基于人工神經網絡的自航浮標測波方法可行性

海洋風浪是影響船舶航行安全、燃料效率等關鍵性能指標的重要因素.要對波浪引起的載荷和響應進行預測和分析，就必須獲取準確的隨船海浪信息.波浪雷達、衛星測波等現有遙感方法存在精度較低、校準困難、易受干擾等問題.波浪浮標雖然測波精度大幅提升，但常用于定點測量，不適用于船舶航行中的海浪觀測.

元數據是地理信息系統數據庫建設的基礎，是一種對城市各類數據的描述性數據信息，具有數據共享的特征。隨著數字化城市建設進程的加快，導致社會各行各業對準確的、詳實的多源數據的需求日益增加，加之各類數據庫的逐步普及，不同用戶對數據需求的差異，促進不同結構數據之間的轉化、更新、檢索，甚至是數據集成等都離不開元數據。元數據有利于空間數據的生產和相互轉化利用，使得元數據成為建設地理信息系統數據庫的重要橋梁。

將船舶類比為波浪浮標的思想早在2005年就被提出，國內外眾多學者根據這一思想建立數學模型，采用各類理論方法來研究船舶運動反演波浪的特性，包括在頻域和時域內進行反演研究.頻域反演方法將運動響應譜與傳遞函數相結合，通常選取船舶垂蕩、橫搖、縱搖運動響應作為輸入，采用貝葉斯模型和參數模型等譜分析方法進行波浪譜估計.但頻域方法基于波浪與運動響應之間的線性關系假設，導致其反演精度嚴重依賴可靠的傳遞函數.一方面傳遞函數在不同船舶裝載下會發生顯著變化；另一方面在中高海況下，船舶運動響應具有較明顯非線性特征，頻域方法并不適用.

“廉”，文中的“廉”有不同的譯法。“為人廉”譯為“a man of great integrity”。“integrity”意為誠實正直。“廣廉”譯為“Li Kuang was completely free of avarice”。“avarice”意為（對錢財的）貪婪，貪心。二者的側重點不同。前者是說程不識，后接“謹于文法”，重點突出其正直，方正；后者“廣廉”之后接的是“得賞賜輒分其麾下，飲食與士共之”，重點突出李廣的清廉，不茍取，與“貪”相對。由此可見譯者是在理解全句以及全文的意思之上進行翻譯的，各有側重。雖然是同一個“廉”字，但放在整個上下語境中，就會有不同的側重意。

海浪時域信息對海洋作業決策而言至關重要，但是針對海浪信息的時域反演研究相對較少.現有的時域反演研究方法主要包括Kalman濾波方法和逐步估計法.Pascoal采用Kalman濾波算法實現了模擬數據在穩定條件下的海浪譜快速迭代反演，但該方法仍然需要使用水池和實海試驗數據進行進一步驗證和改進.逐步估計法從船舶運動響應時歷中提取波浪特征周期，采用實測運動響應數據和傳遞函數通過遞歸非線性最小二乘優化估算波浪幅值和相位信息.但該算法具有一定的適用性，目前只適用于單色波的測量.

綜上所述，傳統波浪反演方法無法實現對非線性非平穩海浪的時域反演，人工神經網絡作為近年來興起的一種可以從數據中提取特征的深度學習方法，可以較好地捕捉海浪的非線性非平穩特性，因而被引入到海浪反演領域.Mak等將船體作為波浪浮標，利用六自由度運動作為輸入，通過機器學習方法反演波浪方向.通過數值模擬數據訓練神經網絡模型，到海上實測驗證后發現反演模型的誤差較大.Cheng等針對海態識別問題，提出了一種深度神經網絡模型，并基于動力定位船數值模擬數據進行了海況等級識別驗證.Sidarta等提出了一種利用人工神經網絡(ANN)模型將船舶的運動映射到波浪高度的方法，并估計出了船舶所在位置的有義波高和波峰周期.但上述研究大多關注海浪浪向、海況等級、有義波高和波峰周期等海浪參數的反演，針對海浪實時波面的反演還鮮有研究.本文基于人工神經網絡建立了波浪時域反演的預報模型，較好地解決了波浪反演過程中非線性非平穩特征難以捕捉的問題.與此同時，設計自航浮標并開展水池模型試驗，將模型預報結果與水池試驗結果進行對比驗證.

1 自航浮標基本特征

本文以荷蘭Marin設計的自航浮標C-Drone為母型，設計自航式波浪浮標，用于船舶運動反演時歷方法研究.設計時需根據試驗目的和需求，對浮標總體形式和布局進行合理設計.自航浮標需要達到的主要目的包括：

(3) 自航浮標通過搭載加速度傳感器采集運動信號，并將數據實時傳送出來.

教師補充說明當時一些科學家所認為的該實驗的不足：由于提純和分離技術的限制，艾弗里實驗中提取的DNA分子，即使純度最高時還含有質量分數為0.02%的蛋白質。

中間的主船體約占排水體積的90%，提供主要浮力，內可放置各類設備，壓載塊，且可增加船的穩性、降低傾覆風險.電池組是自航浮標的全部能源，為動力模塊、傳感器和微處理器模塊提供了能源保證.傳感器用來記錄浮標在波浪中運動的姿態參數，微處理器讀入傳感器的姿態數據并使用訓練好的ANN網絡進行實時的波面反演.舵機和螺旋槳可以保證浮標在有人操控下進入需要測量的目標區域.

南通紡織企業除了要做好技術升級和產品質控，市場營銷是其生存發展的生存命脈。南通鵬越紡織有限公司成立于2004年，是南通紡織企業的中小型企業代表。本文以南通鵬越紡織有限公司為研究對象，通過新時期新形勢下該公司產品營銷、價格影響等營銷現狀的客觀研究，深入探究其營銷策略方面存在的問題。并針對這些現實存在的問題，結合營銷相關理論基礎，從產品優化、定價優化、渠道優化和促銷優化等四個方面，提出一系列建議措施，通過以小見大的方式，力求為新時期南通中小型紡織企業的營銷和穩定健康發展，盡獻綿薄之力。

(1) 浮標在螺旋槳推進與舵的操縱下，實現自航功能.

假設神經網絡除去輸入層的總層數為(層數>1), 輸入層到輸出層各層節點個數分別為,, …,，由此定義了輸入向量的維度為，輸出向量的維度為, 網絡的每一層輸出向量分別表述如下.

(2) 自航浮標通過無線通信模塊與操作者進行通信，接收操作者發送的控制指令.

1.2.2.1 氣相色譜條件。色譜柱為HP-5MS毛細管柱(30 m×0.25 mm × 0.25 μm)；程序升溫：從60 ℃開始,以10 ℃/min升到120 ℃,然后再以20 ℃/min升到220 ℃,最后以10 ℃/min升到280 ℃；進樣口溫度為270 ℃；載氣為He；柱流量：0.8 mL/min；進樣量：0.1 μL,分流比：50∶1。

2 基于ANN的波浪時歷反演模型

人工神經網絡能夠以任何精度逼近任意連續的非線性函數，對復雜不確定問題具有自適應、學習能力.本文的基本思想是使用浮標在波浪中運動所記錄的大量運動數據及浪高儀記錄的數據集來訓練神經網絡，得到浮標運動與波面之間的映射關系.

典型的神經網絡結構如圖4所示.圖中：，，…，代表每一層神經元的輸入；，，…，代表每一個神經元的權重；代表每層神經元的偏置；代表激活函數；代表來自第個神經元的輸入；代表輸出.輸入層與輸出層的節點數由實際需求設定，層與層之間通過權值向量連接，隱藏層神經元包括一個加法器和激活函數，對上一層傳遞過來的信息進行加權求和，通過線性或非線性激活函數處理，從而得到神經元的輸出值.

本文所設計的自航浮標主要參數如表1所示，采用三體船形式，主要考慮總體布置性好，內部空間大，可更好地安裝電子系統、動力系統等設備，另外較大的空間便于模塊化，有利于后續改裝.自航浮標分為水面浮體平臺和地面控制站兩部分.水面浮臺由浮臺主體、電池組、動力模塊、傳感器及微處理器模塊構成，各組件布置與試驗所用模型如圖1和2所示.自航式波浪浮標主要靜水力特征包括排水量曲線、浮心縱向坐標曲線、浮心垂向坐標曲線、水線面面積曲線、橫穩心半徑曲線等，主要靜水力特征如圖3所示.圖中：為吃水；為排水量；為浮心縱向坐標；為浮心垂向坐標；為水線面面積；BM為橫穩心半徑.

NCCN及ASCO指南對于住院的惡性腫瘤患者均推薦在無出血和抗凝藥禁忌癥時應行低分子肝素預防性抗凝治療[8]。對腫瘤患者進行預防性抗凝治療可將VTE的發生率降低5%～15%[9]。目前，皮下注射低分子肝素成為初始治療急性血栓癥的一線方法[10-11]。這一療法避免了靜脈灌注和實驗室監測，因此可以提高惡性腫瘤患者的生活質量。另外，應用低分子肝素可以縮短住院時間，減少治療費用[12]。

輸入層：

(1)

輸出層：

(2)

使用ANN方法反演波面時歷時，首先需要得到準確的浮標運動數據，本文設計的浮標使用加速度傳感器獲得運動數據，采樣頻率是10 Hz，圖9所示為在波浪頻率=4.135 rad/s時，浮標的垂蕩加速度()時歷.本文在處理波浪時，使用的ANN網絡總共分為4層，前3層使用的是ReLU函數，第4層使用的是線性函數，訓練模型時，選出數據集里的10%作為測試集，另外90%作為訓練集，每次訓練輸入200個自航浮標的運動數據，輸出的是200個波面信息.經過 8 000 次的學習，訓練的誤差降至0.29%，模型訓練完成后，輸入自航浮標的運動數據，即可輸出比較準確的波面數據.

定義每一層的權重矩陣與偏置向量：

仔豬紅痢由C型魏氏梭菌的外毒素引起，主要發生于1周齡以內的仔豬，以1～3日齡新生仔豬多見，偶發生于2～4周齡以下的仔豬。發病仔豬由于腸黏膜炎癥和壞死以排出紅色稀糞為特征，病程短，死亡率高。

∈×∈×1

(3)

∈×∈×1

(4)

?

()∈×-1()∈×1

(5)

每一層的激活函數分別為，，…()一般根據不同的應用選擇相應的激活函數，每一層所使用激活函數類型可以統一也可不統一．對于隱藏層，有：

由此看來，印刷企業不應被現時所謂的低迷而震懾，根據產品的銷量決定資金的投入，淘汰不適應市場需求的產品，有意識地去調節品種，開拓新市場，往高質量和高水平的方向發展，或可讓印刷企業活得更久，活得更好。

(6)

通過正向逐層計算，可得到網絡中每一層的net()與()及每層的輸入向量與輸出向量，從而得到每個神經元的輸入值和輸出值.

(7)

(8)

(9)

net中每個元素表示對輸入層向量以及偏置向量的加權和，也可稱為第1層(隱藏層1)神經元的輸入向量．因此，對于第層(∈{1, 2, …,})：

(1≤≤)

(10)

net()=()(-1)+()

(11)

(12)

()=()(net())=

(13)

net=+

本文設計的神經網絡共有4層，包括輸入層、輸出層和兩個隱藏層，每層神經元的個數由等比數列確定.由于傳感器的采樣頻率是10 Hz，波浪對浮標運動影響最大的是垂蕩，故只選用垂蕩數據作為輸入參量，這決定了輸入層神經元個數為200.輸出參量僅為波面，因此輸出層神經元個數為1.

輸入層節點數和輸出層節點數確定后，隨之而來的一個重要問題是如何優化隱藏層節點數和隱層數.實驗表明，如果隱藏層結點數過少，網絡不能具有必要的學習能力和信息處理能力.反之，若過多，不僅會大大增加網絡結構的復雜性，網絡在學習過程中更易陷入局部極小點，而且會使網絡的學習速度變得很慢.

對于簡單的數據集，1～2個隱藏層通常就足夠了，本文使用的神經網絡選用2層隱藏層，每一層神經元個數分別為34和6，前3層使用的是ReLU函數，第4層使用的是線性函數，圖5所示為所建立的神經網絡的基本結構.

由圓表示的神經元排列在輸出層和隱藏層中，簡單起見，我們僅考慮有一個隱藏層的網絡，當然，使用兩層甚至三層的情況也很普遍.在同層的神經元之間是沒有連接的，相鄰兩層之間是全連接的.每一個神經元與神經元之間的連接都與一個權重相關聯，人工神經網絡實際上是一個有大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜邏輯操作和非線性關系實現.

3 水池試驗和結果分析

3.1 試驗數據描述

本文使用的數據全部來自水池試驗.自航浮標的相關試驗在哈爾濱工程大學船模拖曳水池中進行，水池建于1987年，是船舶工程與海洋工程流體力學教學和科學實驗基地，是國際船模實驗水池會議(ITTC)正式會員.水池裝備八推板三維造波機，可生產規則波、不規則波，其主要技術指標如表2所示.

迎浪規則波試驗時，船首頂浪，水池左端造波板根據輸入波浪控制參數，空間范圍內生成預設的波浪環境，通過船載的傳感器記錄在波浪激勵下的垂蕩和縱搖運動響應.使用ANN模型反演理論的實施過程如圖6所示，圖中為波面高程；為時間.

在母語磨蝕研究中，除了對其發生機制進行研究外，學者們還探討了影響母語磨蝕的各種因素。其中，已經明確的可能影響母語磨蝕的因素包括受蝕年齡、使用母語的頻率和動機或情感等。

圖7和8分別為拖曳水池與試驗照片.迎浪規則波工況如表3所示，根據不同波長船長比，共設置了12組試驗，編號為1～12.此外，設置了一組不規則波工況作為對比，不規則波取3級海況，有義波高為0.08 m，特征周期為2 s.

3.2 ANN網絡訓練策略

3.3 結果和討論

第2節已經詳細介紹了基于人工神經網絡的反演波面方法，圖10所示為不同頻率規則波下的反演對比結果.

圖10的結果中，反演值與實驗值總體上吻合得很好，說明使用ANN方法能夠很好地得出規則波下船舶運動與波面的映射關系.證明了ANN模型在規則波下依靠運動反演波面的正確性.整體看來，在規則波下，反演值與實驗值的相位基本一致，但在局部的波峰和波谷處，反演值與實驗值有較小偏差，可能的原因是波浪與運動之間的非線性較強，導致使用ANN模型進行反演時產生偏差.

圖11所示為不規則波下波面反演值和實驗值的時歷對比.從反演時歷結果中可以看出，在不規則波作用下，由運動反演的波面值與實驗值吻合較好.反演值與實驗值的相位偏差較小，本文提出的基于ANN方法的模型可以較好地由運動響應反演出波面信息，驗證了ANN模型在不規則波浪下反演的可行性與準確性.但是ANN反演的結果在局部還是有比較明顯的偏差，在15～17 s和25～27 s時，ANN在波峰與波谷處的反演值與測量值均有偏差，可能的原因是在該區域波浪的頻率特征復雜，加之船舶在產生運動時已經進行了一次“過濾”，雙重復雜影響導致簡單的ANN模型無法正確建立映射關系，故對該區域的波浪進行反演存在較大相對的偏差.

The rigid/elastic coupling dynamic state space modeling above is derived from the large nonlinear deformation of elastic aircraft based on common body coordinate frame.It well meets the demand of rigid/elastic coupled stability analysis under large deformation for very fiexible aircraft.

藥品調劑是醫院住院藥房的一項中心工作，其工作質量的高低直接影響著患者臨床用藥的安全性和及時性。隨著醫院藥房的發展與日趨完善，藥房管理也日益標準化，并已逐漸從傳統的經驗管理向精細化管理轉變。在這一過程中筆者發現，住院藥房的藥品調劑工作仍存在較多問題，如調劑流程欠合理影響臨床用藥及時性，或取藥頻次過多加大了藥師工作量等。為提高重慶醫科大學附屬第一醫院金山醫院（簡稱“我院”）藥品調劑工作的質量與效率，筆者采用PDCA循環法對我院住院藥房藥品調劑流程進行了優化實踐。

對比由反演的波浪時歷與浪高儀記錄的數據進行誤差分析，均方根誤差為

(14)

式中：為反演數據；為真實值.根據式(14)可計算出不同波浪頻率下反演結果的相對誤差，如表4所示.

使用ANN方法反演不規則波的波面時歷，有義波高為80 mm時，均方根誤差為8.03 mm，相對誤差為10.04%.但同時從時歷結果可以看出，無論是規則波還是不規則波下，波面反演值與實驗值在局部均存在偏差.這種偏差主要來源于波浪與運動之間的非線性關系，同時波浪誘導的運動受到浮標濾波作用影響，且ANN模型的訓練策略未進行優化.利用ANN方法進行波浪反演研究是一個較新的領域，對于提高反演精度以及有航速反演與斜浪反演等問題，后續還有待進一步研究.

4 結論

實時準確的海浪信息監測對綠色智能船舶及航行安全至關重要.鑒于當前海浪觀測技術對非線性非平穩數據處理的局限性，本文提出了一種用于波浪反演的人工神經網絡模型，驗證了預測精度，討論了輸入輸出策略.利用水池試驗數據對基于人工神經網絡的反演結果與浪高儀實測結果進行對比，獲得以下結論：

(1) 確定人工神經網絡反演方法的可行性是海浪反演的首要問題.利用多組規則波和一組不規則波下船舶運動的試驗數據對人工神經網絡模型進行訓練.并將訓練后的模型應用到波面反演.通過對比反演結果與實測結果，發現規則波的測波相對誤差多數在10%內，不規則波的測波相對誤差在10%左右，可以認為使用人工神經網絡方法根據船舶運動反演實時波面是一種切實可行的方法.

(2) 在時域方面，船舶運動響應數據非平穩非線性的特征可以通過人工智能方法來解決.基于人工神經網絡模型的測波方法完全由數據驅動，適合處理非線性問題，無需引入前提假設，可以為船舶運動反演波面時歷提供新的解決思路.

需要指出的是，不同頻率的波浪對船舶的影響各異，本文提出的反演方法對不同頻率的波浪反演適用性還需進一步探索.此外，不同船舶對波浪的響應也不盡相同，本文提出的反演方法對不同主尺度和不同外形特點船舶的反演效果還需進一步研究.