本算法的预报结果为Ad＝558.946m,Tr=264.315m,D_T=553.98,相对误差分别为－0.19％，0.69％，0.55%,明显好于该文献的－7.16％，7.16％，0.03％，原因在于笔者在计算中对网络精度要求限制较为宽松，仅为0.01，避免了训练出的网络局限于样本集，从而提高了灵活性和适应范围。 

4 结论及建议

笔者根据大量的数值试验，认为在船海工程中采用BP神经网络进行数值预测是可行的，当样本集中数据和待预测数值满足本文给2.3节给出的条件时，预测误差不超过5％。它在解决一类难以建立精确数学模型而又易于收集学习样本的问题中具有良好的应用前景，另外，只要样本数据合理充分，BP网络预测结果可以替代代价昂贵的船模实验或者实船实验，节约成本、加快研发进度。本文给出的改进BP训练算法即使对于强非线性问题，例如船舶在风浪流中运动预报，也可以给出令人满意的结果。