CN105137971B - 一种辅助船舶进行避碰决策的方法 - Google Patents
一种辅助船舶进行避碰决策的方法 Download PDFInfo
- Publication number
- CN105137971B CN105137971B CN201510481757.1A CN201510481757A CN105137971B CN 105137971 B CN105137971 B CN 105137971B CN 201510481757 A CN201510481757 A CN 201510481757A CN 105137971 B CN105137971 B CN 105137971B
- Authority
- CN
- China
- Prior art keywords
- ship
- chromosome
- population
- value
- collision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种辅助船舶进行避碰决策的方法,它将遗传算法根据实际情况进行自适应改造后首次应用于船舶避碰领域,在整个选优过程中,结合船舶避碰相关理论,每一步都建立了量化公式来计算,不需要专家或驾驶员来确定评判指标,所以最大限度减少了人为因素的影响,使得结果具有较强的客观性,进而解决了由于船舶碰撞造成生命和财产损失的问题。鉴于以上理由,本发明可以广泛用于船舶避碰领域。
Description
技术领域
本发明涉及一种避碰决策的方法,特别是关于一种辅助船舶驾驶员进行避碰决策的方法。
背景技术
船舶碰撞是危害船舶海上安全的严重事故,往往会造成海上人命、货物和船舶的巨大损失,对于危险品船舶,还会造成严重的环境污染,所以,船舶避碰一直是海上交通领域内研究的热点问题。
据《2013水上交通事故情况年报》全国共发生运输船舶水上交通事故262件,死亡失踪265人,沉船142艘,直接经济损失3.84亿元;据《2014水上交通事故情况年报》全年共发生运输船舶水上交通事故255件、死亡失踪236人、沉船139艘、直接经济损失2.48亿元;《2015水上交通事故情况年报》未出。在水上交通事故中至少有50%是碰撞事故,所以解决避碰问题带来的经济效益非常可观。
随着航海科技的进步,雷达、AIS(Automatic Identification System,船舶自动识别系统)和电子海图系统等设备和技术手段被广泛应用,通过它们能够非常方便地获取目标船的动静态信息,包括船名、MMSI(Maritime Mobile Service Identify,水上移动通信业务标识码)、经度、纬度、航速、航向、航行状态、船舶类型、船长、船宽、吃水等信息,为船舶导航和避碰提供了精确的数据支持。
雷达、AIS等通导设备的使用,为船舶避碰的实时性和准确性提供了数据基础。目前航海界一直沿用的方法就是通过这些通导设备获取目标船的动态信息,然后计算本船和目标船的DCPA(Distance to Closest Point of Approach,最小会遇距离)、TCPA(Time toClosest Point of Approach,最小会遇时间),驾驶员在此基础上再结合自己的实际经验以及当时的海况来采取避碰措施。这种“DCPA\TCPA+经验”方法最大的弊端是依赖于驾驶员的操船经验和技能;此外就是受人为因素影响大,比如驾驶员的疲劳、疏忽、责任心、心理素质、习惯等,都会为船舶航行安全带来隐患。
美国海岸警卫队对近年发生的279起海上事故分析表明:约16%的海上重大事故和33%的人身伤亡事故与船员疲劳有关。国际海事组织根据多年的调查和统计发现,海上事故80%是人为因素造成,所以,降低人为因素的影响是解决船舶碰撞事故发生的一种重要途径。
多船会遇局面中的避碰决策是船舶驾驶中经常遇到的问题,建立一种受人为因素影响小的避碰算法是非常必要的,也是现实中迫切需要的。
遗传算法是一种基于生物进化原理的搜索算法,适应于大型复杂非线型问题的寻优。基于遗传算法建立一种新的避碰决策方法,可以最大限度降低主观因素的影响,为驾驶员操船提供决策支持,使其科学、合理地采取避让措施,以减少海上碰撞事故的发生。
目前,对于解决多船会遇避碰问题主要采用层次分析法(Analytic HierarchyProcess,AHP)。如建立多层次多目标重点避让船模糊优选函数(刘德新,吴兆麟,贾传荧.多层次多目标重点避让船模糊优选模型[J],交通运输工程学报,2005,5(1):50-51.),通过分析碰撞危险度和避让难易程度对船船避让的影响,利用多目标模糊优选理论,从多目标中确定重点避让船;还有通过建立多船避碰决策层次结构图,采用标度对影响因数进行量化,然后使用AHP法对避碰方案进行排序选优(朱沁,刘祖源.AHP法在多船避碰决策中的应用与研究[J],武汉理工大学学报(交通科学与工程版),2004,28(4):488-491.)。
这些方法在一定条件下为船舶避碰提供了辅助作用,但不足之处是:前者只确定了重点避让船,没有给出最终安全避让结果;后者在确定避碰决策指标评判体系时完全依赖于专家和有经验的驾驶员,不同的人会得出不同的结果。所以,建立一种完全量化的,并尽可能减少人为因素影响的避碰决策辅助方法是非常必要的。
发明内容
针对上述问题,本发明的目的是提供一种基于遗传算法的船舶避碰决策新方法,该方法减少了人为因素的影响,其目的是为船舶驾驶员采用正确的避让措施提供辅助和支持,以减少海上碰撞事故的发生。
为实现上述目的,本发明采取以下技术方案:
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于针对船舶本身的每一航向和航速进行编码,并将每一航向和航速的编码串联在一起形成一个染色体Xi,该染色体共Q位,形成n条染色体作为该船舶的初始种群Φ={X1,X2,...,Xn},i=1,2,...,n;计算初始种群中每个染色体Xi的适应度值f(Xi),利用该适应度值f(Xi)计算该染色体被选中的概率Pi,利用随机数生成器随机产生[0,1]内的随机数rp,并判断二者的大小关系:若rp<Pi,Xi被保留,否则Xi被淘汰,且种群中剩余染色体的数量为M;求出种群中染色体的最大适应值fmax和平均适应值favg,并根据二者计算交叉概率Pc;从[1,M]中产生2个随机数i和j,且i≠j,决定两个进行交叉的染色体Xi和Xj;从[1,Q]中产生一个随机数k决定染色体的交叉位;利用随机数生成器随机产生[0,1]内的随机数rc,并判断该随机数rc与交叉概率Pc的大小:若rc<Pc,则将Xi和Xj从第1位至交叉位k之间的编码互换,组成2条新的染色体;否则,不变;求出上一步形成的种群中的最大适应值和平均适应值,并根据二者计算变异概率Pm;从[1,M]中产生一个随机数i决定进行变异的染色体Xi;从[1,Q]中产生一个随机数k决定染色体的变异位;从[0,1]中产生一个随机数rm,并判断rm和Pm的大小关系:若rm<Pm,则执行变异:设Xi上的第k位为xik,对xik进行补运算,即令xik'为Xi上的第k位上的新值;判断种群中染色体的数量是否为1,若为1,则该染色体为最优解,即得到本船舶安全的航向和航速,算法终止;否则返回步骤2)直到得到最优解。本发明由于采用以上步骤,实现了将遗传算法根据实际情况进行自适应改造后首次应用于船舶避碰领域,在整个选优过程中,结合船舶避碰相关理论,每一步都建立了量化公式来计算,不需要专家或驾驶员来确定评判指标,所以最大限度减少了人为因素的影响,使得结果具有较强的客观性。2、据《2013水上交通事故情况年报》全国共发生运输船舶水上交通事故262件,死亡失踪265人,沉船142艘,直接经济损失3.84亿元;据《2014水上交通事故情况年报》全年共发生运输船舶水上交通事故255件、死亡失踪236人、沉船139艘、直接经济损失2.48亿元;《2015水上交通事故情况年报》未出。在水上交通事故中至少有50%是碰撞事故,所以解决避碰问题带来的经济效益非常可观。鉴于以上理由,本发明可以广泛用于船舶避碰领域。
附图说明
图1是实施例中的会遇情形
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明一种辅助船舶进行避碰决策的方法,其包括以下步骤:
1)针对船舶本身的每一航向和航速进行编码,并将每一航向和航速的编码串联在一起形成一个染色体Xi,该染色体共Q位,形成n条染色体作为该船舶的初始种群Φ={X1,X2,...,Xn},i=1,2,...,n,其形成过程包括以下内容:
船舶避碰决策就是根据会遇情形求出本船安全的航向和航速,所以可行解由本船的航向和航速构成。虽然实际航行中航向和航速均取1位有效数字,但在避碰操作中航向的选取往往不考虑小数位,故航向(单位:度)取值范围定为[0,360)区间的整数,用9位二进制数表示。为提高编码效率,对航速(单位:节)进行整数化处理:乘10取整,其取值范围为[0,500)(设定50节为最大航速),用9位二进制数表示。将航向和航速的编码串连接在一起,组成一个18位的二进制串表示一条完整的染色体。例如解向量(67°,15.6kn)的染色体编码是001000011010011100。
2)计算初始种群中每个染色体Xi的适应度值f(Xi),利用该适应度值f(Xi)计算该染色体被选中的概率Pi,利用随机数生成器随机产生[0,1]内的随机数rp,并判断二者的大小关系:若rp<Pi,Xi则被保留,否则Xi被淘汰,且种群中剩余染色体的数量为M;
采用船舶的空间碰撞危险度和时间碰撞危险度建立碰撞危险度函数。根据英国学者Goodwin的船舶领域概念(赵劲松,今津隼马.船舶避碰学原理[M].大连:大连海事大学出版社,1999)可知,碰撞危险度主要由空间碰撞危险度和时间碰撞危险度构成,亦即要综合考虑DCPA和TCPA的影响。下面的讨论限于他船位于本船ARPA常用的长扫描距离(12海里)内。影响空间碰撞危险度的主要因素包括:本船与他船的DCPA、最近会遇点的相对方位、最低安全会遇距离、来船相对方位、驾驶员心理感觉危险度为零的边界、领域边界。
根据Goodwin理论,船舶安全会遇领域d1(本船与他船间的最小安全会遇距离)在不同的相对舷角(相对本船右舷)下的数值如表1所示。若他船侵入该领域,则空间碰撞危险度为1(碰撞危险最大)。
表1船舶安全会遇领域取值
确定空间碰撞危险度零边界d2,根据实际调查令d2=2d1。若他船在此领域,本船不采取避碰行动,空间碰撞危险度为0(碰撞危险最小)。
在确定了d1与d2后,设本船与他船的DCPA为ddcpa,空间碰撞危险度函数RS为:
时间碰撞危险度是指存在碰撞危险的两船中的一船驶近到其最晚施舵点的时间上的紧迫程度。它主要受本船与他船的TCPA、他船从本船最晚施舵点至最近会遇点的时间、他船速度、本船长度、本船转向90°的前进距离、本船转向90°的横移距离、本船转向90°的速度降低、本船转向90°时间内他船的前进距离等因素影响。
设本船与他船的TCPA为ttcpa,本船最晚施舵距离为D1(根据统计研究一般取12倍的船长),他船相对运动速度为vR,时间碰撞危险度函数RT为:
碰撞危险度函数设定为
根据避碰实际,将式中算子定义为:
(1)若RS=0,则R=0;
(2)若RS≠0,RT=0,则R=0;
(3)若RS≠0,RT≠0,则R=max[RS,RT]。
染色体的遗传过程是在适应度函数的引导下进行的,通过适应度函数对染色体进行评价,适应度较高的染色体遗传到下一代的概率较大,反之较小。对任意染色体X(本船的航向、航速),在本船船位已知,目标船船位、航向、航速已知的情况下,RS和RT只与X有关,故R是X的函数(记为R(X)),为防止R(X)=0出现异常,选取的适应度函数f(X)为:
由此可见,染色体的碰撞危险越小,适应度值就越大,被选中的概率就越大。
对染色体的选择方法采用适应值比例法。设有m条目标船,种群中有n条染色体,Xi为第i(1≤i≤n)染色体对应的染色体串,Xi对于第j(1≤j≤m)条目标船的适应度函数为fj(Xi),与所有目标船的适应值的总和就是Xi的适应值,染色体Xi被选中的概率Pi:
其中,是所有染色体的适应值之和。
传统遗传算法的交叉和变异概率常采用固定值,这对种群进化是不利的。采用自适应法对染色体进行交叉和变异操作,使交叉概率和变异概率随适应度的变动而自动调节。自适应交换概率Pc为
其中,Pc1、Pc1为调整系数,fmax是种群的最大适应值,favg是种群的平均适应值,fc是进行交叉的两个染色体串中适应值较大者,fm是进行变异的染色体的适应值。
由上述自适应交换和变异概率公式可以看出,当种群适应值趋于一致或者趋于局部最优时,Pc会增大;当种群适应值比较分散时,Pc会减小。同时,对适应值高于种群平均适应值的染色体赋予较低的Pc,使良好基因得以保护进入下一代;对低于种群平均适应值的染色体赋予较高的Pc,使较差基因被淘汰掉。因此,这种自适应性体现在对进化过程的自适应,也体现在对特定染色体提供最佳的Pc,这样就保持了种群的多样性。
上述实施例中,Pc1=0.5,Pc2=0.85。
4)从[1,M]中产生2个随机数i和j,且i≠j,决定两个进行交叉的染色体Xi和Xj;从[1,Q]中产生一个随机数k决定染色体的交叉位;利用随机数生成器随机产生[0,1]内的随机数rc,并判断该随机数rc与交叉概率Pc的大小:若rc<Pc,则将Xi和Xj从第1位至交叉位k之间的编码互换,组成2条新的染色体;否则,不变;
其中,Pm1、Pm2为调整系数,fmax是种群的最大适应值,favg是种群的平均适应值,fc是进行交叉的两个染色体串中适应值较大者,fm是进行变异的染色体的适应值。
由上述自适应交换和变异概率公式可以看出,当种群适应值趋于一致或者趋于局部最优时,Pm会增大;当种群适应值比较分散时,Pm会减小。同时,对适应值高于种群平均适应值的染色体赋予较低的Pm,使良好基因得以保护进入下一代;对低于种群平均适应值的染色体赋予较高的Pm,使较差基因被淘汰掉。因此,这种自适应性体现在对进化过程的自适应,也体现在对特定染色体提供最佳的Pm,这样就保持了种群的多样性。
上述实施例中,Pm1=0.02,Pm2=0.1。
6)从[1,M]中产生一个随机数i决定进行变异的染色体Xi;从[1,Q]中产生一个随机数k决定染色体的变异位;从[0,1]中产生一个随机数rm,并判断rm和Pm的大小关系:若rm<Pm,则执行变异:设Xi上的第k位为xik,对xik进行补运算,即令(对于二进制编码来说,若xik=0,则;若xik=1,则xik=0),xik'为Xi上的第k位上的新值。
7)判断种群中染色体的数量是否为1,若为1,则该染色体为最优解,即得到本船舶安全的航向和航速,算法终止;否则返回步骤2)直到得到最优解。
为了更好的说明本专利,下面通过以下实施例
本船航行在黄海水域,纬度:38°12.216′N,经度:121°43.386′E,航向:315.2°,航速:15.4kn,艏向:316.1°。在本船的6海里APAR扫描范围内共有7条目标船,各船互见,会遇情形如图1所示,在该图中,本船用三角形标绘,目标船用圆形标绘。
目标船的航行数据以及与本船的方位、距离、DCPA、TCPA和相对速度如表2所示。
表2目标船航行状态表
函数初始种群大小为300,经过40代遗传后,适应值提升比较明显,从60代开始趋于稳定状态,最优适应度值6.078,最优染色体为:101011101010011000,即{349°,15.2kn},此时与其它目标船的DCPA、TCPA值见表3,可见全部达到了安全态势。
表3避让结果
上述各实施例仅用于说明本发明,其中各步骤的实现方式是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (5)
1.一种辅助船舶进行避碰决策的方法,它包括以下步骤:
1)针对船舶本身的每一航向和航速进行编码,并将每一航向和航速的编码串联在一起形成一个染色体Xi,该染色体共Q位,形成n条染色体作为该船舶的初始种群Φ={X1,X2,...,Xn},i=1,2,...,n;
2)计算初始种群中每个染色体Xi的适应度值f(Xi),利用该适应度值f(Xi)计算该染色体被选中的概率Pi,利用随机数生成器随机产生[0,1]内的随机数rp,并判断二者的大小关系:若rp<Pi,Xi被保留,否则Xi被淘汰,且种群中剩余染色体的数量为M;
3)求出种群中染色体的最大适应值fmax和平均适应值favg,并根据二者计算交叉概率Pc;
4)从[1,M]中产生2个随机数i和j,且i≠j,决定两个进行交叉的染色体Xi和Xj;从[1,Q]中产生一个随机数k决定染色体的交叉位;利用随机数生成器随机产生[0,1]内的随机数rc,并判断该随机数rc与交叉概率Pc的大小:若rc<Pc,则将Xi和Xj从第1位至交叉位k之间的编码互换,组成2条新的染色体;否则,不变;
5)求出上一步形成的种群中的最大适应值和平均适应值,并根据二者计算变异概率Pm;
6)从[1,M]中产生一个随机数i决定进行变异的染色体Xi;从[1,Q]中产生一个随机数k决定染色体的变异位;从[0,1]中产生一个随机数rm,并判断rm和Pm的大小关系:若rm<Pm,则执行变异:设Xi上的第k位为xik,对xik进行补运算,即令xik'为Xi上的第k位上的新值;
7)判断种群中染色体的数量是否为1,若为1,则该染色体为最优解,即得到本船舶安全的航向和航速,算法终止;否则返回步骤2)直到得到最优解;
所述步骤1)中Q为18,且航向和航速的码数相同;
所述步骤3)中,其中,Pc1、Pc1为调整系数,且Pc1=0.5,Pc2=0.85,fmax是种群的最大适应值,favg是种群的平均适应值,fc是进行交叉的两个染色体串中适应值较大者,fm是进行变异的染色体的适应值;
所述步骤5)中,其中,Pm1、Pm2为调整系数,且Pm1=0.02,Pm2=0.1,fmax是种群的最大适应值,favg是种群的平均适应值,fc是进行交叉的两个染色体串中适应值较大者,fm是进行变异的染色体的适应值。
2.如权利要求1所述的一种辅助船舶进行避碰决策的方法,其特征在于:所述步骤2)中,适应度函数其中R(X)为碰撞危险度函数,且 其中,RS为空间碰撞危险度函数,RT为时间碰撞危险度函数,且算子定义为:
(1)若RS=0,则R=0;
(2)若RS≠0,RT=0,则R=0;
(3)若RS≠0,RT≠0,则R=max[RS,RT]。
3.如权利要求2所述的一种辅助船舶进行避碰决策的方法,其特征在于:空间碰撞危险度函数RS为:
其中,ddcpa为本船与他船的DCPA,d1为本船与他船间的最小安全会遇距离,d2为确定空间碰撞危险度零边界。
4.如权利要求2所述的一种辅助船舶进行避碰决策的方法,其特征在于:时间碰撞危险度函数RT为:
且
其中,ttcpa为本船与他船的TCPA,D1为本船最晚施舵距离,vR为他船相对运动速度。
5.如权利要求1或2或3或4所述的一种辅助船舶进行避碰决策的方法,其特征在于:所述步骤2)中,染色体Xi被选中的概率Pi:
其中,是所有目标船的适应值的总和,是种群中所有染色体的适应值之和,fj(Xi)为染色体Xi对于第j条目标船的适应度函数,且共有m条目标船,1≤j≤m,Xi为第(1≤i≤n)染色体对应的染色体串。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481757.1A CN105137971B (zh) | 2015-08-03 | 2015-08-03 | 一种辅助船舶进行避碰决策的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481757.1A CN105137971B (zh) | 2015-08-03 | 2015-08-03 | 一种辅助船舶进行避碰决策的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105137971A CN105137971A (zh) | 2015-12-09 |
CN105137971B true CN105137971B (zh) | 2018-07-06 |
Family
ID=54723346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510481757.1A Expired - Fee Related CN105137971B (zh) | 2015-08-03 | 2015-08-03 | 一种辅助船舶进行避碰决策的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105137971B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717923B (zh) * | 2016-01-16 | 2019-02-19 | 上海大学 | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 |
CN107766941A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 一种基于遗传算法的设施选址方法 |
KR101902730B1 (ko) * | 2018-02-12 | 2018-09-28 | 목포해양대학교 산학협력단 | 해기사의 심리적 특성을 이용한 선박의 충돌 회피 방법 |
CN109166355B (zh) * | 2018-07-20 | 2021-08-03 | 大连海事大学 | 一种船舶航道航行时的变速避让系统 |
CN109190170A (zh) * | 2018-08-02 | 2019-01-11 | 哈尔滨工程大学 | 一种基于云模型理论的船舶碰撞危险度建模方法 |
CN109887339B (zh) * | 2019-03-20 | 2020-09-15 | 集美大学 | 一种关联避让行为的船舶碰撞危险及危险度评估方法 |
CN110164185A (zh) * | 2019-06-05 | 2019-08-23 | 大连海事大学 | 一种基于ais的船舶避碰系统 |
CN111400864B (zh) * | 2020-02-12 | 2022-06-17 | 武汉理工大学 | 一种基于前景理论的船舶避碰决策优化方法 |
CN111915928B (zh) * | 2020-06-28 | 2022-04-26 | 大连海事大学 | 一种船舶碰撞事故率预测方法 |
CN114550501A (zh) * | 2022-04-20 | 2022-05-27 | 迪泰(浙江)通信技术有限公司 | 一种基于ais的船舶危险预警系统及方法 |
CN115407785B (zh) * | 2022-11-01 | 2023-04-25 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶避碰控制方法、装置、设备及存储介质 |
CN116311946B (zh) * | 2023-03-29 | 2024-02-23 | 河北纬坤电子科技有限公司 | 用于展示实时交通态势的方法、系统、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390077A (zh) * | 2013-06-24 | 2013-11-13 | 武汉理工大学 | 基于ogre的三维内河航行仿真中船舶碰撞检测方法 |
CN104360306A (zh) * | 2014-11-18 | 2015-02-18 | 集美大学 | 一种基于差分进化机理的目标船舶方位估计方法 |
CN104462856A (zh) * | 2014-12-30 | 2015-03-25 | 江苏理工学院 | 船舶冲突预警方法 |
-
2015
- 2015-08-03 CN CN201510481757.1A patent/CN105137971B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390077A (zh) * | 2013-06-24 | 2013-11-13 | 武汉理工大学 | 基于ogre的三维内河航行仿真中船舶碰撞检测方法 |
CN104360306A (zh) * | 2014-11-18 | 2015-02-18 | 集美大学 | 一种基于差分进化机理的目标船舶方位估计方法 |
CN104462856A (zh) * | 2014-12-30 | 2015-03-25 | 江苏理工学院 | 船舶冲突预警方法 |
Non-Patent Citations (2)
Title |
---|
《基于正反馈自适应遗传算法的》;胡喜玲 等;《计算机应用研究》;20100630;第27卷(第6期);第2037-2039,2050页 * |
《基于遗传算法的船舶避碰决策研究》;王泽胜;《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》;20060415(第4期);第7-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105137971A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105137971B (zh) | 一种辅助船舶进行避碰决策的方法 | |
Zhen et al. | Maritime anomaly detection within coastal waters based on vessel trajectory clustering and Naïve Bayes Classifier | |
Sahin et al. | A novel process model for marine accident analysis by using generic fuzzy-AHP algorithm | |
Wu et al. | Effectiveness of maritime safety control in different navigation zones using a spatial sequential DEA model: Yangtze River case | |
Li et al. | AIS data-based decision model for navigation risk in sea areas | |
CN110491171A (zh) | 一种基于机器学习技术的水上交通监管预警系统及方法 | |
CN110083155A (zh) | 一种实现船舶拟人智能避碰决策的机器学习方法 | |
Ozturk et al. | Evaluating navigational risk of port approach manoeuvrings with expert assessments and machine learning | |
Erol et al. | Analysis of ship accidents in the Istanbul Strait using neuro-fuzzy and genetically optimised fuzzy classifiers | |
Brcko et al. | Fuzzy reasoning as a base for collision avoidance decision support system | |
Vujičić et al. | A model of determining the closest point of approach between ships on the open sea | |
Copping et al. | Likelihood of a marine vessel accident from wind energy development in the Atlantic | |
Popov et al. | Reconstruction of various navigational scenarios of the «Ever Given» ship, including grounding in the Suez Canal using the bridge simulator with up-to-date electronic navigation charts | |
Bolbot et al. | A method to identify and rank objects and hazardous interactions affecting autonomous ships navigation | |
Olindersson et al. | Developing a maritime safety index using fuzzy logics | |
Namgung et al. | Inference model of collision risk Index based on artificial neural network using ship near-collision data | |
Xue et al. | Ship collision avoidance based on brain storm optimization near offshore wind farm | |
Liu et al. | The design of a fuzzy-neural network for ship collision avoidance | |
Zeng et al. | Planning a collision avoidance model for ship using genetic algorithm | |
Zvaigzne et al. | Efficiency estimation of specialized multifunctional ships at optimal designing | |
Fung et al. | Navigational safety of inland waterway transport system (IWTS) in Sarawak: Rajang River | |
Gucma | Optimization of Świnoujście port areas and approach channel parameters for safe operation of 300-meter bulk carriers | |
Bugajski et al. | Analysis of the parameters influencing the suitability of a surface unit for search and rescue operations at sea | |
Vasconcellos et al. | Multi-criteria optimization applied to tankers preliminary design | |
Wang et al. | Research on Risk Identification of Ro-Ro Passenger Ship's Navigation Based on the Brittle Link Theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180706 Termination date: 20190803 |