-
公开(公告)号：CN118466519B
公开(公告)日：2024-10-11
申请号：CN202410923907.9
申请日：2024-07-11
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
Abstract: 本发明提供了一种无人船集群的自组织协同围捕控制方法、装置及设备，涉及智能控制技术领域，包括：获取被围目标和无人船集群的测量状态信息，所述无人船集群包括至少三个欠驱动无人船；将所述测量状态信息输入分布式目标状态观测器得到估计状态信息；根据所述测量状态信息和所述估计状态信息进行围捕轨迹计算得到虚拟离散参考轨迹；通过所述虚拟离散参考轨迹和环境扰动估计值得到协同围捕控制方法，所述环境扰动估计值用于表示对海洋环境扰动进行估计的信息。本发明实现了实际情况下的无人船集群协同围捕。
-
公开(公告)号：CN118520778B
公开(公告)日：2024-10-01
申请号：CN202410968747.X
申请日：2024-07-19
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/084 , G06N3/0985 , G06F113/08 , G06F119/14
Abstract: 本发明属于水下运动阻力测算领域，特别涉及一种基于物理信息神经网络的水下全回转航行体阻力预测方法与优化系统，具体包括如下步骤：S1.模型参数化；S2.几何重构和样本设计；S3.数据集准备；S4.PINNs网络构建；S5.测试网络模型；S6.求解阻力；S7.预测系统精度验证。本发明创新性地超越了传统的纯数据驱动训练模型，该模型通常依赖于大量的船型计算数据来训练近似模型以达到满意的精度。相反，本发明从基本原理出发，引入了物理信息作为损失函数的一部分，实现了一种深层次的数据驱动方法。即使在CFD样本数量有限的情况下，本发明也能通过利用大量的流场信息作为训练和测试集，不仅保证了模型精度，同时也显著减少计算资源。
-
公开(公告)号：CN118311571B
公开(公告)日：2024-08-30
申请号：CN202410733282.X
申请日：2024-06-07
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
Abstract: 本发明属于海洋遥感探测领域，公开了一种非相参雷达海杂波图像相位平均反演方法及系统，该方法包括雷达反演部分和随船波浪测量部分；雷达反演部分中，从雷达的海杂波图像实现海浪有义波高参数的测量，包括图像预处理、三维傅里叶变换、图像滤波、经验调制传递以及海浪参数计算；随船波浪测量部分中，根据惯导采集的船舶摇荡数据，提取得到待测海域的海浪的有义波高信息，再利用域内海浪有义波高信息对雷达测量的有义波高进行修正。本发明基于船舶运动数据修正的非相参雷达海杂波图像相位平均反演方法，相较于传统雷达反演方法，通过将随船运动数据替代浮标标定，可以采集任意航行区域数据，数据充足；随船测量，位置灵活，大大提高了适用性。
-
公开(公告)号：CN118228009B
公开(公告)日：2024-08-06
申请号：CN202410657990.X
申请日：2024-05-27
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/22
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种基于自相关分解的船舶运动极短期预报方法及系统，该方法通过滑动平均方法滤除船舶运动序列的周期性特征，提取序列平稳趋势项，并采用序列作差得到季节项特征；基于编码器‑解码器架构，将自相关机制引入船舶运动序列特征学习，通过计算序列自相关来发现基于周期的依赖关系，并采用时间延迟聚合来聚合相似的子序列，分别对船舶运动序列的季节项和趋势项进行预报，最终得到高精度的船舶运动预报结果。本发明的船舶运动极短期预报方法采用滑动平均算法分解船舶运动时域特征，并结合自相关机制与时延聚合算法代替Transformer架构的自注意力机制进行长期特征学习，提升船舶运动预报精度。
-
公开(公告)号：CN117909666B
公开(公告)日：2024-07-02
申请号：CN202410308826.8
申请日：2024-03-19
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/15 , G06F18/214 , G06F18/25 , G06F30/27 , G06N3/0499 , G06Q10/04 , G06Q50/26 , G06F111/10
Abstract: 本发明属于海洋环境预测及修正技术领域，公开了一种融合数值模式及深度学习的海浪智能订正方法及系统。该方法获取任务海域环境数据，构建海浪数值模式计算模型，构建海浪智能订正数据集，构建人工智能海浪订正模型，融合数值模式及深度学习的海浪智能订正模型泛化性分析，利用所述模型对海域内某位置处的海浪数值模拟结果进行订正，并采用浮标实测结果对模型进行验证，以测试模型对海域波浪场的智能订正效果。本发明相较于传统海浪数值模式，本发明提出的海浪智能订正模型可以考虑模式不同方案设置带来的影响，显著提升了对海浪的预报精度及效率。本发明为实海域海浪预报提供了一种新颖有效的方法和策略。
-
Patent Agency Ranking
公开(公告)号：CN118228009A
公开(公告)日：2024-06-21
申请号：CN202410657990.X
申请日：2024-05-27
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/22
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种基于自相关分解的船舶运动极短期预报方法及系统，该方法通过滑动平均方法滤除船舶运动序列的周期性特征，提取序列平稳趋势项，并采用序列作差得到季节项特征；基于编码器‑解码器架构，将自相关机制引入船舶运动序列特征学习，通过计算序列自相关来发现基于周期的依赖关系，并采用时间延迟聚合来聚合相似的子序列，分别对船舶运动序列的季节项和趋势项进行预报，最终得到高精度的船舶运动预报结果。本发明的船舶运动极短期预报方法采用滑动平均算法分解船舶运动时域特征，并结合自相关机制与时延聚合算法代替Transformer架构的自注意力机制进行长期特征学习，提升船舶运动预报精度。
-
公开(公告)号：CN117909666A
公开(公告)日：2024-04-19
申请号：CN202410308826.8
申请日：2024-03-19
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/15 , G06F18/214 , G06F18/25 , G06F30/27 , G06N3/0499 , G06Q10/04 , G06Q50/26 , G06F111/10
Abstract: 本发明属于海洋环境预测及修正技术领域，公开了一种融合数值模式及深度学习的海浪智能订正方法及系统。该方法获取任务海域环境数据，构建海浪数值模式计算模型，构建海浪智能订正数据集，构建人工智能海浪订正模型，融合数值模式及深度学习的海浪智能订正模型泛化性分析，利用所述模型对海域内某位置处的海浪数值模拟结果进行订正，并采用浮标实测结果对模型进行验证，以测试模型对海域波浪场的智能订正效果。本发明相较于传统海浪数值模式，本发明提出的海浪智能订正模型可以考虑模式不同方案设置带来的影响，显著提升了对海浪的预报精度及效率。本发明为实海域海浪预报提供了一种新颖有效的方法和策略。
-
公开(公告)号：CN117539267A
公开(公告)日：2024-02-09
申请号：CN202410026148.6
申请日：2024-01-09
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G05D1/43
Abstract: 本发明提供一种气垫船的运动控制方法及系统，涉及船舶运动控制技术领域，该方法包括分别获取风载荷、冰面摩擦载荷、期望艏向、期望航速以及期望侧滑；根据对应模型生成风载荷推力、风载荷转艏力矩、摩擦载荷推力、摩擦载荷转艏力矩、空气舵推力、空气舵转艏力矩、矢量喷管推力、矢量喷管转艏力矩、空气螺旋桨推力、空气螺旋桨转艏力矩；根据上述推力，生成气垫船推力；根据风载荷转艏力矩、摩擦载荷转艏力矩、空气舵转艏力矩、矢量喷管转艏力矩以及空气螺旋桨转艏力矩，生成气垫船转艏力矩；采用Joystick+AutoControl混合控制方法，控制气垫船。本发明可以改善气垫船的运动控制难度，降低危险性，避免航行事故。
-
公开(公告)号：CN118586295A
公开(公告)日：2024-09-03
申请号：CN202411053875.8
申请日：2024-08-02
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/25 , G06F30/28 , G06N3/0499 , G06F17/11 , G06F113/08 , G06F119/14
Abstract: 本发明涉及船舶冰荷载领域，特别涉及一种基于物理信息神经网络的船舶冰载荷预报方法，实现了船舶冰载荷的智能预报。首先利用CFD‑DEM耦合计算得到在破碎冰区航行的船舶的冰载荷力以及当前时刻冰粒子的数量和相对碰撞速度，依此作为网络的训练与验证数据，之后构建冰粒动量与船舶冰载荷之间的动量守恒方程作为物理约束加入到网络的损失函数中，最后建立全连接网络结构。本发明通过建立神经网络数据集，并利用浮冰和船舶冰载荷相关的物理方程约束神经网络，将神经网络结合物理方程，从而在实时破冰的途中计算并预测后续冰面所到来的阻力；让本发明与船体的显示单元结合时，能够根据实际破冰需要的船速完成调节。
-
公开(公告)号：CN118469043A
公开(公告)日：2024-08-09
申请号：CN202410930919.4
申请日：2024-07-12
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06N20/00 , G06F18/10 , G06F18/213 , G06F18/2433
Abstract: 本发明提供了一种船舶运行模型训练方法和船舶运行控制方法，涉及数据处理技术领域。船舶运行模型训练方法可包括通过主成分分析算法，将多个第一训练数据中的每个第一训练数据中的第一输入数据映射到二维坐标系中，以得到每个第一训练数据的第二输入数据；根据每个第一训练数据的第二输入数据，并结合网格密度法，对多个第一训练数据进行离群点筛除，以得到多个第二训练数据；根据多个第二训练数据中的每个第二训练数据所属的网格的密度，配置每个第二训练数据的第一权重；根据每个第二训练数据和每个第二训练数据的第一权重，对第一船舶运行模型进行训练，以得到第二船舶运行模型。本发明提供的船舶运行模型训练方法可提高船舶运行模型的精度。
-
-
-
-
-
-
-
-
-
Search Results
180
records
(took 0.036 seconds)
