| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 目的和意义 | 第10-12页 |
| 1.2 国内外发展现状 | 第12-14页 |
| 1.3 论文主要工作简介 | 第14-16页 |
| 第2章 舱室振动噪声预报智能算法 | 第16-30页 |
| 2.1 舱室振动噪声预报所属机器学习的类别 | 第16页 |
| 2.2 神经网络以及BP算法 | 第16-23页 |
| 2.2.1 神经网络 | 第17-19页 |
| 2.2.2 BP算法 | 第19-20页 |
| 2.2.3 其他相关函数 | 第20-23页 |
| 2.3 支持向量机 | 第23-28页 |
| 2.3.1 最优超平面 | 第23-24页 |
| 2.3.2 对偶问题 | 第24-25页 |
| 2.3.3 核函数 | 第25-26页 |
| 2.3.4 支持向量回归 | 第26-28页 |
| 2.4 算例验证 | 第28-29页 |
| 2.5 小结 | 第29-30页 |
| 第3章 用于舱室振动噪声预报的数据库建立 | 第30-46页 |
| 3.1 舱室振动噪声预报模型输入参数选取 | 第30-31页 |
| 3.2 实船试验及数据获取 | 第31-40页 |
| 3.2.1 背景及方法 | 第31-33页 |
| 3.2.2 实验工况及测点选取 | 第33-35页 |
| 3.2.3 数据处理 | 第35-40页 |
| 3.3 数值仿真及数据获取 | 第40-44页 |
| 3.3.1 数值仿真及其使用范围 | 第40-41页 |
| 3.3.2 激励加载设置 | 第41-42页 |
| 3.3.3 数据处理 | 第42-44页 |
| 3.4 小结 | 第44-46页 |
| 第4章 基于人工智能算法的船舶舱室噪声预报 | 第46-70页 |
| 4.1 船舶参数及工况介绍 | 第46-48页 |
| 4.2 用于船舶的智能算法模型训练 | 第48-59页 |
| 4.2.1 神经网络智能预报模型的训练 | 第49-53页 |
| 4.2.2 支持向量机智能预报模型的训练 | 第53-57页 |
| 4.2.3 对防护后的舱室进行预报 | 第57-59页 |
| 4.3 输入参数相关性评估 | 第59-64页 |
| 4.3.1 甲板数与舱室噪声的相关性 | 第59-61页 |
| 4.3.2 横舱壁数与舱室噪声的相关性 | 第61-62页 |
| 4.3.3 舱室围壁面积与舱室噪声的相关性 | 第62-64页 |
| 4.4 智能模型预报结果对比及分析 | 第64-67页 |
| 4.4.1 待预报船舶模型的选取 | 第64-66页 |
| 4.4.2 激励源工况设置 | 第66页 |
| 4.4.3 舱室噪声预报结果及分析 | 第66-67页 |
| 4.5 算法适用性分析 | 第67-68页 |
| 4.6 小结 | 第68-70页 |
| 第5章 基于人工智能算法的海洋平台舱室振动噪声预报 | 第70-76页 |
| 5.1 海洋平台及智能预报模型参数 | 第70页 |
| 5.2 用于海洋平台的智能算法模型训练 | 第70-73页 |
| 5.2.1 智能预报模型输入参数设置 | 第70-71页 |
| 5.2.2 舱室噪声预报模型 | 第71-72页 |
| 5.2.3 舱室振动预报模型 | 第72-73页 |
| 5.2.4 误差分析 | 第73页 |
| 5.3 对其它海洋平台的预报 | 第73-75页 |
| 5.4 小结 | 第75-76页 |
| 总结 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-84页 |
| 致谢 | 第84页 |