基于AIS数据和LSTM网络的船舶航行动态预测

为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。     

基于隐马尔科夫模型的VLCC目的港预测

超大型油船(very large crude carrier，VLCC)目的港预测对海运原油流向预测以及货源地未来运力估计具有重要作用。针对VLCC的AIS目的港信息存在缺失、更新不及时、不准确等现象，提出一种基于隐马尔科夫模型的VLCC目的港预测方法。分析船舶AIS轨迹数据，得到油船历史停靠港口序列；根据VLCC轨迹提取习惯航路，以航路中的交叉点为依据设置观测线；利用船舶航行轨迹数据判断船舶是否经过观测线以及经过观测线的方向，对不同方向分别计算船舶在挂靠港间的转移概率矩阵和船舶挂靠港与观测线间的输出概率矩阵，建立VLCC目的港预测模型并进行预测。研究结果表明：在大多数情况下VLCC目的港预测的准确率可以达到70%以上；航线越固定、运行越规律的船舶，预测准确率越高；船舶越靠近目的港，预测越准确；重载状态下的船舶目的港预测更准确。     

基于PCA和SAPSO的船舶风压差神经网络预测模型

为提高船舶风压差的预测精度,使船舶能够更快稳定在计划航线上以保障航行安全,提出一种基于主成分分析(principal component analysis, PCA)法和自适应粒子群优化(self-adaptive particle swarm optimization, SAPSO)算法的船舶风压差神经网络预测模型。该方法采用PCA法对航行数据进行预处理,然后将数据输入由SAPSO算法优化的BP神经网络中,改变以往通过复杂的数学建模计算风压差的方法,提高预测的时效性和准确性。利用实船数据对模型进行船舶风压差的实时预测仿真,结果验证了该预测模型具有较高的可靠性。     

一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法

复合材料是基于多种材料组分的不同组合方式经由相应工艺加工而成的新型材料,近年来凭借其优良的综合性能被广泛应用于交通、建筑等领域,其试验分析结果有时候与经验分析存在较大误差,从而建立可信的分析方法对复合材料承载性能进行验证具有十分重要的理论意义。基于长短期记忆（long short term memory,LSTM）深度学习网络模型的预测精度受数据序列长度影响,提出一种LSTM神经网络和Kalman滤波相结合的复合材料承载预测方法,既可以克服训练数据序列长度对传统LSTM神经网络的影响,又使得Kalman滤波可以从输入数据中学习。仿真结果表明,该方法可以获得优良的预测性能：LSTM-KF模型的承载预测误差将LSTM模型的预测误差从0.033 0 kN减小到0.016 0 kN,降幅为51.52%。     

船舶交通流量预测的灰色神经网络模型

为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.     

基于SVR的船舶航行安全评估模型

为对船舶航行安全状况进行有效预测,利用支持向量回归(support vector regression, SVR)算法构建船舶航行安全评估模型。在分析影响船舶航行安全的因素的基础上,对船舶历史数据进行预处理后将其作为模型训练和测试的样本数据。实验结果表明:该模型评估准确度可达99.6%以上;在同一样本数据条件下,模型的评估准确度和稳定性均优于基于极限学习机(extreme learning machine,ELM)构建的模型。模型的评估结果为水上交通管理部门的监管提供参考。     

面对数据丢包的船舶航向保持网络预测控制器

针对网络控制系统中存在的数据丢包问题,使用一种带有常值补偿机制的广义预测控制(Generalized Predictive Control,GPC)算法设计船舶航向保持的网络预测控制器.首先,利用TrueTime工具箱仿真使用传统GPC算法设计的船舶航向保持的网络预测控制器.然后,考虑数据丢包对船舶航向保持的网络控制系统造成的影响,使用带有常值补偿机制的GPC算法设计一种新的船舶航向保持的网络预测控制器并进行仿真.仿真结果表明,在数据丢包情况下,采用新方法设计的控制器可以减少船舶航向调节时间,从而改善船舶航向保持的网络预测控制器的控制效果.     

基于多源数据的北极东北航道冰情示警方法

为减少船舶在北极东北航道航行时发生事故的概率,基于德国不莱梅大学发布的海冰密集度数据和美国国家冰雪数据中心发布的海冰厚度、海冰类型数据建立海冰风险预警模型,对不同空间分辨率海冰数据进行空间投影转换,将北极海域划分为网格并与海冰特征进行对应。将船舶与海冰的位置关系作为聚类特征向量,使用高斯混合模型(Gaussian mixture model, GMM)对网格进行聚类,引入高斯分布重叠率作为评价网格可分性的指标。根据类间可分性较大、类内相似性较高的原则,将海冰网格分成3类,并与其他聚类方法进行对比。实验结果表明,GMM可以很好地根据网格特征差异划分出高风险海冰网格,相比邻域网格聚类方法,其类间可分性更好,精度和稳定性也更好。     

基于实体嵌入和长短时记忆网络的入侵检测方法

针对网络入侵检测过程中无法有效处理入侵数据中分类变量的表示，导致网络入侵检测准确率低、漏报率高等问题，提出一种基于实体嵌入和长短时记忆网络（long short-term memory network，LSTM）相结合的网络入侵检测方法。首先，在数据预处理时，将表示网络特征数据中的数值型变量和分类型变量数据分开，通过实体嵌入方法将分类型变量数据映射在一个欧几里得空间，得到一个向量表示，再将这个向量嵌入到数值型数据后面得到输入数据。然后，通过把数据输入到长短时记忆网络中去训练，通过时间反向传播更新参数，得到最优嵌入向量作为输入特征的同时，也得到一个相对最优的LSTM网络的检测模型。在数据集NSL-KDD上进行实验验证，结果表明实体嵌入是一种有效处理网络入侵数据中分类变量的方法，它和LSTM网络相结合组成的模型能够有效提高入侵检测率。在数据预处理时对分类变量的处理中，实体嵌入方法与传统的One-Hot编码方法相比，检测的准确率提高1.44个百分点，漏报率降低2.99个百分点。     

基于双流LSTM与自监督学习的 在线动作检测算法

在线动作检测对安防和人机交互等应用非常重要,该问题要求模型在动作刚开始时就能检测到,而不是等待整个事件完整结束。由于在线动作检测只能基于观测到的部分视频进行判断,因此相比动作识别和动作检测等任务,模型需要挖掘更多信息辅助决策。基于在线动作检测问题中常用的长短时记忆网络(LSTM)模型,构建双流LSTM模型(2S-LSTM),并将在图像领域中被广泛使用的自监督学习思想引入到在线动作检测问题中。首先,双流网络2S-LSTM模型分别对RGB流与光流的时序信息采用LSTM建模。同时基于自监督学习的思想构建出2个新型的损失函数——时序相似度损失与光流稳定损失用于模型的训练。实验表明,与过去的在线动作检测方法RED、TRN、IDN相比,本文的模型在TVSeries与THUMOS’14这2个数据集上都取得了较好的结果。     

船舶冲突时空特征分析

为更加全面地分析水域船舶冲突的时空特征,从船舶动态航行过程出发,以船舶领域模型代替船舶碰撞半径,对船舶冲突数据进行识别与提取。通过对空间自相关模型在时间维度上的拓展,探讨船舶冲突数据在时空上的变化特征。基于该模型,研究不同时间尺度下船舶冲突空间变化趋势。实例结果表明,研究水域内的船舶冲突具有较强的空间自相关性,且会随着空间阶的提升而消散。     

基于灰色系统GM(1,1)的组合预测模型及其应用

建立了一种基于灰色系统GM(1,1)的组合预测模型,该模型的预测结果是一个区间.建立的模型提高了预测精度及实用性,并进一步将其应用于上海世博会入园参观人数的预测.     

结合速度和干扰观测的船舶路径跟踪模型预测控制

针对船舶路径跟踪控制中的舵角需优化﹑舵幅和舵速受约束等问题,提出模型预测控制(model predictive control,MPC)算法。为处理系统高阶状态值不易测量以及环境干扰问题,设计高阶非线性观测器,同时对船速和包含模型不确定项和外界干扰的总未知项进行估计。以引入舵机响应系统的MMG模型作为预测模型,不仅能提高预测精度,而且更符合船舶运动控制的实际情况。仿真结果表明,所设计的控制器在风浪流时变干扰下仍能跟踪参考路径,舵角幅值小且其变化是光滑的,速度值和总未知项也均能被准确地逼近,验证了所提算法的有效性。     

基于MMC的虚拟同步发电机技术在船舶与岸电无缝并网中的应用

鉴于船舶与岸电在并网时存在较大冲击电流,以及模块化多电平换流器(modular multilevel converter,MMC)控制的岸电离网运行时对突发状况响应速度较慢的问题,采用改进的虚拟同步发电机(virtual synchronous generator, VSG)技术结合模型预测控制(model predictive control, MPC)算法,对岸电电源输出电流、环流、子模块电容电压进行分层预测控制,实现船舶与岸电的无缝并网。采用MATLAB/Simulink建立MMC VSG并网仿真模型,模拟船舶与岸电并网及突加负载等工况。对所提出的控制策略和算法的有效性进行验证,结果表明,利用所提出的控制策略能实现VSG离网与并网的无缝切换;与经典控制方法相比,所提出的控制策略的动态响应速度提升了5倍。     

基于PSO的BP神经网络-Markov船舶交通流量预测模型

为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。     

船舶交通量的BP神经网络-马尔科夫预测模型

为提高船舶交通量的预测精度,在BP神经网络的基础上结合马尔科夫预测模型建立一个新的预测模型.采用通过长江九江大桥的月度船舶交通量数据进行模型训练、验证和预测,求出相对残差值,将相对残差的前8项归一化后划分为3个状态,利用马尔科夫预测模型修正BP神经网络的预测值.该新模型将BP神经网络的相对残差值区间从[-12.9%,12.3%]降低至[-9.9%,5.4%].该模型能提高船舶交通量的预测精度,用于预测船舶交通量是可行的.     

澜沧江—湄公河船舶动态实时监控系统开发

针对澜沧江—湄公河航行船舶通信不畅、监控手段落后的问题,研究开发澜沧江—湄公河船舶动态实时监控系统.提出可变偏移量分段映射方法校正电子江图的显示误差.系统以全球定位系统(GPS)、卫星通信、计算机网络、地理信息系统(GIS)和数据库等技术手段为支撑,实现岸船双向文字通信和船位数据实时传输及监控中心对船舶的可视化动态监控功能,保障船舶航行安全.     

基于贝叶斯网络的内河船舶碰撞人的失误分析

为分析对船舶航行安全有显著影响的人的因素,引入SwainGuttmann模型和贝叶斯网络分析内河船舶碰撞事故。依据SwainGuttmann模型的信息处理过程(感知、决策和行动)梳理内河船舶碰撞形成机理。利用领域专家知识和小样本量数据学习法构建贝叶斯网络,计算网络节点间的条件概率。利用贝叶斯网络的不确定性知识推理方法,得出影响船舶航行安全的关键人的因素。该结果与真实事故案例统计结果相吻合,这说明SwainGuttmann模型和贝叶斯网络适用于对内河船舶航行安全的综合分析。     

船舶永磁同步推进电动机的基于滑模变结构的SVM-DTC方法

为解决船舶电力推进系统在螺旋桨负载受到风浪干扰时的稳定性问题,采用永磁同步电动机(Permanent Magnet Synchronous Motor,PMSM)作为推进电动机,在空间矢量调制(Space Vector Modulation,SVM)方法和直接转矩控制(Direct Torque Control,DTC)方法的基础上,提出一种基于滑模变结构的SVM-DTC方法.通过Simulink搭建模型进行船舶工况仿真,对推进电动机的转速和电磁转矩进行分析.仿真结果表明采用滑模控制的船舶电力推进系统具有很好的静态、动态特性和鲁棒性.