智能船舶海上试验场建设现状及发展趋势

我国智能船舶面临较好的发展形势,船舶智能化、无人化将是船舶未来发展的主要方向。我国船舶工业和航运界在智能船舶领域进行了探索与研究,相关科研项目正在积极开展。智能技术工程化应用初显成效,已形成一定的技术积累和产业基础,基本与国际先进水平保持同步。但总体而言,全球智能船舶仍处于探索和发展的初级阶段,智能船舶标准体系、测试与验证体系亟待建立,智能技术工程化应用十分有限,相关国际海事公约法规研究刚刚起步。因此,急需建立大型智能船舶综合测试与验证海上试验场,实现复杂海况下智能船舶航行与作业能力验证,为智能船舶技术发展和智能船舶运营无人化提供有力保障。本文对国内外海上试验场发展现状进行介绍,并对面临的机遇与挑战进行了探讨。建设国家级的智能船舶海上试验场对提高我国航运智能化、安全、营运效率,降低航运成本具有重要意义,将大力促进我国船舶产业智能化升级,提升我国船舶制造和航运市场的国际竞争力。     

基于一维卷积神经网络的驾驶人身份识别方法

近年来，智能网联汽车（ICV）已成为智能工业时代最有前景的发展方向。作为现代移动的重要模式，ICV的设计和开发越来越强调个性化需求。提出一种仅使用车载CAN总线行车状态数据，基于深度学习的驾驶人身份识别通用框架。首先采集20名驾驶人在固定试验路线下，包括不同道路类型、不同交通条件下的自然驾驶行车状态数据集；其次对9种类型的CAN信号行车数据进行数据清洗与重采样，构建数据样本集。搭建了由卷积层、池化层、全连接层、SoftMax层构成的一维卷积神经网络（1-D CNN）驾驶人身份识别模型，并且使用Adam算法、L2正则化、Dropout、小批量梯度下降等方法对模型性能进行优化。算法验证过程中，探讨了模型卷积核占比、卷积核数量、卷积层层数、全连接层节点规模对模型识别准确率的影响，进而对模型结构参数进行优选。进一步地，将该算法与K近邻（KNN）、支持向量机（SVM）、多层感知器（MLP）等传统机器学习方法及深度学习算法长短时记忆网络（LSTM）进行对比分析，同时探究样本时间窗口大小、样本数据重叠度、驾驶人数量对模型识别结果的影响。在数据时间窗口为1 s、数据重合度80%的条件下，对20名驾驶人进行识别，评价指标宏观F₁分数可达99.1%，表明该模型表现明显优于其他对比模型算法，其对驾驶人身份识别表现稳定，鲁棒性强。     

二阶波浪力数值计算与试验方法研究

目前准确测量波浪中船舶与海洋结构物二阶波浪力是一个难点,本文提出采用半约束法和弹簧系统约束法两种试验方法测量二阶波浪力.首先介绍了半约束法和弹簧系统约束法两种试验方法,然后针对某散货船采用这两种方法开展了二阶平均波浪力试验测量研究,最后将试验结果与理论计算结果进行了对比,并对两种试验方法的优缺点进行了分析.研究结果表明:两种试验方法均能准确测量二阶平均波浪力.