同類熱銷排行榜

船舶運動自適應建模預報

作者：彭秀艷|責編:朱英彪//趙微微
出版社：科學
ISBN：9787030718839

出版日期：2023/06/01
裝幀：平裝
頁數：228

人民幣：RMB 108 元售價：元

內容大鋼

本書系統介紹了基於非水動力學和水動力學的船舶運動自適應建模預報（濾波）理論和方法，主要內容包括基於Wiener濾波理論、Kalman濾波理論、智能建模理論和混沌相空間重構理論等的船舶運動自適應建模預報原理和方法，以及解決實際工程問題的推理過程和應用中的具體演算法。對於每種自適應建模預報方法均有詳細的理論推導和演算法改進過程，並提供根據科研工作整理出的應用實例，通過應用實例分析給出各種方法的特點。本書既闡述船舶運動自適應建模原理知識，也介紹預報演算法、步驟及實例，強調理論分析、建模方法、工程應用三者之間的協調發展。
本書可供自動控制、慣性導航、無線電通信、船舶運動控制、信號與信號處理等專業的科技工作者參考，亦可作為高等院校船舶工程、電子信息等專業教師、研究生的參考用書。

作者介紹

彭秀艷|責編:朱英彪//趙微微

前言
第1章  緒論
  1.1  概述
  1.2  基於時間序列分析法的船舶運動自適應建模與預報
  1.3  混沌時間序列預測
  1.4  基於水動力學方法的建模與預報
第2章  基於最小均方誤差準則的AR建模與預報
  2.1  最小均方誤差準則和Wiener最優濾波器
  2.2  基於LMS演算法的自適應AR建模
    2.2.1  LMS演算法
    2.2.2  LMS演算法的梯度特性
    2.2.3  係數向量的收斂特性
    2.2.4  LMS演算法與AR模型
  2.3  基於LMS的改進演算法
    2.3.1  LMS-Newton演算法
    2.3.2  NLMS演算法
    2.3.3  仿射投影演算法
  2.4  基於LMS演算法的船舶運動預報
    2.4.1  基於LMS演算法的自適應AR建模預報模型
    2.4.2  模擬實例與分析
  2.5  本章小結
第3章  基於LRLS演算法的船舶運動自適應建模與預報
  3.1  加權最小二乘準則及RLS演算法
  3.2  RLS演算法的收斂性
    3.2.1  參數估計的收斂性
    3.2.2  RLS演算法的均方收斂性
  3.3  線性預報
    3.3.1  前向預報
    3.3.2  反向預報
    3.3.3  變換因子
  3.4  LRLS演算法
    3.4.1  階數更新方程
    3.4.2  時間遞推公式
  3.5  基於LRLS演算法的船舶運動預報
    3.5.1  基於LRLS演算法的AR建模預報模型
    3.5.2  模擬實例與分析
  3.6  本章小結
第4章  基於Kalman濾波演算法的船舶運動自適應建模與預報
  4.1  線性最小方差估計和射影理論
    4.1.1  射影理論
    4.1.2  新息序列
  4.2  Kalman濾波原理及狀態估計
  4.3  基於一步預報的Kalman濾波公式
  4.4  基於Kalman濾波演算法的船舶運動自適應建模
    4.4.1  平穩輸入下的自適應橫向濾波器
    4.4.2  非平穩輸入下的自適應橫向濾波器
  4.5  基於Kalman濾波演算法的船舶運動預報
  4.6  本章小結
第5章  基於LS-SVM的船舶運動自適應建模與預報
  5.1  SVM介紹

    5.1.1  SVM基本原理
    5.1.2  核函數
  5.2  LS-SVM介紹
    5.2.1  LS-SVM基本原理
    5.2.2  參數和核函數參數的確定
    5.2.3  移動時間窗
  5.3  基於LS-SVM的船舶運動自適應建模
  5.4  本章小結
第6章  基於改進周期圖法的船舶運動自適應建模與預報
  6.1  周期圖法
    6.1.1  基於周期圖法的船舶運動自適應建模
    6.1.2  周期圖預報模擬與分析
  6.2  基於改進周期圖法的船舶運動自適應建模
    6.2.1  數據交疊分段的周期圖法原理
    6.2.2  數據交疊分段和加窗函數改進周期圖法原理
  6.3  基於改進周期圖法的船舶運動預報模擬與分析
    6.3.1  數據交疊分段改進周期圖法預報模擬與分析
    6.3.2  加窗函數改進周期圖法預報模擬與分析
    6.3.3  數據交疊分段和加窗函數改進周期圖法預報模擬與分析
  6.4  本章小結
第7章  基於改進LSTM演算法的船舶運動自適應建模與預報
  7.1  改進的LSTM演算法
    7.1.1  LSTM神經網路模型
    7.1.2  PSO演算法
    7.1.3  MHPSO演算法
  7.2  MHPSO演算法性能分析
    7.2.1  MHPSO演算法模擬
    7.2.2  模擬結果對比與分析
  7.3  基於PSO-LSTM和MHPSO-LSTM的預報模型
    7.3.1  基於PSO演算法優化的LSTM神經網路模型
    7.3.2  基於MHPSO演算法優化的LSTM神經網路模型
  7.4  三種預報模型的船舶運動預報模擬與分析
    7.4.1  升沉運動預報分析
    7.4.2  橫搖運動預報分析
    7.4.3  縱搖運動預報分析
  7.5  EMD-MHPSO-LSTM組合模型
    7.5.1  EMD方法
    7.5.2  基於EMD-MHPSO-LSTM組合模型的船舶運動預報
  7.6  船舶運動預報模擬與分析
    7.6.1  升沉運動預報分析
    7.6.2  橫搖運動預報分析
    7.6.3  縱搖運動預報分析
  7.7  本章小結
第8章  基於變步長LMS演算法相空間重構的船舶運動自適應建模與預報
  8.1  混沌時間序列的相空間重構
    8.1.1  時間序列混沌特性分析
    8.1.2  延遲時間的確定
    8.1.3  嵌入維數的確定
    8.1.4  船舶運動混沌時間序列的混沌特性分析與重構
  8.2  變步長LMS演算法

  8.3  相空間重構的AR模型
  8.4  基於變步長LMS演算法相空間重構的船舶運動預報
  8.5  本章小結
第9章  基於Volterra級數模型的船舶運動自適應建模與預報
  9.1  Volterra級數自適應預報模型
    9.1.1  Volterra級數模型
    9.1.2  Volterra級數模型項數的確定及預報模型
  9.2  Volterra級數模型的非線性系統辨識
    9.2.1  基於NLMS演算法的Volterra級數核估計
    9.2.2  基於RLS演算法的Volterra級數核估計
    9.2.3  基於Kalman濾波演算法的Volterra級數核估計
  9.3  基於自適應演算法的Volterra級數模型預報
  9.4  船舶運動組合預報
    9.4.1  組合預報建模
    9.4.2  組合預報模型在船舶運動預報中的應用
  9.5  本章小結
第10章  基於擴展Kalman濾波演算法的船舶運動自適應建模與預報
  10.1  擴展Kalman濾波演算法
    10.1.1  Kalman濾波演算法
    10.1.2  擴展Kalman濾波及線性化
    10.1.3  Kalman濾波器的穩定性和收斂性
  10.2  船舶運動模型
    10.2.1  分離型船舶運動模型
    10.2.2  船舶運動模擬
  10.3  基於擴展Kalman濾波演算法的船舶運動模型辨識
    10.3.1  船舶運動模型的變換
    10.3.2  船舶運動模型參數辨識實驗及分析
  10.4  船舶運動自適應預報模型及模擬
  10.5  本章小結
參考文獻

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

船舶運動自適應建模預報