基于禁忌搜索算法的无人船路径规划

针对传统A^*算法在规划路径过程中存在所拓展路径非全局最优路径的问题,提出一种禁忌搜索算法对其进行优化,将已搜索路径放入禁忌表中进行多次迭代,将迭代结果进行比较产生最优路径。为进一步验证禁忌搜索算法优化的有效性,在阑珊格搭建的海域环境中进行仿真比较,结果表明,相比于A^*算法和人工势场法,禁忌搜索优化算法在无人船路线规划中凭借其全局性能够更准确地规划出最优路径。     

国内外海上救助分级体系分析

一、我国海上救助分级体系概况从我国现有的与海上救助相关的规定中可以看出,我国当前关于海上救助的分级主要体现在两个方面:一是在《国家海上搜救应急预案》(以下简称《搜救预案》)中体现出的对海上救助的管理性分级;二是针对某遇险事件的海上救助事故性(主要是危险性)分级。(一)海上救助的管理性分级由于我国实行的是由交通部中国海上搜救中心、省级海上搜救中心和海上搜救分支机构三级搜救指挥协调机构组成的海上救助主管协调机制,因此,我国海上救助的分级中存在着对海上救助的管理性分级。我国《搜救预案》中提到的海上救助行动的分级…     

智能船舶航行态势感知技术现状

作为船舶智能技术体系的关键组成部分，航行态势感知近年来引起了广泛关注。为了能把握船舶航行态势感知的发展方向，文章从船舶航行态势感知的概念、感知设备和感知信息处理及融合技术等3方面介绍了船舶航行态势感知技术的发展现状。在此基础上，就现阶段船舶航行态势感知所面临的信息深度挖掘不够、综合感知能力不强、评测体系缺乏的问题进行了讨论，最后对船舶航行态势感知的未来发展进行了展望。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。