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。     

海洋船舶的轨迹估计算法

准确估计和预测海洋导航中机动船舶的轨迹是改善海上安全和保安的重要工具。因此,许多常规海洋导航系统和船舶交通管理和报告服务都为此目的配备了雷达设施。然而,船舶操纵轨迹的预测的准确性主要取决于船舶位置,速度和加速度的估计的良好性。因此,本研究提出了一个基于曲线运动模型的机动海洋船只模型,其基于用于相同目的的线性位置模型的测量。此外,还假定与白高斯噪声相关联的系统状态和测量模型。扩展卡尔曼滤波器被提出作为用于估计位置,速度和加速度的自适应滤波器算法,用于预测机动的海洋船舶轨迹。最后,提出的模型被实施,并获得成功的计算结果,在本研究中的海洋导航中的船舶操纵轨迹的预测。     

远洋船舶目标检测中图像分类识别研究

为准确划分远洋船舶类别,实现远洋船舶目标检测,保障海洋生态环境、海洋交通与国防安全,研究远洋船舶目标检测中图像分类识别方法。采用小波分析法,通过二维小波变换获取低频子图像、水平细节子图像、垂直细节子图像和对角细节子图像,将其作为远洋船舶图像特征;采用采用双向递归神经网络(BRNN)的深度学习方法构建分类器,将远洋船舶图像特征作为输入向量,通过递归神经网络将输入向量映射至输出向量,得到船舶目标图像分类结果。同时利用改进粒子群算法优化分类器中的权重与偏差参数,提升船舶目标图像分类精度。实验结果显示,所研究方法能够有效划分船舶目标图像类别,且划分精度高于97%。     

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。     

三次样条插值在船舶轨迹修复中的研究

利用AIS获取船舶的时间、经纬度数据,然后利用Vondrak对数据进行预处理,通过三次样条曲线完成轨迹的修复。从所获取的数据中挑选60条轨迹用来仿真实验,实验结果表明本文所设计的算法对于线性度高的轨迹修复性要好于线性度低的轨迹,并且轨迹误差小,对船舶的轨迹修复有效。     

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。     

基于最小二乘算法的船舶航行轨迹控制研究

为保证船舶一直按照既定的轨迹航行,避免发生碰撞事故,进行船舶航行轨迹控制具有重要的现实意义。为此,基于最小二乘算法进行船舶航行轨迹控制方法研究。该研究前一部分获取AIS系统中的船舶航行实时数据,得到船舶航行位置,后一部分利用最小二乘算法,并结合前一部分获取的数据,预测船舶航行角度和方向,控制船舶航行。结果表明:1)整体来看,实际航行轨迹线路与预期航行轨迹线路之间的拟合优度为0.984 7,比较靠近1,说明船舶航行实际轨迹符合预期。2)局部来看,通过对比10个不同节点处的航行速度和航行方向,误差比较小,说明所研究方法的航行轨迹控制效果较好。     

基于加权朴素贝叶斯的船舶轨迹分类算法

为实现船舶自动识别系统(Automatic Identification System,AIS)轨迹数据快速分类,提出一种基于加权朴素贝叶斯的船舶轨迹分类算法。通过船舶AIS数据预处理和轨迹特征分析,设计加权的朴素贝叶斯分类器,利用AIS数据进行训练;采用有监督的分类方法提高分类效率,提出基于特征连续值的加权方法,构建船舶AIS分类加权最优特征集合,提高轨迹分类的准确率和速度。以长江中游武汉河段为例,进行试验验证。结果表明:AIS动态信息是重要的轨迹特征,提出的朴素贝叶斯船舶轨迹分类算法准确率达99.05%,相比未加权和其他常用分类算法表现更优;研究成果可应用于船舶异常轨迹识别和船舶航行风险分析等领域中。     

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。     

基于GRNN算法的船舶轨迹分析方法

由国际海事组织(IMO)、国际电信联盟(ITO)、国际电工委员会(IEC)等组织牵头研发的以现代通信技术、电子信息技术等为核心的船舶自动识别系统(Automatic Identification System, AIS)几乎安装在所有在籍的船舶上,AIS数据在船舶的定位、动态轨迹上有着重要的作用。针对现有用于AIS数据轨迹插值的方法存在平滑性能较差、精度无法统一等缺点,基于GRNN神经网络的非线性映射能力及学习速度极高的优势,提出一种用于AIS数据插值的L-GRNN算法。仿真研究和实船数据验证表明,该方法的精度、平滑性能较好,与传统的AIS数据插值方法相比,同时具备精度、平滑性能,具有良好的工程适用价值。     

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。     

云计算下船舶网络多固定节点精确修复方法

普通船舶固定节点修复方法,在定位节点位置时,易出现较大偏差,且需要较长的修复时间。为解决此问题,提出云计算下船舶网络多固定节点精确修复方法。通过船舶云数据的划分、Apriori算法的改进,完成船舶云环境的搭建。通过船舶固定节点性能指标的确定、固定节点精确转移率的确定,完成云计算下船舶网络多固定节点精确修复方法的搭建。设计对比实验结果表明,新型方法与传统方法相比,可以准确定位节点所处位置,大幅度缩减修复完成时间。     

基于RBF神经网络的水面船舶轨迹跟踪控制

针对速度矢量不可测、动态参数不确定以及具有未知扰动和磁滞特性的水面船舶系统,提出一种基于径向基函数神经网络的自适应反馈轨迹跟踪控制方案。根据船舶的状态矢量,利用高增益观测器估计水面船舶系统的不可测速度矢量,并通过一个函数描述间隙类磁滞对系统的影响。利用径向基函数神经网络的逼近能力和反步法设计控制器,基于李雅普诺夫稳定性理论,验证所设计控制器的稳定性,证明系统所有的闭环信号都是半全局一致有界的。通过仿真验证了控制器的有效性。     

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。     

带有偏差单元的递归神经网络诊断方法在齿轮箱故障诊断中的应用

提出了带有偏差单元的递归神经网络方法,并将其应用到齿轮箱的故障诊断中．通过对齿轮箱的基本零件齿轮故障的设置,研究TBP神经网络的改进算法与带有偏单元的递归神经网络用于齿轮箱故障诊断的有效性。研究表明,带有偏单元的递归神经网络方法比BP网络训练速度快,精度要高,节省时间,能够精确实现故障定位。     

改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究，可以挖掘出船舶航行过程中有效或潜在的信息，对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而，提出一种改进QuickBundles算法，并对船舶轨迹采样方法和距离度量方式进行改进，选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据，最终实现船舶轨迹的有效聚类。试验结果表明，与原QuickBundles算法和DBSCAN算法相比，改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法，证明改进QuickBundles算法可有效应用于船舶轨迹聚类。     

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。     

神经网络在自适应船舶操作系统中的应用

首先在RBF-Elman神经网络结构基础上,设计带输出反馈RBF-Elman递归神经网络,通过实验验证该算法具有收敛速度快、自适应能力强、自学习能力以及固有的非线性等特点。最后将利用带输出反馈RBFElman递归神经网络作为分类器进行船舶运动状态的辨别,实验结果表明此算法高效、可行。     

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。     

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。