基于大数据驱动的船舶航行轨迹异常检测研究

船舶安全航行是航海领域重点关注的问题之一,为此研究基于大数据驱动的船舶航行轨迹异常检测方法。该方法利用不同类型传感器获取船舶航行大数据,然后使用船舶观测大数据相似度方程计算船舶航行大数据之间的相似度,得到来自同一船舶的航行大数据;再利用大数据驱动技术中的聚类方法建立船舶正常轨迹模型,获取船舶航行正常轨迹;依据船舶航行正常轨迹,利用大数据驱动技术内的Spark Streaming数据实时计算框架,通过计算船舶航行轨迹点与实际轨迹采样点之间的距离、航向角等,得到船舶航行轨迹异常检测结果。实验结果表明,该方法获取船舶航行实际轨迹精度较高,可有效检测船舶航行轨迹异常,具备较好的应用效果。     

水下无人航行器航位推算方法研究

水下无人航行器的运行轨迹依靠推算来完成,一旦推算错误,将会偏离预期轨迹,无法到达目的地。为此,研究一种水下无人航行器航位推算方法。该方法研究分为两部分:前一部分利用测速传感器和姿态传感器采集航行器航行数据,并进行异常值处理;后一部分根据采集到的数据以及已知的初始位置,推算得到航行器二维航位坐标,并通过地理坐标系转换为经纬度值,完成航位推算。结果表明:在所研究方法应用下,推算航位与预期航位经纬度偏差都1°,说明所研究算法的推算精度较高,达到了研究目的。     

多船并行航行轨迹精准控制算法研究

传航行轨迹精准控制算法在多船并行情况下,由于计算中没有区分航线航向,造成航行精准度较低,为此提出多船并行航行轨迹精准控制算法。构建船舶轨迹精准控制模型,根据船舶航行目的生成船舶运行轨迹,以实际航行轨迹为基础计算船舶定位航线,分别计算船舶直线航行控制轨迹以及曲线航行控制轨迹,完成多船并行航行轨迹精准控制算法设计。设计仿真实验,通过模拟使用环境,将提出算法与传统算法进行比较,实验结果表明提出方法计算的航行精准度更高,证明研究方法具备有效性。     

依据轨迹数据的船舶交通密度计算方法

研究基于轨迹数据的船舶交通密度计算方法,利用精准的船舶交通密度计算结果提升海上交通规划水平。利用AIS设备采集船舶航行轨迹数据,利用均匀参数化方法对所采集的航行轨迹数据重采样处理。将通过重采样处理获取的航行轨迹数据,划分为静止轨迹数据点以及移动轨迹数据点,依据数据点间的欧式距离,以及船舶航行方向、航行速度的相似性,选取基于密度的DBSCAN聚类算法完成轨迹数据聚类。依据船舶航行轨迹数据聚类结果,选取多维密度方法,通过更新船舶经过总数、船舶经过总时间等参数,计算船舶交通密度。实验结果表明,该方法可以依据船舶航行轨迹数据,精准计算船舶交通密度,为海上交通规划提供有效支撑。     

嵌入式船舶导航系统航行轨迹智能控制方法

传统船舶航行轨迹智能控制方法存在控制精准度低的缺点,为此提出嵌入式船舶导航系统航行轨迹智能控制方法。采用双坐标系对船舶航行轨迹模型进行建立,以建立的船舶航行轨迹模型为依据,利用传感器对船舶航行轨迹数据进行采集与处理,通过采集的数据计算船舶航行轨迹偏差,采用船舶航行轨迹控制算法对航行轨迹偏差进行调整,实现了嵌入式船舶导航系统航行轨迹的控制。通过实验可得,提出的嵌入式导航系统航行轨迹智能控制方法控制精准度比传统方法高28%,说明提出的嵌入式导航系统航行轨迹智能控制方法具备极高的有效性。     

改进灰色模型的船舶航行轨迹自动预测研究

为实现更加精准、自动化的船舶航行轨迹预测,利用改进灰色模型,提出一种基于改进灰色模型的船舶航行轨迹自动预测方法。在船舶航行中的AIS数据中对船舶航行轨迹数据进行提取,其中AIS数据具体包括船舶航程数据、船舶动态数据以及船舶动态数据。通过数据估计算法插补缺失数据,分为2个步骤,第1步是对插补数据进行识别,第2步是对其进行插补。通过改进灰色模型对船舶航行轨迹进行自动预测,主要使用基于缓冲算子改进的灰色模型构建船舶航行轨迹自动预测模型。选取某船舶服务项目中包含的船舶AIS数据作为实验数据,对设计方法进行实例测试。测试结果表明,设计方法的数据提取质量较高、预测模型的误差较小,具有广阔的市场应用前景。     

利用AIS数据挖掘生成船舶航迹点方法研究

由于船舶航行受海上环境的影响而产生航迹误差,为了准确控制船舶航行轨迹,提出利用AIS数据挖掘生成船舶航迹点方法研究。根据AIS数据挖掘算法,提取船舶航行轨迹点数据特征,利用船舶航行轨迹点数据库中航行线路设置信息与目标对象运动信息之间的相似性,挖掘出船舶航迹动力定位数据,将AIS数据挖掘算法映射到船舶海上航行领域中,提取出AIS船舶位置采集点,通过设定阈值得到船舶航行转向点,将所有转向点连接成线,初步生成船舶航行轨迹点,利用船舶轨迹点生成流程,实现船舶航行轨迹点的生成。实验结果表明,基于AIS数据挖掘的船舶轨迹点生成方法在精度和时间上,都可以准确控制船舶航行轨迹。     

多船并行航行轨迹精准控制算法研究

多船并行时,为精准控制船舶按照期望轨迹航行,研究多船并行航行轨迹精准控制算法。构建多船并行航行模型,分析多船并行航行位置与速度信息、动力控制量信息后,从首摇转矩与螺旋桨转速调节的角度,研究轨迹控制方法。将需控制轨迹的船舶当下位置与速度信息、期望位置与信息,作为基于位置与速度调节的多船并行航行轨迹控制算法的控制样本,计算当下位置与速度的误差值后,由模糊控制算法整定航行轨迹控制器3种控制参数,输出位置控制量、速度控制量,作为船舶首摇转矩、螺旋桨转速控制量,实现多船并行航行轨迹精准控制。实验结果表明：使用此算法,理想工况中多船并行航行位置与期望位置、航行速度与期望速度均一致;恶劣工况中多船并行航行轨迹的X轴位置误差、Y轴位置误差均小于0.2 m,轨迹控制结果精准。     

海洋环境预测数据在船舶航行控制中的应用

在以往的船舶航行控制中,计算船舶在不规则波中的幅值响应函数时未考虑环境因素,使船舶在不规则波中耐波性较差。为此,提出海洋环境预测数据在船舶航行控制中的应用。改进海洋环境预测数据关系模式,以时间和维度为条件查询所需数据,以数据为依据,计算船舶航行运动参数,将各项参数作为控制输入序列,通过离散控制达到控制船舶航行的目的。实验结果表明,与其他技术的控制方法相比,应用海洋环境预测数据的航行控制方法耐波性的各项指标均在衡准范围内,说明该控制方法的耐波形更好。     

船舶航行轨迹自动化控制中PLC技术研究

为有效发现水域中那些偏离正常航行轨迹的船舶,从而提高船舶航行安全性,设计基于PLC技术的船舶航行轨迹自动化控制方案。通过提取船舶航线轨迹数据的方式,弥补缺失信息的插补空隙,完成PLC数据的采集及预处理。在此基础上,度量轨迹内航行节点间的相似性,按照正常轨迹点的建模需求,实现对时间复杂度的精准分析,完成船舶航行轨迹自动化控制中的PLC技术研究。对比实验结果表明,与GMM航迹分析算法相比,应用PLC自动化控制方案后,QIE水域避障系数提高至6.32,不仅提高船舶的航行安全性,也可有效发现偏离正常航行轨迹船舶的实时所处位置。     

人工智能技术在船舶轨迹规划中的应用

轨迹规划可以提高船舶航行的效率,并且保证船舶航行的安全。当前船舶轨迹规划方法存在生成轨迹效率低、船舶轨迹规划并非全局最优的缺陷,为了提高船舶轨迹规划的精度,设计基于人工智能技术的船舶轨迹规划方法。首先对当前船舶轨迹规划研究现状进行分析,指出各种船舶轨迹规划方法的不足,然后建立船舶轨迹规划的性能评价指标,引入计算机人工智能技术中的蚁群优化算法进行求解,根据求解结果得到最优船舶轨迹规划路径,最后进行船舶轨迹规划的验证性测试。结果表明,蚁群优化算法可以快速、准确找到最优船舶轨迹规划路径,克服了当前方法易找到局部最优的船舶轨迹规划路径难题,具有一定的实际推广价值。     

迎浪时基于非线性运动方程的船舶RANS数值模拟

迎浪航行是船舶运动是非线性运动,采用一类具有齐次解的二阶偏微分方程描述迎浪时船舶的非线性运动,构建船舶迎浪航行控制的非线性运动方程,在临界稳定条件下分析船舶非线性微分方程的齐次解,在非线性波动运动模式下,建立船舶非线性运动方程的局部寻优模型,采用最小二乘拟合方法进行迎浪航行的控制参量寻优,实现非线性运动方程的船舶RANS数值仿真模拟,根据RANS数值模拟结果实现船舶非线性运动优化控制。数值仿真分析表明,迎浪时船舶非线性运动方程具有稳定收敛的齐次解,能实现对船舶的超稳定性控制。     

改进PID控制优化算法的航行轨迹研究

航行轨迹是一个时变性非常强的问题,当前航行轨迹控制优化算法存在控制误差大,无法对航行轨迹进行实时跟踪和控制,为了提高航行轨迹控制精度,改善航行轨迹跟踪和控制的实时性,设计了一种基于改进PID算法的航行轨迹控制优化方法。首先对航行轨迹控制原理进行分析,采用PID控制器对航行轨迹进行优化和控制,然后针对PID控制器的参数优化问题,引入蚁群算法进行参数在线调整,满足航行轨迹时变性特点,最后在Simulink环境下对航行轨迹控制进行仿真模拟实验。结果表明,本文方法的航行轨迹控制精度完全满足船舶实际工作要求,大幅度改善了航行轨迹的实时控制效果,是一种精度高、速度快的航行轨迹控制优化方法。     

黄金分割法在船舶航行控制中的应用研究

将舵角变化很小的船舶航行系统看成是一阶Nomoto线性模型,在此基础上通过最小方差控制理论得到了黄金分割自适应控制系数;然后利用雅各布理论说明对于时变离散线性二阶闭环系统,黄金分割法在船舶控制中的鲁棒性;最后通过仿真实验以及PID控制来说明本文所采用的黄金分割法的有效性。本算法能够降低环境参数对船舶航行的干扰,保证船舶的安全行驶。     

遗传算法在船舶建模与控制中的应用

通过分析基本遗传算法存在的问题对其进行改进。利用高级遗传算法对船舶运行模型中的参数进行控制,并且对航行过程遇到的干扰噪声进行处理,最后通过仿真实验对本文设计的算法和最小二乘法进行比较,实验结果表明,即使在噪声干扰下,本文算法识别精度仍然高,并且对激励的要求限制小。     

复杂航行环境船舶航行异常监控系统

传统船舶航行异常监测系统,在复杂航行环境下无法对轨迹信号图像作出正确判定,导致船舶航行监测结果与实际航行监测要求偏差较大,影响船舶正常航行安全。因此提出复杂航行环境船舶航行异常监控系统软件设计。利用卡尔曼滤波算法,建立航行轨迹图像数据高帧率采集硬件,获取高清轨迹图像数据;软件功能主要分为轨迹图像信号建模、轨迹图像模型信号的异常处理与异常轨迹像素的平滑提取3部分;通过仿真对比数据,证明提出系统在复杂航行环境下,能够有效提升异常轨迹监测识别率22.34%。     

基于多维关键数据挖掘的船舶航行路径控制算法

船舶航行路径受到航向、速度、发动机性能参数等关键数据的影响,对路径稳定性控制较为困难,为了提高船舶航行路径控制的稳定性,提出一种多维关键数据挖掘的船舶航行路径控制算法。构建船舶航行的运动学模型,采用轴加速度计、磁力计和三轴陀螺仪等测量设备进行船舶航行路径的多维参量采集,对采集的原始参量数据进行自适应融合处理,进行船舶航行路径控制参量的量化跟踪估计,采用多维关键数据挖掘方法获得船舶航行的最优的姿态角和最优路径解析参量,实现船舶航行路径优化控制。仿真结果表明,采用该方法进行船舶航行路径控制的稳定性和鲁棒性较好,对关键数据的估计精度较高,提高了船舶整体控制的稳健性。     

智能学习算法在航迹控制系统中的应用

为保证船舶按照既定的航线航行,船舶轨迹控制至关重要。为此提出神经PID智能算法,并应用在航迹控制系统中。建立干扰因素下的船舶运动控制数学模型,对此基础上,以PID算法为核心,利用BP神经网络算法进行改进,解决PID算法在解决复杂时变非线性问题效果较差的问题。结果表明,在环境因素干扰下,所研究的神经PID智能算法应用下,船舶航行轨迹跟踪误差要小于3种前人研究方法,证明其应用效果。     

船舶航行速度高精度控制的数学模型研究

现有模型无法适应不同荷载的航速需求,存在着控制精度低、控制时延长的缺陷。为此,提出船舶航行速度高精度控制的数学模型研究。分析船舶航行速度影响因素,构建船桨系统、柴油机以及附加阻力数学模型,以此为基础,基于PID技术设计航行速度控制器,制定船舶航行速度控制规则,通过执行控制规则,应用PID控制器实现了船舶航行速度的高精度控制。设置干扰环境,准备实验对象相关数据,进行船舶航行速度控制仿真实验。实验结果表明,与现有模型相比,本文构建模型航速控制精度较高,航速控制时延较短,表明构建模型航速控制效果更佳。     

基于RNN-LSTM的船舶运动轨迹预测

针对船舶轨迹预测精确性与实时性的需求，从数据层面探究影响船舶航行轨迹的特征，通过相关性分析确定网络的输入，提出结合循环神经网络-长短期记忆（Recurrent Neural Networks - Long Short Term Memory，RNN-LSTM）的船舶航行轨迹预测模型。通过船舶Z形试验相关数据与实船实际航行数据对网络模型进行训练，并对未来船舶航行轨迹进行预测。对未来轨迹的预测值与实际值进行对比。结果表明，模型预测误差小，验证该方案在船舶轨迹预测中的实用性和有效性。