自升式平台在不同工况条件下都有相应的许用重心高度，为便于操作人员掌握平台在各种实际工况下的稳性情况，在遭遇突发的恶劣工况时能够及时采取有效的应对措施，避免平台倾覆，设计者需提供极限重心高度曲线。但在工程实际的稳性评价中，通常只计算几种典型工况下的许用重心高度，以吃水深度为横坐标，许用重心高度为纵坐标，用直线连接相邻的数据点作为许用重心高度曲线，典型工况外的许用重心高度则由线性插值法求得。该传统方法存在明显的局限性和预测误差，因此本文从非线性逼近的角度，提出了一种基于径向基函数神经网络的自升式平台许用重心高度预测方法，以减少计算工作量，提高预测精度。
　　本文首先使用Moses软件计算自升式风电安装平台PT1在不同吃水和风速工况下的许用重心高度，研究影响许用重心高度的因素并收集数据；然后对各影响因素做归一化处理，消除指标之间的量纲影响；最后使用MATLAB软件构建具有单隐含层的RBF神经网络，通过改变均方误差目标和扩展常数这两个神经网络参数，对PT1的不同训练样本集进行拟合和仿真，预测对应的测试样本集结果，求得神经网络预测均方误差，并与线性插值法的均方误差对比，得到最优的训练样本集和神经网络参数范围。结果表明，当训练样本集包含5种吃水工况和5种风速工况，RBF神经网络的均方误差目标取0.01，扩展常数取1.9~3.7时，该样本集能够更精确地体现输入层数据与输出层数据之间的映射关系，且神经网络预测结果比线性插值法更接近Moses求得的许用重心高度值。
　　基于以上的最优训练样本集选取方法和参数范围，将RBF神经网络应用于平台PT2的许用重心高度预测中，也得到了优于传统线性插值法的预测结果，证明本文提出的RBF神经网络方法能够分析复杂工况下多种因素的影响，提高许用重心高度预测的精度，对航行过程中的突发状况进行快速计算，便于及时采取相应措施，可进一步用于工程实际。