基于人工神经网络的自航浮标测波方法可行性

海洋风浪是影响船舶航行安全、燃料效率等关键性能指标的重要因素.要对波浪引起的载荷和响应进行预测和分析，就必须获取准确的随船海浪信息.波浪雷达、卫星测波等现有遥感方法存在精度较低、校准困难、易受干扰等问题.波浪浮标虽然测波精度大幅提升，但常用于定点测量，不适用于船舶航行中的海浪观测.

元数据是地理信息系统数据库建设的基础，是一种对城市各类数据的描述性数据信息，具有数据共享的特征。随着数字化城市建设进程的加快，导致社会各行各业对准确的、详实的多源数据的需求日益增加，加之各类数据库的逐步普及，不同用户对数据需求的差异，促进不同结构数据之间的转化、更新、检索，甚至是数据集成等都离不开元数据。元数据有利于空间数据的生产和相互转化利用，使得元数据成为建设地理信息系统数据库的重要桥梁。

将船舶类比为波浪浮标的思想早在2005年就被提出，国内外众多学者根据这一思想建立数学模型，采用各类理论方法来研究船舶运动反演波浪的特性，包括在频域和时域内进行反演研究.频域反演方法将运动响应谱与传递函数相结合，通常选取船舶垂荡、横摇、纵摇运动响应作为输入，采用贝叶斯模型和参数模型等谱分析方法进行波浪谱估计.但频域方法基于波浪与运动响应之间的线性关系假设，导致其反演精度严重依赖可靠的传递函数.一方面传递函数在不同船舶装载下会发生显著变化；另一方面在中高海况下，船舶运动响应具有较明显非线性特征，频域方法并不适用.

“廉”，文中的“廉”有不同的译法。“为人廉”译为“a man of great integrity”。“integrity”意为诚实正直。“广廉”译为“Li Kuang was completely free of avarice”。“avarice”意为（对钱财的）贪婪，贪心。二者的侧重点不同。前者是说程不识，后接“谨于文法”，重点突出其正直，方正；后者“广廉”之后接的是“得赏赐辄分其麾下，饮食与士共之”，重点突出李广的清廉，不苟取，与“贪”相对。由此可见译者是在理解全句以及全文的意思之上进行翻译的，各有侧重。虽然是同一个“廉”字，但放在整个上下语境中，就会有不同的侧重意。

海浪时域信息对海洋作业决策而言至关重要，但是针对海浪信息的时域反演研究相对较少.现有的时域反演研究方法主要包括Kalman滤波方法和逐步估计法.Pascoal采用Kalman滤波算法实现了模拟数据在稳定条件下的海浪谱快速迭代反演，但该方法仍然需要使用水池和实海试验数据进行进一步验证和改进.逐步估计法从船舶运动响应时历中提取波浪特征周期，采用实测运动响应数据和传递函数通过递归非线性最小二乘优化估算波浪幅值和相位信息.但该算法具有一定的适用性，目前只适用于单色波的测量.

综上所述，传统波浪反演方法无法实现对非线性非平稳海浪的时域反演，人工神经网络作为近年来兴起的一种可以从数据中提取特征的深度学习方法，可以较好地捕捉海浪的非线性非平稳特性，因而被引入到海浪反演领域.Mak等将船体作为波浪浮标，利用六自由度运动作为输入，通过机器学习方法反演波浪方向.通过数值模拟数据训练神经网络模型，到海上实测验证后发现反演模型的误差较大.Cheng等针对海态识别问题，提出了一种深度神经网络模型，并基于动力定位船数值模拟数据进行了海况等级识别验证.Sidarta等提出了一种利用人工神经网络(ANN)模型将船舶的运动映射到波浪高度的方法，并估计出了船舶所在位置的有义波高和波峰周期.但上述研究大多关注海浪浪向、海况等级、有义波高和波峰周期等海浪参数的反演，针对海浪实时波面的反演还鲜有研究.本文基于人工神经网络建立了波浪时域反演的预报模型，较好地解决了波浪反演过程中非线性非平稳特征难以捕捉的问题.与此同时，设计自航浮标并开展水池模型试验，将模型预报结果与水池试验结果进行对比验证.

1 自航浮标基本特征

本文以荷兰Marin设计的自航浮标C-Drone为母型，设计自航式波浪浮标，用于船舶运动反演时历方法研究.设计时需根据试验目的和需求，对浮标总体形式和布局进行合理设计.自航浮标需要达到的主要目的包括：

(3) 自航浮标通过搭载加速度传感器采集运动信号，并将数据实时传送出来.

教师补充说明当时一些科学家所认为的该实验的不足：由于提纯和分离技术的限制，艾弗里实验中提取的DNA分子，即使纯度最高时还含有质量分数为0.02%的蛋白质。

中间的主船体约占排水体积的90%，提供主要浮力，内可放置各类设备，压载块，且可增加船的稳性、降低倾覆风险.电池组是自航浮标的全部能源，为动力模块、传感器和微处理器模块提供了能源保证.传感器用来记录浮标在波浪中运动的姿态参数，微处理器读入传感器的姿态数据并使用训练好的ANN网络进行实时的波面反演.舵机和螺旋桨可以保证浮标在有人操控下进入需要测量的目标区域.

南通纺织企业除了要做好技术升级和产品质控，市场营销是其生存发展的生存命脉。南通鹏越纺织有限公司成立于2004年，是南通纺织企业的中小型企业代表。本文以南通鹏越纺织有限公司为研究对象，通过新时期新形势下该公司产品营销、价格影响等营销现状的客观研究，深入探究其营销策略方面存在的问题。并针对这些现实存在的问题，结合营销相关理论基础，从产品优化、定价优化、渠道优化和促销优化等四个方面，提出一系列建议措施，通过以小见大的方式，力求为新时期南通中小型纺织企业的营销和稳定健康发展，尽献绵薄之力。

(1) 浮标在螺旋桨推进与舵的操纵下，实现自航功能.

假设神经网络除去输入层的总层数为(层数>1), 输入层到输出层各层节点个数分别为,, …,，由此定义了输入向量的维度为，输出向量的维度为, 网络的每一层输出向量分别表述如下.

(2) 自航浮标通过无线通信模块与操作者进行通信，接收操作者发送的控制指令.

1.2.2.1 气相色谱条件。色谱柱为HP-5MS毛细管柱(30 m×0.25 mm × 0.25 μm)；程序升温：从60 ℃开始,以10 ℃/min升到120 ℃,然后再以20 ℃/min升到220 ℃,最后以10 ℃/min升到280 ℃；进样口温度为270 ℃；载气为He；柱流量：0.8 mL/min；进样量：0.1 μL,分流比：50∶1。

2 基于ANN的波浪时历反演模型

人工神经网络能够以任何精度逼近任意连续的非线性函数，对复杂不确定问题具有自适应、学习能力.本文的基本思想是使用浮标在波浪中运动所记录的大量运动数据及浪高仪记录的数据集来训练神经网络，得到浮标运动与波面之间的映射关系.

典型的神经网络结构如图4所示.图中：，，…，代表每一层神经元的输入；，，…，代表每一个神经元的权重；代表每层神经元的偏置；代表激活函数；代表来自第个神经元的输入；代表输出.输入层与输出层的节点数由实际需求设定，层与层之间通过权值向量连接，隐藏层神经元包括一个加法器和激活函数，对上一层传递过来的信息进行加权求和，通过线性或非线性激活函数处理，从而得到神经元的输出值.

本文所设计的自航浮标主要参数如表1所示，采用三体船形式，主要考虑总体布置性好，内部空间大，可更好地安装电子系统、动力系统等设备，另外较大的空间便于模块化，有利于后续改装.自航浮标分为水面浮体平台和地面控制站两部分.水面浮台由浮台主体、电池组、动力模块、传感器及微处理器模块构成，各组件布置与试验所用模型如图1和2所示.自航式波浪浮标主要静水力特征包括排水量曲线、浮心纵向坐标曲线、浮心垂向坐标曲线、水线面面积曲线、横稳心半径曲线等，主要静水力特征如图3所示.图中：为吃水；为排水量；为浮心纵向坐标；为浮心垂向坐标；为水线面面积；BM为横稳心半径.

NCCN及ASCO指南对于住院的恶性肿瘤患者均推荐在无出血和抗凝药禁忌症时应行低分子肝素预防性抗凝治疗[8]。对肿瘤患者进行预防性抗凝治疗可将VTE的发生率降低5%～15%[9]。目前，皮下注射低分子肝素成为初始治疗急性血栓症的一线方法[10-11]。这一疗法避免了静脉灌注和实验室监测，因此可以提高恶性肿瘤患者的生活质量。另外，应用低分子肝素可以缩短住院时间，减少治疗费用[12]。

输入层：

(1)

输出层：

(2)

使用ANN方法反演波面时历时，首先需要得到准确的浮标运动数据，本文设计的浮标使用加速度传感器获得运动数据，采样频率是10 Hz，图9所示为在波浪频率=4.135 rad/s时，浮标的垂荡加速度()时历.本文在处理波浪时，使用的ANN网络总共分为4层，前3层使用的是ReLU函数，第4层使用的是线性函数，训练模型时，选出数据集里的10%作为测试集，另外90%作为训练集，每次训练输入200个自航浮标的运动数据，输出的是200个波面信息.经过 8 000 次的学习，训练的误差降至0.29%，模型训练完成后，输入自航浮标的运动数据，即可输出比较准确的波面数据.

定义每一层的权重矩阵与偏置向量：

仔猪红痢由C型魏氏梭菌的外毒素引起，主要发生于1周龄以内的仔猪，以1～3日龄新生仔猪多见，偶发生于2～4周龄以下的仔猪。发病仔猪由于肠黏膜炎症和坏死以排出红色稀粪为特征，病程短，死亡率高。

∈×∈×1

(3)

∈×∈×1

(4)

⋮

()∈×-1()∈×1

(5)

每一层的激活函数分别为，，…()一般根据不同的应用选择相应的激活函数，每一层所使用激活函数类型可以统一也可不统一．对于隐藏层，有：

由此看来，印刷企业不应被现时所谓的低迷而震慑，根据产品的销量决定资金的投入，淘汰不适应市场需求的产品，有意识地去调节品种，开拓新市场，往高质量和高水平的方向发展，或可让印刷企业活得更久，活得更好。

(6)

通过正向逐层计算，可得到网络中每一层的net()与()及每层的输入向量与输出向量，从而得到每个神经元的输入值和输出值.

(7)

(8)

(9)

net中每个元素表示对输入层向量以及偏置向量的加权和，也可称为第1层(隐藏层1)神经元的输入向量．因此，对于第层(∈{1, 2, …,})：

(1≤≤)

(10)

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

(11)

(12)

()=()(net())=

(13)

net=+

本文设计的神经网络共有4层，包括输入层、输出层和两个隐藏层，每层神经元的个数由等比数列确定.由于传感器的采样频率是10 Hz，波浪对浮标运动影响最大的是垂荡，故只选用垂荡数据作为输入参量，这决定了输入层神经元个数为200.输出参量仅为波面，因此输出层神经元个数为1.

输入层节点数和输出层节点数确定后，随之而来的一个重要问题是如何优化隐藏层节点数和隐层数.实验表明，如果隐藏层结点数过少，网络不能具有必要的学习能力和信息处理能力.反之，若过多，不仅会大大增加网络结构的复杂性，网络在学习过程中更易陷入局部极小点，而且会使网络的学习速度变得很慢.

对于简单的数据集，1～2个隐藏层通常就足够了，本文使用的神经网络选用2层隐藏层，每一层神经元个数分别为34和6，前3层使用的是ReLU函数，第4层使用的是线性函数，图5所示为所建立的神经网络的基本结构.

由圆表示的神经元排列在输出层和隐藏层中，简单起见，我们仅考虑有一个隐藏层的网络，当然，使用两层甚至三层的情况也很普遍.在同层的神经元之间是没有连接的，相邻两层之间是全连接的.每一个神经元与神经元之间的连接都与一个权重相关联，人工神经网络实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂逻辑操作和非线性关系实现.

3 水池试验和结果分析

3.1 试验数据描述

本文使用的数据全部来自水池试验.自航浮标的相关试验在哈尔滨工程大学船模拖曳水池中进行，水池建于1987年，是船舶工程与海洋工程流体力学教学和科学实验基地，是国际船模实验水池会议(ITTC)正式会员.水池装备八推板三维造波机，可生产规则波、不规则波，其主要技术指标如表2所示.

迎浪规则波试验时，船首顶浪，水池左端造波板根据输入波浪控制参数，空间范围内生成预设的波浪环境，通过船载的传感器记录在波浪激励下的垂荡和纵摇运动响应.使用ANN模型反演理论的实施过程如图6所示，图中为波面高程；为时间.

在母语磨蚀研究中，除了对其发生机制进行研究外，学者们还探讨了影响母语磨蚀的各种因素。其中，已经明确的可能影响母语磨蚀的因素包括受蚀年龄、使用母语的频率和动机或情感等。

图7和8分别为拖曳水池与试验照片.迎浪规则波工况如表3所示，根据不同波长船长比，共设置了12组试验，编号为1～12.此外，设置了一组不规则波工况作为对比，不规则波取3级海况，有义波高为0.08 m，特征周期为2 s.

3.2 ANN网络训练策略

3.3 结果和讨论

第2节已经详细介绍了基于人工神经网络的反演波面方法，图10所示为不同频率规则波下的反演对比结果.

图10的结果中，反演值与实验值总体上吻合得很好，说明使用ANN方法能够很好地得出规则波下船舶运动与波面的映射关系.证明了ANN模型在规则波下依靠运动反演波面的正确性.整体看来，在规则波下，反演值与实验值的相位基本一致，但在局部的波峰和波谷处，反演值与实验值有较小偏差，可能的原因是波浪与运动之间的非线性较强，导致使用ANN模型进行反演时产生偏差.

图11所示为不规则波下波面反演值和实验值的时历对比.从反演时历结果中可以看出，在不规则波作用下，由运动反演的波面值与实验值吻合较好.反演值与实验值的相位偏差较小，本文提出的基于ANN方法的模型可以较好地由运动响应反演出波面信息，验证了ANN模型在不规则波浪下反演的可行性与准确性.但是ANN反演的结果在局部还是有比较明显的偏差，在15～17 s和25～27 s时，ANN在波峰与波谷处的反演值与测量值均有偏差，可能的原因是在该区域波浪的频率特征复杂，加之船舶在产生运动时已经进行了一次“过滤”，双重复杂影响导致简单的ANN模型无法正确建立映射关系，故对该区域的波浪进行反演存在较大相对的偏差.

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.

药品调剂是医院住院药房的一项中心工作，其工作质量的高低直接影响着患者临床用药的安全性和及时性。随着医院药房的发展与日趋完善，药房管理也日益标准化，并已逐渐从传统的经验管理向精细化管理转变。在这一过程中笔者发现，住院药房的药品调剂工作仍存在较多问题，如调剂流程欠合理影响临床用药及时性，或取药频次过多加大了药师工作量等。为提高重庆医科大学附属第一医院金山医院（简称“我院”）药品调剂工作的质量与效率，笔者采用PDCA循环法对我院住院药房药品调剂流程进行了优化实践。

对比由反演的波浪时历与浪高仪记录的数据进行误差分析，均方根误差为

(14)

式中：为反演数据；为真实值.根据式(14)可计算出不同波浪频率下反演结果的相对误差，如表4所示.

使用ANN方法反演不规则波的波面时历，有义波高为80 mm时，均方根误差为8.03 mm，相对误差为10.04%.但同时从时历结果可以看出，无论是规则波还是不规则波下，波面反演值与实验值在局部均存在偏差.这种偏差主要来源于波浪与运动之间的非线性关系，同时波浪诱导的运动受到浮标滤波作用影响，且ANN模型的训练策略未进行优化.利用ANN方法进行波浪反演研究是一个较新的领域，对于提高反演精度以及有航速反演与斜浪反演等问题，后续还有待进一步研究.

4 结论

实时准确的海浪信息监测对绿色智能船舶及航行安全至关重要.鉴于当前海浪观测技术对非线性非平稳数据处理的局限性，本文提出了一种用于波浪反演的人工神经网络模型，验证了预测精度，讨论了输入输出策略.利用水池试验数据对基于人工神经网络的反演结果与浪高仪实测结果进行对比，获得以下结论：

(1) 确定人工神经网络反演方法的可行性是海浪反演的首要问题.利用多组规则波和一组不规则波下船舶运动的试验数据对人工神经网络模型进行训练.并将训练后的模型应用到波面反演.通过对比反演结果与实测结果，发现规则波的测波相对误差多数在10%内，不规则波的测波相对误差在10%左右，可以认为使用人工神经网络方法根据船舶运动反演实时波面是一种切实可行的方法.

(2) 在时域方面，船舶运动响应数据非平稳非线性的特征可以通过人工智能方法来解决.基于人工神经网络模型的测波方法完全由数据驱动，适合处理非线性问题，无需引入前提假设，可以为船舶运动反演波面时历提供新的解决思路.

需要指出的是，不同频率的波浪对船舶的影响各异，本文提出的反演方法对不同频率的波浪反演适用性还需进一步探索.此外，不同船舶对波浪的响应也不尽相同，本文提出的反演方法对不同主尺度和不同外形特点船舶的反演效果还需进一步研究.