1. 研究目的与意义（文献综述）

1．1国内外研究现状

目前国内外关于船舶多因素油耗建模在此之前已经有很多我们将之前的油耗模型大致分为三类：白箱模型，黑箱模型和灰箱模型。白箱模型的所有过程都是建立在已知物理关系基础上的模型，是在船舶的设计阶段对油耗预估经常使用的模型，设计者通过相关回归计算公式、船模拖曳试验或cfd计算等方法得到目标船舶在设计工况下的阻力性能关系，从而对船舶的运行功率及油耗进行估算。但在船舶实际航行的过程中因为其物理关系太过复杂而使计算过程耗时过长且精度不高。黑箱模型是基于给定的输入-输出关系通过数据分析的办法建立模型，相对于白箱模型而言，黑箱模型的建模过程主要包括寻找合理的数学模型并通过实测数据建立出合适的模型参数，但这些参数并没有明确的物理意义。如果拥有足够庞大的船舶油耗数据，将其分为训练集和测试集。将训练集用于机器学习再用测试集评估模型拟合度。在机器学习完成后从而建立出一个关于船舶油耗的黑箱模型。peterson等人运用多种机器学习方法基于船舶运行的数据给出较为精确的实际预估，黑箱模型在系统内部物理过程过为复杂时具有相当的优越性，但之前需要通过大量的数据采集且对外插工况预估时存有一定的偏差。灰箱模型则是白箱模型和黑箱模型的结合体，leifson等人提出了多种不同的模型结构，构建白箱模型对静水阻力，风阻，主机，污底和螺旋桨进行分析，并在此基础上使用人工神经网络对输出结果进行优化。通过一系列对比证明灰箱模型在精度上有很好的表现。freund等人也基于iti-simulationx仿真软件和长达两年之久的船舶运行数据完成了建模，并且也得到了较为理想的油耗预测结果。

随着人工智能的兴起和发展，机器学习越来越深入各个行业，带动行业发展。各行各业都面临着海量的数据处理压力，仅凭人的智能已经不足以满足海量信息计算分析的需求。越来越多的研究者通过开发人工神经网络进行数据分析并将其运用到实际工程中去。

2. 研究的基本内容与方案

由y’=δ（wx b）,得w即各输入数据对于神经网络隐含层的影响权重，b即函数的偏置，y’即预测的输出值，δ为sigmiod激活函数（激活函数有多种选择，在本次研究中选择sigmiod函数）。运用梯度下降法更新w值，进行多次迭代确定出令成本函数j最小的w值（损失函数l=-(ylongy` (1-y)log(1-y`)）,成本函数j为m个训练值的损失函数之和）

w:=w-α*dw, 其中α为学习率，x为输入端在本次研究中包括船舶航行时的风速风向以及船舶姿态等。运用梯度下降法找到使y’与实际y值最小误差的w值。避免使用显式for循环，运用隐式循环提高计算速度。

3. 研究计划与安排

第1－3 周：查阅相关文献资料，明确研究内容，了解基于数据分析的油耗模型。确定方案，完成开题报告并完成英文文献翻译工作。

第4—7 周：学习人工神经网络。

第8－10周：在python3环境中完成人工神经网络模型。

4. 参考文献（12篇以上）

1．叶睿，船舶油耗模型研究 [d]:[硕士学位论文]，上海，上海交通大学, 2016

2.颜艳.基于神经网络的a330多因素油耗模型研究[d]:[硕士学位论文]，天津，中国民航大学。2015

3.楼狄明，包松杰等，基于实船油耗与排放的拖轮航速优化[j] .交通运输工程学报 vol.17 no.1feb.2017