CN110598730A - 基于决策树的航迹关联算法 - Google Patents
基于决策树的航迹关联算法 Download PDFInfo
- Publication number
- CN110598730A CN110598730A CN201910688882.8A CN201910688882A CN110598730A CN 110598730 A CN110598730 A CN 110598730A CN 201910688882 A CN201910688882 A CN 201910688882A CN 110598730 A CN110598730 A CN 110598730A
- Authority
- CN
- China
- Prior art keywords
- target
- ais
- decision tree
- navigation radar
- data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于决策树的航迹关联算法,首先构建决策树分类模型,然后设计基于该决策树分类模型的航迹关联算法,本发明提供的基于决策树的航迹关联算法利用决策树判断来自同一时刻的导航雷达目标与AIS目标是否关联,更新历史关联度,根据历史关联度寻找最可能的相关目标,进行最终关联判决,使得对目标状态信息的估计更加准确、及时、全面,保障了航行安全及执法的有效性。
Description
技术领域
本发明属于海上交通信息安全领域,特别涉及一种基于决策树的航迹关联算法。
背景技术
由于我国海上航运市场总体趋好,港口等地航运密度增加,发生的事故也随之增加,冲突事件时有发生,因此,海洋运输船只的航行需要安全可靠的信息来支撑。目前,船只上应用较多的探测设备有导航雷达、AIS等。导航雷达就是雷达在航海领域的应用之一,用于导航定位、避碰、水上交通管理等。AIS是用GPS接收位置信息的一种主动应答式设备,提供目标静态、动态、航次、安全信息,目前绝大部分航行设备都必须强制安装AIS设备。充分利用好这些探测设备获取的信息有助于更加全面的掌握本船周边船舶目标信息和环境信息,面对突发事件时能够做好充分准备。
在海洋环境更加复杂、目标更加密集的新形势下,若仅仅依靠单一的传感器进行信息获取已经难以满足现代航海的需求。结合多源信息融合技术,整合多个传感器的测量信息,使得对目标状态信息的估计更加准确、及时、全面,保障航行安全及执法有效性,已经成为一个很重要的研究课题。
在运输船上,最常见的就是将导航雷达和AIS信息进行融合,实现异构传感器的信息共享、优势互补。导航雷达能够提供船舶运动状态信息,但其探测过程中采用门限检测的方法,由于噪声的普遍存在,难免会出现虚警。另外,对于距离较远的目标或是存在障碍遮挡的情况,也会漏报目标。AIS采用VHF频段电波通信,能够向请求设备发送本船信息,弥补导航雷达的性能缺失。另外,AIS提供的静态信息、安全信息和航次相关信息为目标辨识、威胁估计提供数据支持。
随着在我国海域上航行的各类船舶数量日益增加,海上交通状况日趋复杂,在船只航行过程中,能够快速准确的自动识别周边船舶信息便成为迫切而又必须解决的问题。目前航行过程中,主要使用的探测设备有导航雷达、AIS等。传统导航雷达信息量小,导航雷达探测的虚警和漏报一直是实际应用中难以解决的问题,因而需要与AIS信息进行融合。AIS采用VHF频段电波通信,能够向请求设备发送本船信息,弥补导航雷达的性能缺失。在海上交通日益复杂的情况下,充分利用探测器设备的信息,并将信息进行融合,更加快速准确的获取周边环境与目标信息,对于船舶海上航行安全具有至关重要的作用。新形势下更复杂的海洋环境和更密集的目标也对船只信息处理能力提出更高的要求。将导航雷达和AIS信息进行可靠的融合,实现传感器之间的优势互补,使探测的目标信息更加及时、准确、全面,在航海和军事领域有着迫切的应用需求和重大的实际意义。
发明内容
为了解决现有技术的缺陷,本发明提供了一种基于决策树的航迹关联算法,首先构建决策树分类模型,然后设计基于该决策树分类模型的航迹关联算法。
进一步的:依次从目标特征、输入属性、样本的特征缩放、分类结果、训练及检验方法以及训练样本六个方面进行构建决策树分类模型。
进一步的:目标特征选取以下四项,目标船与本船之间的距离和方位以及目标船的航速和航向。
进一步的:输入属性包括以下四个,导航雷达和AIS特征距离、方位、航速以及航向之间的欧式距离,以从输入角度降低决策树的复杂度,减少计算时间,提高分类效率。
进一步的:采用归一化方法对输入样本数据进行特征缩放,将数值统一到[0,1]区间上。
进一步的:每一次决策树分类结果均为二元判断过程,输出结果只有“是”或“否”两类,以判断某一个雷达目标和某一个AIS目标是否关联。
进一步的:采用CART算法对决策树进行训练,CART采用二元分割法,使用基尼系数选择最优的数据分割特征;并选择k折交叉验证方式,k取10,把训练集数据划分为数据量相等的10个子集,以保证每个子集都被用作检验集一次。
进一步的:设计训练样本时覆盖特征相似情况,以使训练后的网络更加健壮,更好的适应目标密集的环境。
进一步的:将导航雷达目标和AIS目标收集的数据进行预处理后,进行航迹关联,具体包括以下步骤:
步骤1:设有numRadar个导航雷达目标、numAIS个AIS目标,初始化航迹关联中需要用到的主要数据集合,包括导航雷达目标数据集合R、AIS目标数据集合A以及关联目标数据对RelatedR_A集合,其中,导航雷达目标数据集合R为
R={R1,R2,...,Ri,...,RnumRadar}i=1,2,...,numRadar(3.8)(1)
其中表示第i个导航雷达目标的信息集合,表示第i个导航雷达目标在t时刻的信息,同理,AIS目标数据集合A为
A={A1,A2,...,Aj,...,AnumAIS} j=1,2,...,numAIS (2)
其中表示第j个AIS目标的数据集合,表示第j个AIS目标在t时刻的航路点信息,关联目标数据对集合RelatedR_A,表示相互关联目标的导航雷达和AIS测量数据集合,在初始化状态下为空集,即:
步骤2:计算t时刻导航雷达目标和AIS目标样本输入属性值,并用归一化方法对输入数据进行特征缩放,将结果作为决策树的输入,计算t时刻所有导航雷达目标和AIS目标的相互关联情况,结果记为isRelated(i,j,t),表示第i个导航雷达目标和第j个AIS目标在t时刻是否关联,其值为0或者1,计算历史关联度sumRelated(i,j),由于单一时刻的关联结果非零即一,可定义历史关联度如式(3.4)所示:
sumRelated(i,j)=∑isRelated(i,j,t) (4)
步骤3:当所有导航雷达目标还未与所有的AIS目标计算出历史关联度时,重复进行步骤2;否则进行关联时间T阈值的判断,若已到阈值,则开始关联判断,进行步骤4,否则继续对下一时刻的目标数据重复进行步骤2;
步骤4:依次计算每个导航雷达目标与所有AIS目标的历史关联度最大值,即sumRelated(i,0)至sumRelated(i,numAIS-1)中的最大值,记为max(i),
max(i)=max(sumRelated(i,0),...,sumRelated(i,numAIS-1)) (5)
同时,记录下最大值对应的AIS目标编号,判断max(i)是否大于最大值阈值,如果最大值未达到,则说明此导航雷达目标目前还没有可以与之相关联的的AIS目标,对下一个雷达目标进行重复步骤4;否则,进行步骤5;
步骤5:判断max(i)对应的AIS目标编号是否唯一,若唯一,则直接进行步骤6;否则,计算各AIS目标与该导航雷达目标的特征相似度,定义导航雷达目标与AIS目标的特征相似度为
当出现了多个AIS目标可能关联同一个导航雷达目标时,从原始数据出发,通过式(3.6)进一步放大差异,选出其中最大特征相似度对应的AIS目标为与该导航雷达目标关联,并转入步骤6;
步骤6:更新集合,将关联的导航雷达目标和AIS目标信息从集合R和A中取出,移动到集合RelatedR_A中,即:
步骤7:当还有雷达目标未进行计算时,对该雷达目标进行步骤4;否则,把航迹关联结果发送至数据融合模块,航迹关联阶段结束。
有益效果:本发明提供的基于决策树的航迹关联算法利用决策树判断来自同一时刻的导航雷达目标与AIS目标是否关联,更新历史关联度,根据历史关联度寻找最可能的相关目标,进行最终关联判决,使得对目标状态信息的估计更加准确、及时、全面,保障了航行安全及执法的有效性。
附图说明
图1为本发明的流程逻辑示意图;
图2为本发明导航雷达和AIS信息融合框图;
图3为本发明的流程框图;
图4为雷达目标1和AIS目标的距离对比图;
图5为雷达目标1和AIS目标的方位对比图;
图6为雷达目标1和AIS目标的航速对比图;
图7为雷达目标1和AIS目标的航向对比图;
图8为决策树预测结果与实际结果对比图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
导航雷达与AIS信息融合模型把整个融合过程划分为三个主要阶段。如图2所示,首先,分析适用于导航雷达和AIS融合的信息预处理方法,进行时间和空间统一;其次,基于决策树的分类思想,设计航迹关联算法;最后,研究航迹融合方法,结合统计加权和卡尔曼滤波把局部航迹融合形成系统航迹。本发明是针对第二个阶段设计一种基于决策树的航迹关联算法,首先是构建决策树;然后是设计基于决策树模型的航迹关联算法;最后设计测试样本,对航迹关联算法进行仿真。
运输船在航行的过程中,依据导航雷达与AIS信息融合软件模块进行周围海域预警以及航迹显示,具体的导航雷达和AIS信息融合软件模块的主要处理流程如下:
接收、解析、存储导航雷达和AIS信息:从串口获取导航雷达和AIS报文,依照相关协议对报文进行解析,得到传感器测量信息,将其存入导航雷达和AIS信息表,其中AIS信息表主键为MMSI,导航雷达信息表主键为目标ID。
信息预处理:信息预处理要求对传感器测量信息进行空间统一和时间统一,由于导航雷达和AIS的信息更新率不同步,对不同时刻的航迹信息进行融合是没有意义的,因此需要对信息进行时间统一。本论文软件功能模块设计中采用内插法将导航雷达目标与AIS目标信息统一到系统时刻。导航雷达和AIS对目标位置的描述也不相同,无法用不同形式描述的位置信息进行后续的关联和融合,因此需要对信息进行空间统一。本论文软件功能模块设计中将导航雷达和AIS位置信息转化到同一直角坐标系中。
基于决策树的航迹关联:首先,来自同一时刻的导航雷达目标和AIS目标进行关联判断,形成一个二维数据结构记录历史关联总数,当采样时刻达到预先设定的阈值后,开始计算每一个导航雷达目标与所有AIS目标历史关联总数最大值,记历史关联度最大的导航雷达目标和AIS目标为固定关联目标,将结果存入关联结果表。
基于统计加权和扩展卡尔曼滤波的航迹融合:查询关联结果表中的关联目标对,对每一组目标对的预处理结果进行融合,得到系统航迹。首先根据历史数据求解最优权重,计算加权融合航迹,并进行滤波,得到更接近真值的系统航迹。
航迹显示:将信息融合结果展示到屏幕上,包括目标实时位置、历史航迹、目标信息等。
本发明首先构建决策树,如图1所示,依次从目标特征、输入属性、样本的特征缩放、分类结果、训练及检验方法以及训练样本六个方面构建决策树的分类模型。
导航雷达和AIS提供的目标信息有相互交叉的部分,这些相互交叉的信息是航迹关联判断最主要的依据,工程应用中,位置常用距离和方位来表征,因此,目标特征选取目标船与本船之间的距离和方位以及目标船的航速和航向,如图4所示,为雷达目标1和AIS目标的距离对比图;图5为雷达目标1和AIS目标的方位对比图;图6为雷达目标1和AIS目标的航速对比图;图7为雷达目标1和AIS目标的航向对比图。输入属性包括导航雷达和AIS特征距离、方位、航速以及航向之间的欧式距离,以从输入角度降低决策树的复杂度,减少计算时间,提高分类效率。由于选取目标特征的不同和传感器测量误差的存在,各输入属性在数值大小以及量纲上都会有所不同,为将原始数据做适当的特征缩放,将其转化到同一数量级,本发明采用归一化方法对输入样本数据进行特征缩放,将数值统一到[0,1]区间上。本发明航迹关联的目的是判断某一个雷达目标和某一个AIS目标是否关联,因此,每一次决策树分类都是一个二元判断的过程,即输出结果只有“是”或“否”两类。本发明采用CART算法对决策树进行训练,CART采用二元分割法,使用基尼系数来选择最优的数据分割特征,基尼指数描述的是纯度,在每一次迭代中都会得到降低;本发明选择k折交叉验证方式,其中k取10,把训练集数据划分为数据量相等的10个子集,交叉验证时,保证每个子集都被用作检验集一次。针对航迹关联问题中出现的密集环境下关联成功率不高的问题,本发明在设计训练样本时覆盖了特征之间较相似的情况,这样能够使训练后的网络更加健壮,更好的适应目标密集的环境。
然后设计基于上述决策树分类模型的航迹关联算法,具体包括以下步骤:
步骤1:设有numRadar个导航雷达目标、numAIS个AIS目标,初始化航迹关联中需要用到的主要数据集合,包括导航雷达目标数据集合R、AIS目标数据集合A以及关联目标数据对RelatedR_A集合,其中,导航雷达目标数据集合R为
R={R1,R2,...,Ri,...,RnumRadar} i=1,2,...,numRadar (1)
其中表示第i个导航雷达目标的信息集合,表示第i个导航雷达目标在t时刻的信息,同理,AIS目标数据集合A为
A={A1,A2,...,Aj,...,AnumAIS}j=1,2,...,numAIS (2)
其中表示第j个AIS目标的数据集合,表示第j个AIS目标在t时刻的航路点信息,关联目标数据对集合RelatedR_A,表示相互关联目标的导航雷达和AIS测量数据集合,在初始化状态下为空集,即:
步骤2:计算t时刻导航雷达目标和AIS目标样本输入属性值,并用归一化方法对输入数据进行特征缩放,将结果作为决策树的输入,计算t时刻所有导航雷达目标和AIS目标的相互关联情况,结果记为isRelated(i,j,t),表示第i个导航雷达目标和第j个AIS目标在t时刻是否关联,其值为0或者1,计算历史关联度sumRelated(i,j),由于单一时刻的关联结果非零即一,可定义历史关联度如式(3.4)所示:
sumRelated(i,j)=∑isRelated(i,j,t) (4)
步骤3:当所有导航雷达目标还未与所有的AIS目标计算出历史关联度时,重复进行步骤2;否则进行关联时间T阈值的判断,若已到阈值,则开始关联判断,进行步骤4,否则继续对下一时刻的目标数据重复进行步骤2;
步骤4:依次计算每个导航雷达目标与所有AIS目标的历史关联度最大值,即sumRelated(i,0)至sumRelated(i,numAIS-1)中的最大值,记为max(i),
max(i)=max(sumRelated(i,0),...,sumRelated(i,numAIS-(1)) (5)
同时,记录下最大值对应的AIS目标编号,判断max(i)是否大于最大值阈值,如果最大值未达到,则说明此导航雷达目标目前还没有可以与之相关联的的AIS目标,对下一个雷达目标进行重复步骤4;否则,进行步骤5;
步骤5:判断max(i)对应的AIS目标编号是否唯一,若唯一,则直接进行步骤6;否则,计算各AIS目标与该导航雷达目标的特征相似度,定义导航雷达目标与AIS目标的特征相似度为
当出现了多个AIS目标可能关联同一个导航雷达目标时,从原始数据出发,通过式(3.6)进一步放大差异,选出其中最大特征相似度对应的AIS目标为与该导航雷达目标关联,并转入步骤6;
步骤6:更新集合,将关联的导航雷达目标和AIS目标信息从集合R和A中取出,移动到集合RelatedR_A中,即:
步骤7:当还有雷达目标未进行计算时,对下一个目标进行步骤4;否则,把航迹关联结果发送至数据融合模块,航迹关联阶段结束,图8为决策树预测结果与实际结果对比图,可以看出本发明使得对目标状态信息的估计是准确、及时以及全面的。
算法的整体流程首先是从目标特征、输入属性、样本的特征缩放、分类结果、训练及检验方法、训练样本六个方面对进行决策树构建,先选取目标船只与本船之间的距离和方位、目标船的航速及航向四项作为目标船的特征,再选取导航雷达和AIS特征间的欧式距离作为构件决策树的四个输入属性,采用归一化方法对输入样本数据进行特征缩放,将数值统一到[0,1]区间上,将分类结果设置为“是”和“否”两类,并采用CART算法对决策树进行训练;决策树模型构建好之后,完成导航雷达和AIS报文解码、提取相关信息、时间统一、空间统一等预处理过程后,开始进行航迹关联,用归一化方法对输入数据进行特征缩放。将结果作为决策树的输入,计算t时刻所有导航雷达目标和AIS目标的相互关联情况。随后计算历史关联度。依次计算每个导航雷达目标与所有AIS目标的历史关联度最大值。计算各AIS目标与该导航雷达目标的特征相似度,当出现了多个AIS目标可能关联同一个导航雷达目标时,从原始数据出发,进一步放大差异,选出其中最大特征相似度对应的AIS目标为与该导航雷达目标关联,更新集合,将关联的导航雷达目标和AIS目标信息从集合R和A中取出,移动到集合RelatedR_A中。最后把航迹关联结果发送至数据融合模块,如图3所示,航迹关联阶段结束。
Claims (9)
1.基于决策树的航迹关联算法,其特征在于:首先构建决策树分类模型,然后设计基于该决策树分类模型的航迹关联算法。
2.根据权利要求1所述的基于决策树的航迹关联算法,其特征在于:依次从目标特征、输入属性、样本的特征缩放、分类结果、训练及检验方法以及训练样本六个方面进行构建决策树分类模型。
3.根据权利要求2所述的基于决策树的航迹关联算法,其特征在于:所述目标特征选取以下四项,目标船与本船之间的距离和方位以及目标船的航速和航向。
4.根据权利要求2所述的基于决策树的航迹关联算法,其特征在于:所述输入属性包括以下四个,导航雷达和AIS特征距离、方位、航速以及航向之间的欧式距离,以从输入角度降低决策树的复杂度,减少计算时间,提高分类效率。
5.根据权利要求2所述的基于决策树的航迹关联算法,其特征在于:采用归一化方法对输入样本数据进行特征缩放,将数值统一到[0,1]区间上。
6.根据权利要求2所述的基于决策树的航迹关联算法,其特征在于:每一次决策树分类结果均为二元判断过程,输出结果只有“是”或“否”两类,以判断某一个雷达目标和某一个AIS目标是否关联。
7.根据权利要求2所述的基于决策树的航迹关联算法,其特征在于:采用CART算法对决策树进行训练,CART采用二元分割法,使用基尼系数选择最优的数据分割特征;并选择k折交叉验证方式,所述k取10,把训练集数据划分为数据量相等的10个子集,以保证每个子集都被用作检验集一次。
8.根据权利要求2所述的基于决策树的航迹关联算法,其特征在于:设计训练样本时覆盖特征相似情况,以使训练后的网络更加健壮,更好的适应目标密集的环境。
9.根据权利要求1所述的基于决策树的航迹关联算法,其特征在于:将导航雷达目标和AIS目标收集的数据进行预处理后,进行航迹关联,具体包括以下步骤:
步骤1:设有numRadar个导航雷达目标、numAIS个AIS目标,初始化航迹关联中需要用到的主要数据集合,包括导航雷达目标数据集合R、AIS目标数据集合A以及关联目标数据对RelatedR_A集合,其中,导航雷达目标数据集合R为
R={R1,R2,...,Ri,...,RnumRadar} i=1,2,...,numRadar (1)
其中表示第i个导航雷达目标的信息集合,表示第i个导航雷达目标在t时刻的信息,同理,AIS目标数据集合A为
A={A1,A2,...,Aj,...,AnumAIS} j=1,2,...,numAIS (2)
其中表示第j个AIS目标的数据集合,表示第j个AIS目标在t时刻的航路点信息,关联目标数据对集合RelatedR_A,表示相互关联目标的导航雷达和AIS测量数据集合,在初始化状态下为空集,即:
步骤2:计算t时刻导航雷达目标和AIS目标样本输入属性值,并用归一化方法对输入数据进行特征缩放,将结果作为决策树的输入,计算t时刻所有导航雷达目标和AIS目标的相互关联情况,结果记为isRelated(i,j,t),表示第i个导航雷达目标和第j个AIS目标在t时刻是否关联,其值为0或者1,计算历史关联度sumRelated(i,j),由于单一时刻的关联结果非零即一,可定义历史关联度如式(3.4)所示:
sumRelated(i,j)=∑isRelated(i,j,t) (4)
步骤3:当所有导航雷达目标还未与所有的AIS目标计算出历史关联度时,重复进行步骤2;否则进行关联时间T阈值的判断,若已到阈值,则开始关联判断,进行步骤4,否则继续对下一时刻的目标数据重复进行步骤2;
步骤4:依次计算每个导航雷达目标与所有AIS目标的历史关联度最大值,即sumRelated(i,0)至sumRelated(i,numAIS-1)中的最大值,记为max(i),
max(i)=max(sumRelated(i,0),...,sumRelated(i,numAIS-1)) (5)
同时,记录下最大值对应的AIS目标编号,判断max(i)是否大于最大值阈值,如果最大值未达到,则说明此导航雷达目标目前还没有可以与之相关联的的AIS目标,对下一个雷达目标进行重复步骤4;否则,进行步骤5;
步骤5:判断max(i)对应的AIS目标编号是否唯一,若唯一,则直接进行步骤6;否则,计算各AIS目标与该导航雷达目标的特征相似度,定义导航雷达目标与AIS目标的特征相似度为
当出现了多个AIS目标可能关联同一个导航雷达目标时,从原始数据出发,通过式(3.6)进一步放大差异,选出其中最大特征相似度对应的AIS目标为与该导航雷达目标关联,并转入步骤6;
步骤6:更新集合,将关联的导航雷达目标和AIS目标信息从集合R和A中取出,移动到集合RelatedR_A中,即:
步骤7:当还有雷达目标未进行计算,对该雷达目标进行上述步骤4的处理;否则,把航迹关联结果发送至数据融合模块,航迹关联阶段结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910688882.8A CN110598730A (zh) | 2019-07-29 | 2019-07-29 | 基于决策树的航迹关联算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910688882.8A CN110598730A (zh) | 2019-07-29 | 2019-07-29 | 基于决策树的航迹关联算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598730A true CN110598730A (zh) | 2019-12-20 |
Family
ID=68853026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910688882.8A Pending CN110598730A (zh) | 2019-07-29 | 2019-07-29 | 基于决策树的航迹关联算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598730A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221270A (zh) * | 2019-07-02 | 2019-09-10 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 |
CN111580083A (zh) * | 2020-04-30 | 2020-08-25 | 北京荣达千里科技有限公司 | 基于决策树的飞行目标威胁度识别方法、系统和存储介质 |
CN111796236A (zh) * | 2020-06-12 | 2020-10-20 | 中国船舶重工集团公司第七二四研究所 | 一种基于时空相关性的主被动传感器综合关联判决方法 |
CN111860688A (zh) * | 2020-07-31 | 2020-10-30 | 北京无线电测量研究所 | 一种目标类型识别方法、系统及电子设备 |
CN112070107A (zh) * | 2020-07-15 | 2020-12-11 | 上海大学 | 一种电子口岸船舶进港控制方法 |
CN112722156A (zh) * | 2021-01-18 | 2021-04-30 | 大连海事大学 | 一种基于决策树的智能船单锚泊锚位选择方法 |
CN114046786A (zh) * | 2021-11-11 | 2022-02-15 | 中国电子科技集团公司第二十九研究所 | 航迹预测方法、装置、设备及存储介质 |
CN114187328A (zh) * | 2022-02-15 | 2022-03-15 | 智道网联科技(北京)有限公司 | 一种物体检测方法、装置和电子设备 |
CN117433540A (zh) * | 2023-12-20 | 2024-01-23 | 北京海兰信数据科技股份有限公司 | 船舶的航行方法、终端设备及可读存储介质 |
-
2019
- 2019-07-29 CN CN201910688882.8A patent/CN110598730A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221270B (zh) * | 2019-07-02 | 2022-10-28 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 |
CN110221270A (zh) * | 2019-07-02 | 2019-09-10 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 |
CN111580083A (zh) * | 2020-04-30 | 2020-08-25 | 北京荣达千里科技有限公司 | 基于决策树的飞行目标威胁度识别方法、系统和存储介质 |
CN111580083B (zh) * | 2020-04-30 | 2023-10-10 | 北京荣达千里科技有限公司 | 基于决策树的飞行目标威胁度识别方法、系统和存储介质 |
CN111796236A (zh) * | 2020-06-12 | 2020-10-20 | 中国船舶重工集团公司第七二四研究所 | 一种基于时空相关性的主被动传感器综合关联判决方法 |
CN111796236B (zh) * | 2020-06-12 | 2022-05-17 | 中国船舶重工集团公司第七二四研究所 | 一种基于时空相关性的主被动传感器综合关联判决方法 |
CN112070107A (zh) * | 2020-07-15 | 2020-12-11 | 上海大学 | 一种电子口岸船舶进港控制方法 |
CN111860688A (zh) * | 2020-07-31 | 2020-10-30 | 北京无线电测量研究所 | 一种目标类型识别方法、系统及电子设备 |
CN111860688B (zh) * | 2020-07-31 | 2023-10-31 | 北京无线电测量研究所 | 一种目标类型识别方法、系统及电子设备 |
CN112722156A (zh) * | 2021-01-18 | 2021-04-30 | 大连海事大学 | 一种基于决策树的智能船单锚泊锚位选择方法 |
CN114046786A (zh) * | 2021-11-11 | 2022-02-15 | 中国电子科技集团公司第二十九研究所 | 航迹预测方法、装置、设备及存储介质 |
CN114187328B (zh) * | 2022-02-15 | 2022-07-05 | 智道网联科技(北京)有限公司 | 一种物体检测方法、装置和电子设备 |
CN114187328A (zh) * | 2022-02-15 | 2022-03-15 | 智道网联科技(北京)有限公司 | 一种物体检测方法、装置和电子设备 |
CN117433540A (zh) * | 2023-12-20 | 2024-01-23 | 北京海兰信数据科技股份有限公司 | 船舶的航行方法、终端设备及可读存储介质 |
CN117433540B (zh) * | 2023-12-20 | 2024-04-02 | 北京海兰信数据科技股份有限公司 | 船舶的航行方法、终端设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598730A (zh) | 基于决策树的航迹关联算法 | |
CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
CN111738112B (zh) | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 | |
Adams et al. | SLAM gets a PHD: New concepts in map estimation | |
CN110888126B (zh) | 基于多源传感器的无人船信息感知系统数据综合处理方法 | |
CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
CN112699315B (zh) | 基于ais数据的船舶异常行为探测方法 | |
CN113269073A (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
CN110751077B (zh) | 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法 | |
CN114660561A (zh) | Ais与雷达的航迹关联方法及装置 | |
Sun et al. | Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion | |
Millefiori et al. | Validation of the Ornstein-Uhlenbeck route propagation model in the Mediterranean Sea | |
Liu et al. | An online method for ship trajectory compression using AIS data | |
Hu et al. | Statistical analysis of massive AIS trajectories using Gaussian mixture models | |
Chabbi et al. | CFAR-CNN detector of ships from SAR image using generalized gamma distribution and real dataset | |
CN113641954B (zh) | 一种复杂海洋环境中的三维声场快速预报方法及系统 | |
CN113705651B (zh) | 基于雷达情报的空情目标识别方法及装置 | |
CN115575992A (zh) | 一种基于深度学习的ads-b欺骗式干扰检测方法、介质及装置 | |
CN112016539B (zh) | 信号识别方法、装置、电子设备与存储介质 | |
Li et al. | A Novel Hybrid Approach for Detecting Abnormal Vessel Behavior in Maritime Traffic | |
CN115379378A (zh) | 蓝牙室内定位方法及装置 | |
CN114091578A (zh) | 一种基于曲线长度距离的船舶轨迹聚类方法 | |
Li et al. | Ship velocity estimation via images acquired by an unmanned aerial vehicle-based hyperspectral imaging sensor | |
Zhang et al. | Ship targets detection with dual downscaling spectral residual method in sar image | |
Ostroumov et al. | Performance analysis of compact position report for geodata storing and transfering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191220 |
|
WD01 | Invention patent application deemed withdrawn after publication |