时变海面舰船多目标优化跟踪数学模型

现有时变海面舰船多目标优化跟踪数学模型由于技术的不成熟,存在跟踪效果差的问题。为了解决上述问题,提出时变海面舰船多目标优化跟踪数学模型研究。以雷达获取的海面图像为前提,采用可变部件模型检测舰船多目标,利用光流法生成舰船多目标轨迹片段,将得到的舰船多目标轨迹片段映射到成本流量网络中,形成网络流图,得到最小网络流的舰船多目标方程,通过最短路径算法求解最小网络流网络,实现了时变海面舰船多目标的优化跟踪。通过仿真对比实验结果表明,与现有的时变海面舰船多目标优化跟踪数学模型相比较,构建的时变海面舰船多目标优化跟踪数学模型极大的提升了跟踪效果,充分说明构建的时变海面舰船多目标优化跟踪数学模型具备更好的性能。     

卫星导航系统的船舶航行轨迹智能跟踪方法

针对当前船舶航行轨迹跟踪误差大的问题,为了提高船舶航行轨迹跟踪的精度,提出基于卫星导航系统的船舶航行轨迹智能跟踪方法。首先采用卫星导航系统对船舶航行相关信息进行采集,然后采用高斯混合模型对船舶航行轨迹进行检测和智能跟踪,最后其他的船舶航行轨迹跟踪方法进行对比测试。结果表明,在相同实验环境下,本文方法的船舶航行轨迹跟踪误差远远小于对比方法,船舶航行轨迹跟踪实时性能也得到较大的改善,解决船舶航行轨迹跟踪过程存在一些难题,具有更广泛实际应用范围。     

基于地理信息系统的舰船智能导航研究

高精度智能导航算法在舰船航行过程中十分重要,当前高精度智能导航算法无法对一些盲区无法进行准确导航,为了解决当前舰船导航算法存在的缺陷,设计了基于地理信息系统的高精度智能导航算法。首先分析了高精度智能导航研究现状,然后引入地理信息系统采集舰船航行的信息,并采用容积卡尔曼滤波构建高精度智能导航算法,实现对舰船航行状态跟踪,最后通过仿真对比实验对舰船智能导航性能进行测试和分析,结果表明,本文算法不仅可以高精度实现舰船智能导航,适应各种复杂环境的安全航行,而且导航效果要优于当前其他智能导航算法,实际应用价值更高。     

基于统计数学理论的舰船航行轨迹建模研究

轨迹建模对舰船航行安全具有重要的意义,为了解决当前的舰船航行轨迹建模准确性低,以及建模时间长的难题,以获得更加理想的舰船航行轨迹建模结果为目标,设计了基于统计数学理论的舰船航行轨迹建模方法。首先对舰船航行轨迹建模原理进行分析,建立舰船航行轨迹建模的数学模型,然后引入统计数学理论中的机器学习算法——BP神经网络对舰船航行轨迹进行建模,最后采用具体舰船航行轨迹数据进行了性能验证性测试。结果表明,相对于当前经典舰船航行轨迹建模方法,本文方法的舰船航行轨迹建模效果更优,获得了高精度的舰船航行轨迹建模结果,缩短了舰船航行轨迹建模时间,是一种高精度、高效率的舰船航行轨迹建模方法,具有一定的实际应用价值。     

节点信息融合的舰船目标跟踪算法

舰船目标跟踪成为各国关注的热点,针对当前舰船目标跟踪算法存在的跟踪速度慢、跟踪精度低等缺陷,以提高舰船目标跟踪效果为目标,设计了基于节点信息融合的舰船目标跟踪算法。首先采用多个传感器对舰船目标状态信息进行收集,并对信息进行一定融合,减少舰船目标状态信息的重复率,然后引入跟踪-学习-检测技术对舰船目标进行跟踪,最后采用舰船目标跟踪实验测试其性能。结果表明,本文算法可以动态、准确地对舰船目标进行检测和跟踪,相对于当前其他舰船目标跟踪算法,无论是跟踪精度或者是跟踪实时,均具有十分明显的优势。     

人工智能算法的舰船路径规划

为了实现对舰船航行的智能调度,需要进行舰船路径规划设计,提出一种基于人工粒子群智能算法的舰船路径规划方法。构建舰船航行路径分布的网格结构模型,将舰船航行区域内的各个对象表达为人工粒子群个体,采用四元素的扩展卡尔曼滤波方法构造舰船航行路径规划的约束参量模型。构造舰船航行路径规划的控制目标函数,以舰船动态性能和稳态性能为优化目标,采用人工智能群算法进行航行路径的自适应寻优,实现舰船路径规划。结果表明,采用该方法进行舰船路径规划,能准确跟踪舰船航行的方位角和姿态角,实现路径实时跟踪,提高了舰船路径的准确规划能力。     

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。     

基于人工智能技术的舰船轨迹规划算法

轨迹规划是保证舰船安全航行的关键技术,针对当前舰船轨迹规划算法存在规划精度低、速度慢等不足,为了获得更优的舰船轨迹规划方案,设计了基于人工智能技术的舰船轨迹规划算法。首先分析了当前舰船轨迹规划的研究现状,并构建了舰船轨迹规划的数学模型,然后采用人工智能技术对舰船轨迹规划的数学模型进行求解,搜索到最优的舰船轨迹规划方案,最后采用具体仿真模拟实验验证舰船轨迹规划算法的性能。结果表明,人工智能技术的舰船轨迹规划精度高,舰船轨迹规划速度快,获得了比其他算法更优的舰船轨迹规划方案,可以应用于实际舰船安全航行管理中。     

机器学习算法的舰船路径跟踪误差估计

针对传统舰船路径跟踪误差估计方法存在误差估计性能较差的问题,设计一种机器学习算法的舰船路径跟踪误差估计方法,对舰船路径跟踪时的运动方向进行简化。根据其扰动状态对舰船路径跟踪实施扰动分析,获取舰船路径跟踪时的旋转角度与角速度。设舰船在初始跟踪位置开始跟踪目标船,通过轨迹跟踪获取目标船的参考运动轨迹,利用饱和输入约束获取舰船路径跟踪目标轨迹的控制参数,并将其作为目标船参考运动轨迹的决定优化变量,获取参考运动轨迹,利用机器学习算法对舰船路径跟踪误差进行估计。为了证明机器学习算法的舰船路径跟踪误差估计方法的误差估计性能较好,将传统方法与该方法进行对比实验,实验结果证明该方法的误差估计性能优于传统方法。     

人工智能技术舰船航行自动控制研究

传统舰船航行自动控制功能主要通过算法对定义舰船轨迹数据与舰船航行数据综合分析计算,根据计算结果对PID自动控制器下达控制指令来完成自动控制操作。此种控制模式受到算法定义逻辑限制存在一定的控制误差,无法真正做到舰船航行的精准控制。为解决上述问题,提出人工智能技术的舰船航行自动控制研究。首先对舰船航行轨迹进行模型计算,接着对舰船PID控制数据进行模型计算。最后,通过人工智能技术对航向轨迹与PID控制数据进行关联计算,得到精准的舰船航行控制数据。通过对比实验对提出的控制方法与传统控制方法进行对比,数据证明提出方法的控制精准度高于传统自动控制系统。     

多自主式水下航行器轨迹精准跟踪控制方法

针对多自主式水下航行器轨迹跟踪控制中的不确定性问题,研究多自主式水下航行器轨迹精准跟踪控制方法。构建基于灰色预测的轨迹精准跟踪控制模型,利用灰色预测模型预测航行器航向角,构建一元多项式回归模型,拟合航行器初始航向角同预测航向角间的残差,优化灰色预测模型,提升航行器航向角预测精度。将航向角预测结果代入PID控制器内,通过计算航向角控制率确定位置误差、速度误差与加速度误差,通过控制上述误差实现航行器轨迹准确跟踪控制。实验结果显示该方法可在航行器不同运动特性下准确跟踪轨迹,并具有较好的控制效果。     

船舶微惯导网络中航行轨迹数据采集算法

由于传统的航行轨迹数据采集算法对数据没有进行优化处理,导致数据采集精度低,无法满足船舶微惯导网络需求。因此,提出一种船舶微惯导网络中航行轨迹数据采集算法。在采集算法设计中,首先进行船舶航行轨迹的数据挖掘。然后,以航行数据为基础,结合遗传算法,完成船舶航行轨迹数据算法优化。最后,通过对航行轨迹的分析,实现船舶航行轨迹数据采集。实验结果表明,本文设计的数据采集算法,在相同的更新速度条件下,相比2种传统算法,数据采集精度更高。     

舰船通信网络模糊信息多目标元素优化跟踪系统

为了解决传统多目标元素跟踪系统中,由于受到通信信号的干扰导致的跟踪误差大的问题,从硬件和软件2个方面,设计舰船通信网络模糊信息多目标元素优化跟踪系统。在硬件方面主要改装跟踪器和控制器,在硬件设备支持的基础上,通过设计系统的软件功能。首先搭建多目标元素的运动模型,在舰船通信网络中收集模糊信息,并以此作为判断多目标实时状态的基础。最后通过多个跟踪点数据的关联,实现多目标元素优化跟踪与维持。通过与传统系统的测试对比得出结论,设计的多目标元素优化跟踪系统的平均跟踪误差降低了52%,且在通信网络干扰的情况下可以保证跟踪精度的稳定,具有较高的鲁棒性。     

基于大数据与人工智能的舰船避碰路径优化调度算法

舰船航行路径中存在许多障碍物,当前舰船避碰路径优化调度算法存在障碍物识别正确率低、规划路径长,不仅无法获得最优的舰船航行路径,而且不能保证舰船航行的安全,为了获得最优的舰船航行路径,设计了基于大数据与人工智能的舰船避碰路径优化调度算法。首先分析当前舰船避碰路径优化调度算法的工作原理,找到弊端,然后引入大数据分析方法建立舰船避碰路径优化的数学模型,实现障碍物识别,并采用人工智能技术——遗传算法找到最优的舰船避碰路径,最后进行舰船避碰路径优化调度算法性能的仿真测试,结果表明,本文方法可以更快找到最优的舰船避碰路径,舰船避碰路径更短,不仅减少了舰船航行的时间和成本,而且可以准确识别各种舰船障碍物,具有显著的优越性。     

基于大数据分析的舰船航行轨迹预判研究

现有舰船航行轨迹预判方法存在轨迹预判模式不完善的问题,导致航行轨迹点覆盖程度较低,设计一种基于大数据分析的舰船航行轨迹预判方法。获取舰船航行数据,定义并插补舰船航行基准数据,利用密度聚类算法挖掘航迹图谱,计算航线轨迹点距离,设定航行异常阈值,基于大数据分析设置轨迹预判模式,实现轨迹预判方法设计。实验结果表明,此次设计的轨迹预判方法,其航行轨迹点覆盖程度均值比其他2种现有轨迹预判方法分别高13.621%,12.138%,证明融合了大数据分析的轨迹预判方法更加有效。     

潜航器轨迹跟踪与航向预测算法

海况条件较差时,基于水下单点GPS定位系统的潜航器实时定位有较大测量误差,不利于潜航器的轨迹跟踪与航向预测。针对误差服从高斯分布的水下单点GPS定位系统,提出基于改进型扩展卡尔曼滤波算法的GPS跟踪方法和基于回归分析算法的航向预测方法。通过测试与仿真,对定位设备采集到的数据进行对比分析,试验结果表明,上述算法显著提高了轨迹测量精度与航向跟踪能力,准确绘制出了潜航器的实时航行轨迹与航向预测线,可应用于潜航器的轨迹跟踪项目中。     

潜航器轨迹跟踪与航向预测算法

海况条件较差时,基于水下单点GPS定位系统的潜航器实时定位有较大测量误差,不利于潜航器的轨迹跟踪与航向预测。针对误差服从高斯分布的水下单点GPS定位系统,提出基于改进型扩展卡尔曼滤波算法的GPS跟踪方法和基于回归分析算法的航向预测方法。通过测试与仿真,对定位设备采集到的数据进行对比分析,试验结果表明,上述算法显著提高了轨迹测量精度与航向跟踪能力,准确绘制出了潜航器的实时航行轨迹与航向预测线,可应用于潜航器的轨迹跟踪项目中。     

基于云计算的舰船大规模任务调度优化

当前舰船任务调度优化方法针对小规模任务,对于大规模舰船任务,它们存在搜索最优舰船任务调度方案时间长,舰船任务无法在有效时间内完成,为了加快舰船任务完成速度,结合舰船任务的大规模特点,设计了基于云计算的舰船大规模任务调度优化方法。首先对舰船大规模任务调度优化问题进行分析,将它们划分成为多个小规模舰船任务调度优化问题,然后基于云计算平台的map/reuduce模式对多个小规模舰船任务调度优化问题进行并行处理,并对多个小规模舰船任务采用混合智能优化算法进行求解,最后得到舰船大规模任务调度优化结果,并进行了舰船大规模任务调度优化问题的仿真测试。本文方法大幅度减少了舰船大规模任务调度优化时间,提高了舰船大规模任务完成效率,是一种有效、速度快的舰船大规模任务调度优化方法。     

混沌背景下舰船图像弱小目标轨迹跟踪的数学模型构建

在海上混沌背景干扰下,舰船图像弱小目标很难被检测出来,影响了跟踪质量。为此,构建一种混沌背景下舰船图像弱小目标轨迹跟踪的数学模型。该模型构建首先进行混沌背景处理,包括图像灰度化和图像滤波,以此抑制背景干扰。利用自适应修改搜索管径的时空域滤波方法进行舰船弱小目标检测,最后利用均值漂移算法实现弱小目标轨迹跟踪。结果表明,与前人研究的4种方法相对比,本文研究方法,轨迹跟踪误差较小,证明了所研究的有效性。     

云环境舰船目标检测与跟踪

目标检测与跟踪是舰船应用中的一个重要研究方向,针对当前舰船目标检测与跟踪存在的一些难题,为提高舰船目标检测与跟踪效果,设计了一种云环境下的舰船目标检测与跟踪方法。首先收集舰船目标检测与跟踪的数据,并对舰船目标的背景进行建模,然后采用卡尔曼滤波算法实现舰船目标检测与跟踪,并利用云环境作为舰船目标检测与跟踪的平台,最后在Matlab 2016平台上进行仿真实验,测试舰船目标检测与跟踪的效果,本文方法的舰船目标跟踪精度高,具有良好的舰船目标跟踪实时性。