基于主成分分析与深度神经网络的水线型优化
机器学习
2018-10-30 v1 机器学习
神经与进化计算
摘要
为获得最优船舶性能而设计和修改复杂水线型一直是船舶工程师面临的主要挑战。在本研究中，引入主成分分析（PCA）来压缩一组现有船舶的几何表示，并对所得主成分得分进行操作以生成大量派生水线型，进而通过计算得到它们在静水中的性能评估。随后，这些结果被用于训练深度神经网络（DNN），以准确建立不同水线型与其相应性能之间的关系。然后，基于快速的、并行的基于 DNN 的水线型评估，执行对最优水线型的大规模搜索。
引用
@article{arxiv.1810.11701,
title = {Hull Form Optimization with Principal Component Analysis and Deep Neural Network},
author = {Dongchi Yu and Lu Wang},
journal= {arXiv preprint arXiv:1810.11701},
year = {2018}
}
备注
20 pages