式识别中的一个分类问题，即根据学生网络学习的各种数据，依据网络学习评价指标体系，对数据进行分析、处理，并得出学生网络学习评价等级。设 n x x x ,,,21 为网络学习评价的n 个评价指标，y 为网络学习评价结果等级，网络学习评价结果等级与评价指标的关系可表示为),,,(21n x x x f y ，进行网络学习评价就是找出评价指标n x x x ,,,21 与评价等级y 之间的函数关系。 2网络学习评价指标体系构建 要进行网络学习评价，首先必须确定网络学习评价的内容和评价标准，即评价的指标体系。在 分析已有的网络学习评价体系的基础上，根据学习评价的基本原则与方法，从学习态度、学习过程和学习效果3个方面构建评价指标（如图1所示）。 第11卷第1期 广州职业教育论坛 Vol.11 No.1 2012年2月 GUANGZHOU VOCATIONAL EDUCATION FORUM Feb. 2012
maxsurf的中文使用手册(船舶设计建造软件).
Maxsurf 的中文使用手册 （版权所有） Formation Design Systems Pty Ltd 1984-99 授权与版权 Maxsurf程序 Ｍaxsurf 的使用权作为一个单用户权利由本公司授予购买该软件的用户。本程序不允许同时在一台以上机器上运行，只有在用户保证对所有备份文件拥有所有权时才允许以备份为目的拷贝此程序。 Maxsurf用户手册 1990～1999 Formation Design Systems保留所有权利，未经许可，本出版物的任何部分均不允许以任何形式和任何目的进行复制、传播或翻译。Formation Design Systems保留修订及改进的权利，本出版物仅描述其出版时的内容，并不反映未来产品情况。 责任声明 任何因购买或使用该软件及其资料而造成的特殊、直接、间接的损害，包括但不仅限于服务中止，业务和期望利益的丢失，Formation Design Systems及作者均概不负责。任何Formation Design Systems的子公司，代理商或雇员没有对这些保证进行修改、扩充或增加的权利。
目录 授权与版权 (2) 目录 (3) 有关说明 (4) 第一章简介 (5) 第二章基本原理 (6) 第三章快速入门 (8) 第四章Maxsurf应用 (24) 曲面 (41) 控制点 (54) 参数转化 (78) 数据输出 (79) 第五章Maxsurf 索引 (85) 工具栏 (86) 菜单 (87) 附录Ａ绘图 (101) 附录Ｂ数据输出 (103) 附录Ｃ曲面算法 (106) 附录Ｄ命令键 (111) 附录Ｅ平台间的文件传送 (112)
船舶快速性螺旋桨设计
课程设计成果说明书 题目：散货船螺旋桨设计 学生姓名：杨再晖 学号：101306119 学院：东海科学技术学院 班级：C10船舶1班 指导教师：应业炬 浙江海洋学院教务处 2013年 6月 21日
浙江海洋学院课程设计成绩评定表 2012 —2013 学年第 2 学期 学院东海科学技术学院班级 C10船舶1班专业船舶与海洋工程
摘要 螺旋桨是船舶的重要组成部分之一，没有它，船舶就无法快速的前行，是造船行业必备的推进部位。螺旋桨设计是船舶设计过程中有关船舶快速性性能设计的重要组成部分，它的设计精度将直接影响船的推进效率。 在船舶线型初步设计完成后，通过有效马力的估算或船模阻力试验，得出该船的有效马力曲线。在此基础上，设计一个效率最佳的螺旋桨，既能达到预定的航速，又要使消耗的主机功率小；或者当主机已选定，设计一个在给定主机条件下使船舶能达到最高航速的螺旋桨，本次课程设计属于第二种。 影响螺旋桨性能的因素有很多，主要有螺旋桨的直径，螺距比，盘面比，桨叶轮廓形状等因素。本次课程设计是用船体的主要参数、主机与螺旋桨螺旋桨参数、设计工况算出以上数据，设计一个螺旋桨，并用CAD软件画出螺旋桨的外形。 关键词：螺旋桨设计；图谱；AUTOCAD
目录 1、已知船体的主要参数 (1) 2、主机与螺旋桨参数 (1) 3、设计工况 (1) 4、按船型及经验公式确定推进因子 (2) 5、可以达到最大航速的计算 (2) 6、桨叶空泡校核，确定螺旋桨主要参数 (4) 7、桨叶强度校核 (6) 8、螺距修正 (8) 9、重量及惯性矩计算 (8) 10、绘制螺旋桨水动力性能曲线 (9) 11、系柱特性与航行特性计算并绘制航行特性曲线图 (10) 12、航行特性计算时取3挡转速按下表进行： (11) 13、螺旋桨计算总结 (13) 14、感想 (14) 15、参考资料 (14)
遗传算法优化的BP神经网络建模[精选.]
遗传算法优化的BP神经网络建模 十一月匆匆过去，每天依然在忙碌着与文档相关的东西，在寒假前一个多月里，努力做好手头上的事的前提下多学习专业知识，依然是坚持学习与素质提高并重，依然是坚持锻炼身体，为明年找工作打下基础。 遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。 目标： 对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。 步骤： 未经遗传算法优化的BP神经网络建模 1、随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。 2、数据预处理：归一化处理。 3、构建BP神经网络的隐层数，次数，步长，目标。 4、使用训练数据input_train训练BP神经网络net。 5、用测试数据input_test测试神经网络，并将预测的数据反归一化处理。 6、分析预测数据与期望数据之间的误差。 遗传算法优化的BP神经网络建模 1、读取前面步骤中保存的数据data； 2、对数据进行归一化处理； 3、设置隐层数目； 4、初始化进化次数，种群规模，交叉概率，变异概率 5、对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数； 6、循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值； 7、将得到最佳初始权值和阈值来构建BP神经网络； 8、使用训练数据input_train训练BP神经网络net; 9、用测试数据input_test测试神经网络，并将预测的数据反归一化处理； 10、分析预测数据与期望数据之间的误差。 算法流程图如下：
各种评价方法统计
第一种 模糊评价方法：内燃机性能评价。 第二种 数据包络分析法 人工神经网络评价法 思想与原理 人工神经网络是模仿生物神经网络功能的一种经验模型，输入和输出之间的变换关系一般是非线性的。首先根据输入的信息尽力神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，是输出结果与实际值之间的差距不断缩小。人工神经网络通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系。由于人工神经网络本身具有非线性的特点，且在应用中只需对神经网络进行专门问题的样本训练，它能够把问题的特征反映在神经元之间相互关系的权中，所以，把实际问题特征参数输入后，神经网络输出端就能给出解决问题的结果。 神经网络的特点是，神经网络将信息或知识分布储存在大量的神经元或整个系统中。它具有全息联想的特征，具有高速运算的能力，具有很强的适应能力，具有自学习、自组织的潜力。他能根据历史数据通过学习和训练能找出输入和输出之间的内在联系，从而能得出问题的解。另外，他有较强的容错能力，能够处理那些有噪声或不完全的数据。部分节点不参与运算，也不会对整个系统的性能造成太大的影响。 反向传播（Back Propagation，BP）神经网络是由Rumelhart等人于1985年提出的一种很有影响的神经元模型，它是一种多层次反馈性模型，使用的石油“导师”的学习算法。有广阔的应用前景。 模型和步骤 处理单元，或称之为神经元，是神经网络的最基本组成部分。一个神经网络系统中有许多处理单元，每个处理单元的具体操作步骤都是从其相邻的其他单元中接受输入，然后产生出输出送到与其相邻的单元中去。神经网络的处理单元可以分为三种类型：输入单元、输出单元和隐含单元。输入单元是从外界环境接受信息，输出单元则给出神经网络系统对外界环境的作用，这两种处理单元与外界都有直接的联系。隐含单元则处于神经网络之中，他不与外界产生直接的联系。它从网络内不接受输入信息，是哟产生的输出则制作能够用于神经网络系统中的其他处理单元。隐含单元在神经网络中起着极为重要的作用。 人工神经网络的工作过程具有循环特征。对事物的哦按段分析必须经过一个学习和训练工程。1949年，Hebb率先提出了改变神经元连接强度的学习规则。其过程是：将样本（训练）数据赋予输入端，并将网络实际输出和期望输出相比较，得到误差信号，以此为依据来调整连接权值。重复此过程，直到收敛于稳态。 BP网络是一种具有三层或者三层以上的层次结构网络，相邻上、下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各种神经元之间无连接。换个角度看，BP神经网络不仅具有输入层节点，输出层节点，还可以有1个或者多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐含层的输出信号传播到输出节点，最后给出输出结果。在BP算法中，节点的作用的机理函数通常选取S形函数。 对于BP模型的输入层神经元，其输出与输入相同，中间隐含层和输出层的神经元的操 作规则如下：Ykj=f(∑ = -- n 1 1 , 1 i i k kj i k Y W) Y k-1i是k-1层的第i个神经元的输出，也是第k层神经元的输入；
领先的 3D 造船软件 FORAN 及其应用
领先的3D造船软件FORAN及其应用 作者：通力有限公司宋英杰 提要：采用先进的3D造船软件并逐步深化其应用，已是国内造船行业的趋势，本文就大型 3D造船软件FORAN的功能特点和应用价值进行了概括的阐述，并就国内船舶设计单位和造船厂应用FORAN软件提出了初步建议。 主题词：FORAN 造船设计 1. 当前船舶设计的发展趋势和软件应用中的主要问题 计算机辅助设计（CAD）技术可以提高船舶设计的效率和质量，已经成为国内造船行业的共识，国内多数骨干研究所和造船厂已经较大范围应用了国际先进水平的3D造船软件，具有代表性的软件是Tribon和CADDS5，经过多年的经验积累和二次开发，应用水平达到了一定的高度，获得了一定的效益，目前正在扩大应用范围；在许多尚未采用3D船舶设计软件的设计单位和造船厂，也已经认识到3D软件的重要性，正在进行软件的策划和考察，以期尽早升级到3D软件上，提高设计水平和竞争能力。 在国际造船业激烈竞争的环境下，我国造船业提出了用15年左右的时间成为世界第一造船大国和造船强国的战略目标。但目前我国造船行业在设计能力、建造模式、船舶质量、交船周期等方面还有差距，需要逐步提高，尽快赶上世界先进水平。 采用先进的造船模式无疑是实现以上目标的关键。国内造船业多年来推行的“转模”工作，使船舶企业各级领导和管理者形成了一定要搞转模的共识，先进的造船模式是提高造船竞争力的必由之路，是科技进步的重要课题，也是实现制度创新和技术创新的切入点。 作为首要的支撑技术，采用符合先进理念的设计软件、提高设计水平则是保证转模工作成功的极为重要的环节。三维产品建模使多用户环境下的船舶设计与建造更加集成化，这意味着如下特征： ?设计人员在一个完全交互的三维图形环境下工作； ?结构和舾装可以平行设计； ?船体外表面、甲板以及舱壁的信息能随时供正在使用该产品模型的设计人员调用； ?在船上某个分段区域的设计人员，可以了解到其他分段区域的信息，不管相邻与否； ?某个分段外舾装的设计人员可以使用产品模型中船体结构中最新的信息； ?最后制造出图时，比如平面制图、管道图以及透视图等，可以自动参照船体外板、甲板、舱壁、框架形式以及任何船舶构件； ?设计人员可以在船厂预先设定的工作目录中选择钢板、型钢以及舾装件； ?设计人员之间可进行数据交换，远程用户之间可同时参与一条船的设计。 三维产品建模让设计者使用这条船的同一个模型，从早期的初步设计一直到建造，有助于整个设计过程中数据的前后一致性。产品模型的优点有以下这些：减少设计时间、减少沟通环节、增强效率、更早的干涉检查、更容易修改、设计错误的大量减少、设计信息的主要来源以及给予产品的可利用性。这种技术还可以包括专家系统以及人工智能。 在船舶设计中，当前的主要发展趋势为： ?使设计模式满足现代造船模式的要求，与生产模式保持一致，提高船舶建造的生产率和质量； ?采用并行工程，缩短设计周期，从而加快交船周期； ?提高设计质量，节约材料和工时，减少设计修改，从而提高质量、降低成本； ?建立船舶产品的全3D数据库，为产品数据管理、生产管理、物流管理等系统提供
遗传算法优化BP神经网络的实现代码-共6页
%读取数据 data=xlsread('data.xls'); %训练预测数据 data_train=data(1:113,:); data_test=data(118:123,:); input_train=data_train(:,1:9)'; output_train=data_train(:,10)'; input_test=data_test(:,1:9)'; output_test=data_test(:,10)'; %数据归一化 [inputn,mininput,maxinput,outputn,minoutput,maxoutput]=premnmx(input_tr ain,output_train); %对p和t进行字标准化预处理 net=newff(minmax(inputn),[10,1],{'tansig','purelin'},'trainlm'); net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=0.00001; %net.trainParam.show=NaN %网络训练 net=train(net,inputn,outputn); %数据归一化 inputn_test = tramnmx(input_test,mininput,maxinput); an=sim(net,inputn); test_simu=postmnmx(an,minoutput,maxoutput); error=test_simu-output_train; plot(error) k=error./output_train
浅谈船舶螺旋桨的设计
浅谈船舶螺旋桨的设计 目录 目录 (1) 2 摘要 ...................................................... 关键词 (2) 引言 (2) 1结构与计算要素 .......................................... 1.1结构组成 ............................................ 1.2计算要素 ............................................ 2项目设计过程及结果与分析 ................................ 2.1船体估算数据 ....................................... 2.2螺旋桨要素选取及结果与分析 .......................... 2.3推力曲线及自由航行计算及结果与分析 .................. 2.4计算总结 ............................................ 2.5螺旋桨模型的敞水实验 ................................ 3螺旋桨设计的发展 ....................................... 3.1节能减排促使螺旋桨加快创新 ......................... 结束语 ................................................... 3 3 3 5 6 6 7 9 9 11 11 13 14 14 14 参考文献 ................................................. 致谢 ..................................................... 附录 .....................................................
人工神经网络在聚类分析中的运用
摘要：本文采用无导师监督的som网络，对全国31个省市自治区的人民生活质量进行了综合评价，在没有先验信息的条件下，不采用人为主观赋予各指标权重的办法，转而运用自组织神经网络自组织竞争学习的网络方法来进行赋值、计算和评价，消除了主观确定各指标的权重的主观性，得到的结果较为符合各省市自治区的实际结果。 关键词：聚类分析；k-means聚类；系统聚类；自组织神经网络；人民生活质量 一、引言（研究现状） 自改革开放以来，我国生产力极大发展，生活水平总体上得到了提高。但是，地区间的发展不平衡始终存在，而且差距越来越大，不同地区人民的生活水平也存在显著的差异。据此，我们利用自组织人工神经网络方法对全国31个省市自治区的人民生活水平质量进行分析评价。 二、指标选取与预处理 1.指标选取 遵循合理性、全面性、可操作性、可比性的原则，从以下5个层面共11个二级指标构建了人民生活质量综合评价指标体系（如下表所示）。 人民生活质量综合评价指标体系 2.指标预处理 （1）正向指标是指标数据越大，则评价也高，如人均可支配收入，人均公园等。 正向指标的处理规则如下（1）： kohonen 自组织神经网络 输入层是一个一维序列，该序列有n个元素，对应于样本向量的维度；竞争层又称为输出层，该层是由m′n=h个神经元组成的二维平面阵列其神经元的个数对应于输出样本空间的维数，可以使一维或者二维点阵。 竞争层之间的神经元与输入层之间的神经元是全连接的，在输入层神经元之间没有权连接，在竞争层的神经元之间有局部的权连接，表明竞争层神经元之间的侧反馈作用。训练之后的竞争层神经元代表者不同的分类样本。 自组织特征映射神经网络的目标：从样本的数据中找出数据所具有的特征，达到能够自动对样本进行分类的目的。 2.网络反馈算法 自组织网络的学习过程可分为以下两步： （1）神经元竞争学习过程 对于每一个样本向量，该向量会与和它相连的竞争层中的神经元的连接权进行竞争比较（相似性的比较），这就是神经元竞争的过程。相似性程度最大的神经元就被称为获胜神经元，将获胜神经元称为该样本在竞争层的像，相同的样本具有相同的像。 （2）侧反馈过程 竞争层中竞争获胜的神经元会对周围的神经元产生侧反馈作用，其侧反馈机制遵循以下原则：以获胜神经元为中心，对临近邻域的神经元表现为兴奋性侧反馈。以获胜神经元为中心，对邻域外的神经元表现为抑制性侧反馈。 对于竞争获胜的那个神经元j，其邻域内的神经元在不同程度程度上得到兴奋的侧反馈，而在nj（t）外的神经元都得到了抑制的侧反馈。nj（t）是时间t的函数，随着时间的增加，nj（t）围城的面积越来越小，最后只剩下一个神经元，而这个神经元，则反映着一个类的特征或者一个类的属性。 3.评价流程 （1）对n个输入层输入神经元到竞争层输出神经元j的连接权值为（6）式：
船舶设计常用软件
我国年造船产量占世界造船总产量的份额和名次已由世界第17位跃居世界第3位，仅次于日本和韩国。预计到2005年，中国年造船产量可迄650万吨以上，在世界造船市场的份额也将提高到15％。但目前，我国整体造船水平大致相当于国际二十世纪80年代末、90年代初的水平，船型开发与设计满足不了开拓市场的需求。不少技术复杂的船，包括超大型集装箱船、大型液化石油气、天然气船、豪华旅游船等尚处于开发阶段。 工欲善其事，必先利其器。随着船舶不断向大型化、复杂化方向发展，利用先进的计算机技术，提高设计水平，缩短设计周期，设计出经济、高附加值的船舶已相当普及。目前，国际上常用的船舶设计软件有如下几种： Tribon Tribon系统是由瑞典KCS(Kockums Computer System AB)公司设计开发的一套用于辅助船舶设计与建造计算机软件集成系统。Tribon集CAD/CAM(计算机辅助设计与制造)与MIS (信息集成)于一体，并覆盖了船体、管子、电缆、舱室、涂装等各个专业的一个专家系统。总体上Tribon系统可分为船体设计、舾装设计、系统管理及维护三大部分。该软件是一个出色的集成系统，也是一个庞大的系统(系统程序约500 MB)，它具有许多其他系统所不具备的优点。Tribon推出的新版本较过去添加了很多新的功能，如在设备选择、合同设计等方面的功能。 我国使用该设计软件系统的公司有：广船国际股份有限公司、江南造船（集团）有限公司等。对我国的用户来说，该软件存在的缺点有：数据开放性不够，数据库系统自成一套与常用的数据库缺少接口等。 NAPA NAPA公司首次在船舶设计软件中采用3D技术，并在船舶初步设计和基本设计阶段提出了3D NAPA船舶模型的概念，这一概念己得到广泛认同。利用NAPA Steel设计师们可以在较短时间内迅速完成结构初步设计和重量、成本计算，生成可供送审的技术文件和图样，并根据需要生成结构有限元计算所需的网格模型。在NAPA于2003.1发布的版本中具有的最新的功能之一是提供了许多软件与NAPA Steel之间的接口，比如说Tribon Hull和Nupas -Cadmatic，以及其它一些典型的经常使用的船舶设计系统。其中与Tribon之间的接口可以实现：曲线的转换、表面的转换、图的转换等。 CADDS 5i CADDS 5i是PTC公司针对船舶、航空、航天行业推出的产品，空中客车、劳斯莱斯、波音公司BAE系统、洛克希德马丁、美国联防公司、中国的CSIC(中船集团)等约2000个客户已经成功地应用了这套解决方案。该产品在世界造船市场的份额也为15％。这个软件主要包括船体、管系、舾装、电力、空调通风系统等几大模块。船体模块主要进行船体结构辅助设计，可输入输出全部船体制造所需的数据。管系施装模块则提供了管系设计和制造所需的所有工具，包括3D管系布置。空调通风模块所提供的工具可支持开发大型HVAC(热力、通风与空调)系统及其结构的能力，并生成制造输出数据。电气系统模块提供的功能可支持船舶电气系统的开发，其中包括布线示意图、3D电缆通道网络、3D布线以及电缆通道支
某沿海单桨散货船螺旋桨设计计算说明书
某沿海单桨散货船螺旋桨 设计计算说明书 刘磊磊 2008101320 2011年7月
某沿海单桨散货船螺旋桨设计计算说明书 1.已知船体的主要参数 船长 L = 118.00 米 型宽 B = 9.70 米 设计吃水 T = 7.20 米 排水量 △ = 5558.2 吨 方型系数 C B = 0.658 桨轴中心距基线高度 Zp = 3.00 米 由模型试验提供的船体有效马力曲线数据如下： 航速V （kn ） 13 14 15 16 有效马力PE （hp ） 2160 2420 3005 4045 2.主机参数 型号 6ESDZ58/100 柴油机 额定功率 Ps = 5400 hp 额定转速 N = 165 rpm 转向 右旋 传递效率 ηs=0.98 3.相关推进因子 伴流分数 w = 0.279 推力减额分数 t = 0.223 相对旋转效率 ηR = 1.0 船身效率 0777.111=--= w t H η 4.可以达到最大航速的计算 采用MAU 四叶桨图谱进行计算。 取功率储备10%，轴系效率ηs = 0.98 螺旋桨敞水收到马力： P D = 4762.8 hp
根据MAU4-40、MAU4-55、MAU4-70的Bp --δ图谱列表计算： 项 目 单位 数 值 假定航速V kn 13 14 15 16 V A =(1-w)V kn Bp=NP D 0.5/V A 2.5 Bp MAU 4-40 δ P/D ηO P TE =P D ·ηH ·ηO hp MAU 4-55 δ P/D ηO P TE =P D ·ηH ·ηO hp MAU 4-70 δ P/D ηO P TE =P D ·ηH ·ηO hp 据上表的计算结果可绘制PT E 、δ、P/D 及ηO 对V 的曲线，如下图所示。
基于遗传算法的BP神经网络优化算法
案例3：基于遗传算法的BP神经网络优化算法 ******************************************************************************* **** 论坛申明： 1 案例为原创案例，论坛拥有帖子的版权，转载请注明出处（MATLABSKY论坛，《MATLAB 智能算法30个案例分析》 2 案例内容为书籍原创内容，内容为案例的提纲和主要内容。 3 作者长期驻扎在板块，对读者和会员问题有问必答。 4 案例配套有教学视频和完整的MATLAB程序，MATLAB程序在购买书籍后可以自由下载，教学视频需要另外购买。 MATLAB书籍预定方法和优惠服务：https://www.360docs.net/doc/622469789.html,/thread-9258-1-1.html 点击这里，预览该案例程序：https://www.360docs.net/doc/622469789.html,/znsf/view/s3/GABPMain.html 已经预定的朋友点此下载程序源代码：https://www.360docs.net/doc/622469789.html,/thread-11921-1-1.html * ******************************************************************************* ** 1、案例背景 BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP 神经网络获得了非常广泛的应用。据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如： ①、学习收敛速度太慢； ②、不能保证收敛到全局最小点； ③、网络结构不易确定。 另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。 本节以某型号拖拉机的齿轮箱为工程背景，介绍使用基于遗传算法的BP神经网络进行齿轮箱故障的诊断。