Jul, 2023

AI 增强模拟指导操作

PDF
TL;DR使用长短期记忆（LSTM）神经网络的多保真度自适应方法来估计双峰双向海况下的船舶响应统计数据，并使用低保真度的 SimpleCode 和高保真度的 LAMP 工具生成训练数据，通过对 LAMP 船舶运动响应数据进行训练后，将历史天气输入到 SimpleCode 和 LSTM 网络中，与高保真度结果进行比较。
multi-fidelitydata-adaptive approachlong short-term memoryship response statisticsbimodal bidirectional seas
发现论文，激发创造
  • 通过多路径长期船舶轨迹预测构建更安全的海上环境

    利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

    Oct, 2023

  • 基于自动识别系统数据的多模型 LSTM 轨迹关联架构

    该研究提出了一种基于 LSTM 的多模型框架来解决船舶轨迹关联问题，该框架结合了自动识别系统 (AIS) 提供的大量动态地理空间信息，从历史观测中预测当前船舶位置，并使用基于测地线距离的相似性度量来关联未分类的观测结果和真实轨迹，从而有效地解决了海洋监视中一直存在的难题。

    Apr, 2023

  • 人工智能时代的风暴潮模拟：基于 LSTM 的机器学习用于提高预测准确性

    利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

    Mar, 2024

  • 基于报警序列和长短时记忆算法的风力涡轮机修复行动预测的深度学习框架

    该论文介绍了使用深度学习在 Offshore Wind 的 Condition-based monitoring 中进行 alarm sequence modelling 的研究，并提出了使用 Long Short-term Memory 和 Bidirectional LSTM 模型来预测相关修理措施的新方法，这可以将 O&M 过程中的复杂报警减少，并减少诊断和纠正故障所需的不必要的船舶转移。

    Jul, 2022

  • 利用 LSTM 神经网络预测极端海况下船舶动态的功能学习

    通过训练神经网络，尤其是采用 LSTM，可以预测船只在极端海况下的运动，且可以在运算量低得多的情况下进行预测。

    Dec, 2019

  • 利用机器学习揭示船舶运动的 AIS 传输行为

    本文针对海洋数据中存在时间奇异性的问题，使用神经网络建模，预测多艘船舶的 AIS 消息内容，以改善航线预测。在多个算法实验中，卷积层、前馈网络和递归神经网络的组合模型表现最佳。结果表明该模型有效地提高了航线预测的准确度。

    Feb, 2022

  • 多分辨率物理模拟的可控适应学习

    提出了一种全深度学习的代理建模方法，名为 LAMP，基于图神经网络进行前向建模和空间精度升级策略的学习。该方法通过加权误差和计算成本的目标函数进行优化，从而可以在推断时自适应地处于误差和计算成本的平衡点，实现了在多分辨率动态系统中的性能提升，并在非线性偏微分方程和网格模拟方面取得了优越的结果。

    May, 2023

  • LSTM 网络用于高速公路轨迹预测

    本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

    Jan, 2018

  • 利用人工神经网络和船体响应谱数据进行海况估计的响应分量分析

    使用神经网络对采用船舶作为波浪浮标类比法的海浪状态进行建模，利用船舶运动响应的谱数据，可以高精度地估计明显波高和平均波周期，具有应用前景的海浪状态评估方法。

    May, 2022

  • 基于机动 LSTM 的多模态环境车辆轨迹预测

    本文针对自动驾驶汽车在复杂交通情境下进行安全高效的行驶所需的需求，提出了使用 LSTM 模型来进行交互式的运动预测，并在 NGSIM US-101 和 I-80 数据集上与其他方法进行了比较和分析。

    May, 2018