CN112722156B - 一种基于决策树的智能船单锚泊锚位选择方法 - Google Patents
一种基于决策树的智能船单锚泊锚位选择方法 Download PDFInfo
- Publication number
- CN112722156B CN112722156B CN202110064750.5A CN202110064750A CN112722156B CN 112722156 B CN112722156 B CN 112722156B CN 202110064750 A CN202110064750 A CN 202110064750A CN 112722156 B CN112722156 B CN 112722156B
- Authority
- CN
- China
- Prior art keywords
- grid
- point
- anchoring
- decision tree
- anchor
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B21/00—Tying-up; Shifting, towing, or pushing equipment; Anchoring
- B63B21/50—Anchoring arrangements or methods for special vessels, e.g. for floating drilling platforms or dredgers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于决策树的智能船单锚泊锚位选择方法,包括:根据智能船的船舶参数将电子海图栅格化,并提取电子海图中的锚泊相关数据;将锚泊数据进行预处理,并将预处理后的数据插入至电子海图划分的栅格中;将栅格进行锚泊安全分类,并根据船舶参数、锚泊数据及锚泊安全分类信息构建锚泊数据集;采用决策树算法对决策树模型进行训练,并通过网格搜索法对决策树模型的决策树进行优化;在使用该方法进行单锚泊锚位选择时,将锚泊目标水域的锚泊相关数据输入至优化后的决策树模型中,得到锚泊安全分类信息来进行锚位选择。本发明可为锚位选择提供辅助决策信息,使船舶指挥人员轻松、准确的进行锚位选取,进一步提高锚泊安全。
Description
技术领域
本发明涉及船舶锚泊技术领域,尤其涉及一种基于决策树的智能船单锚泊锚位选择方法。
背景技术
传统船舶进行锚位选择时,需要船长与值班驾驶员进行商讨,根据船舶锚泊条件(船舶自身条件、锚泊环境条件等)等确定锚位及抛锚方法,容易因人工误判导致锚位选择有偏差,引起锚泊中的安全事故。而对于智能船之中的无人船来说,由于船上没有驾驶员和水手,无法处理抛双锚产生的绞链等问题,只能选择单锚泊的方式进行抛锚。锚位的选择只能依靠岸基监控人员来进行,这无疑会给岸基船舶操作人员带来更大的工作量,容易引起疏忽,造成事故的发生。
发明内容
本发明提供一种基于决策树的智能船单锚泊锚位选择方法,以克服上述技术问题。
本发明一种基于决策树的智能船单锚泊锚位选择方法,包括:
在电子海图上选取多处水域,根据智能船的船舶参数将所述电子海图栅格化,并提取所述电子海图中的锚泊数据;
将所述锚泊数据进行预处理,并将预处理后的数据插入至所述电子海图划分的栅格中;
将所述栅格进行锚泊安全分类,并根据所述船舶参数、锚泊数据及锚泊安全分类信息构建锚泊数据集;所述锚泊数据集,包括:训练集和测试集;
建立决策树模型,采用决策树算法通过所述训练集对所述决策树模型进行训练;
采用网格搜索法对所述决策树模型的决策树进行优化;
将所述锚泊数据输入至优化后的所述决策树模型中,得到优化锚泊安全分类信息来进行锚位选择。
进一步地,所述根据智能船的船舶参数将所述电子海图栅格化之前,还包括:确定栅格范围;
设定分化的海图栅格的长度和宽度不得小于智能船的旋回水域直径,并以此,通过式(1)来确定栅格范围;
式中,D为智能船的旋回水域直径,L为船舶总长,S为锚链出链长度,Bf为航海上所常用的蒲式风级,当风力小于等于7级时,S取3h+90m;当风力大于7级时,S取4h+145m;h为最低潮时锚地的最小水深,即海图水深。
进一步地,所述将所述锚泊数据进行预处理,包括:针对水深点的处理以及区分海底底质的处理,
其中,针对水深点的处理,包括:
遍历每个栅格的中心点,若水深点位置在栅格范围之内,该栅格水深为水深点的水深;若在栅格范围之外,计算所有的水深点与距离,并根据距离值从小到大依次将水深点信息进行排序,形成列表S=[P1,P2,P3,...,Pn-1,Pn];定义栅格中心点为O点,将点P1、P2点分别设为A、B点,从P3点遍历所述列表S,并将遍历到的点设定为C点,判断O点是否在ABC三点形成的三角形内;若不在三角形内,则遍历下一个点,直到满足O点在ABC三点形成的三角形内,结束遍历;若所述列表S内没有符合的C点,则将P3点设为C点;利用A、B、C三点的水深值、位置与O点的位置计算求得O点的水深值;
其中,区分海底底质的处理,包括:
遍历每个栅格与每条底质信息,若读取底质位置在栅格范围之内,读取的底质信息为该栅格的底质信息;若在栅格范围之外,先选取与栅格点最近的且包围所述栅格中心点的三个点为底质点;若三个所述底质点的底质相同,则判断为与所述栅格点的底质一致;若三个所述底质点的底质不同,则根据栅格中心点到三个所述底质点中每个点的距离设置每个所述底质点的权重;设定两个阙值D1、D2,当所述底质点的权重大于D1时,判断为此栅格点的底质为该栅格的底质;当所述底质点的权重小于D2时,判断为不考虑该底质点;根据每个底质点权重和处理后的所述栅格点得到海底底质信息。
进一步地,所述将所述栅格进行锚泊安全分类,包括:将划分好的栅格分为锚泊安全栅格和不可锚泊栅格;
所述锚泊安全栅格的评价标准为:
栅格内无障碍物;
具有平坦的海底地形及良好的海底底质;
锚位水深满足锚机额定起锚能力与锚的有效抓力,并不大于任意一舷锚链的总长的1/4;
锚泊的系留力小于锚机额定起锚能力且不小于船舶所受水平外力;
船舶配备的单舷锚链的安全余量加上安全出链长度小于单舷锚链长度;
锚泊的系留力与安全出链长度通过如式(2)求得;
式中,P为锚泊的系留力,Pa、Pc分别为锚和锚链的抓力,λa、λc分别为锚和锚链的抓力系数,Wa为锚的重量,wc为单位链长在空气中的重量;S、s、l分别为安全出链长度、悬链长度和卧底链长,T0为船舶所受水平外力,h0为锚链孔至海底的垂直距离,Wc为单位链长在水中的重量。
进一步地,所述采用网格搜索法对所述决策树模型的决策树进行优化,包括:
S51、通过式(3)计算不纯度的衡量指标;
式中,Entropy代表信息熵,Gini代表基尼指数;t代表给定的节点,i代表标签的任意分类,p(i|t)表示i在t节点上所占的比例;
S52、设定决策树的最大深度为k、决策树分枝中的随机模式参数为random、每个决策树叶子结点包含的最少的样本数为min_leaf、每个非叶子节点包含的最少的样本数为min_split及限制分枝时考虑的特征个数为num,并设定参数取值范围及步长;
S53、将不同参数不同取值交叉后形成网格空间,所述网格空间的网格节点为对应的参数对;
S54、对每组所述参数对构建决策树,并利用所述测试集评价分类效果;
S55、选择分类效果最好的参数对,若步长满足要求,则输出最优参数对;若步长不满足要求,则重新设定步长,返回S53;
S56、将所述最优参数对设定为决策树的参数输出得到最优决策树。
本发明通过电子海图栅格化及读取电子海图锚地内船舶锚泊安全的相关信息并与船舶锚泊操纵技术、决策树技术结合生成符合锚泊安全的决策树模型,并采用网格搜索法对决策树模型的决策树进行优化,利用决策树模型将给定锚泊范围的栅格进行分类呈现,从而提供智能船单锚泊锚位的辅助决策信息,使船舶指挥人员轻松、准确的进行锚位选取,进一步提高智能船的锚泊安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的方法流程图;
图2是本发明在电子海图中提取数据的流程图;
图3是本发明所采用的网格搜索法的流程图;
图4是本发明中决策树模型优化的流程图;
图5是本发明的锚泊安全分类结果可视化图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供了一种基于决策树的智能船单锚泊锚位选择方法,包括:
101、在电子海图上选取多处水域,根据智能船的船舶参数将电子海图栅格化,并提取电子海图中的锚泊数据;
具体而言,首先根据船舶航行任务在海图上选取船舶需要锚泊的锚地,在电子海图栅格化之前确定栅格范围,设定分化的海图栅格的长度和宽度不得小于智能船的旋回水域直径为条件,通过式(1)来确定栅格范围;
式中,D为智能船的旋回水域直径,L为船舶总长,S为锚链出链长度,Bf为航海上所常用的蒲式风级,当风力小于等于7级时,S取3h+90m;当风力大于7级时,S取4h+145m;h为最低潮时锚地的最小水深,即海图水深。
符合国际标准的电子海图数据统称为S-57电子海图,依据电子海图S57标准定义的电子海图便于进行数据交换和传输,其数据结构比较复杂。因此,需按其对数据解析、读取和存储的标准设计电子海图信息的提取方法严格进行。在电子海图中提取数据具体流程如图2所示。提取的数据类型有水深、海底底质、地形、障碍物(海底电缆、沉船、暗礁等)等对智能船锚泊安全产生影响的数据类型。
102、将锚泊数据进行预处理,并将预处理后的数据插入至电子海图划分的栅格中;
具体而言,对于插入诸如沉船、电缆、礁石、灯光等位置固定的数据处理相对简单:只需遍历划分后的每一个栅格和每个物标的信息,确定物标的位置被栅格的四个顶点的位置信息包围即可,表明该物标存在这个栅格之中,将物标信息插入到栅格之中。
针对水深点的处理,包括:
遍历每个栅格的中心点,若水深点位置在栅格范围之内,该栅格水深为水深点的水深;若在栅格范围之外,计算所有的水深点与距离,并根据距离值从小到大依次将水深点信息进行排序,形成列表S=[P1,P2,P3,...,Pn-1,Pn];其中,P1包含水深点的水深信息和位置信息;定义栅格中心点为O点,将点P1、P2设为A、B两点,从S列表的第三点进行遍历并设定其为点C,判断点O是否在ABC三点形成的三角形内,若不在则将列表S的下一个点设为点C接着判断,直到满足点O在ABC三点形成的三角形内,结束遍历;若遍历完列表里的点还没有找到C点,则将列表里的P3设为点C。利用A、B、C三点的水深值、位置与O点的位置进行三角形内的点进行内插求得O点的水深值;
区分海底底质的处理,包括:
遍历每个栅格与每条底质信息,若读取底质位置在栅格范围之内,读取的底质信息为该栅格的底质信息;若在栅格范围之外,与上文针对水深点的处理类似,先选取包围栅格中心点且与栅格点最近的且包围所述栅格中心点的三个底质点;若所述三个底质点的底质相同,则判断为与所述栅格点的底质一致;若所述三个底质点的底质不同,则根据栅格中心点到三个底质点之中每个点的距离设置每个底质点权重,底质点到栅格中心点的距离与权重成反比关系,设定两个阙值D1、D2,其中D1为较大阙值,D2为较小阙值。对三个点的每个点来说,当权重大于设定的阙值D1时,证明该底质点距离栅格特别近,该点的底质即为此栅格的底质,当权重小于设定的阙值D2时,证明该底质点距离所述栅格特别远,在处理该栅格点底质时不考虑该点。经过处理后,根据每个底质点权重和的底质信息处理后得到所述栅格点的混合底质信息。
103、将栅格进行锚泊安全分类,并根据船舶参数、锚泊数据及锚泊安全分类信息构建锚泊数据集;锚泊数据集,包括:训练集和测试集;
具体而言,将划分好的栅格分为锚泊安全栅格和不可锚泊栅格;锚泊安全栅格的评价标准为:
1、栅格内无障碍物;
2、具有平坦的海底地形及良好的海底底质;
3、锚位水深满足在锚机额定起锚能力与锚的有效抓力,并不大于任意一舷锚链的总长的1/4;
4、锚泊的系留力应小于锚机额定起锚能力且不小于船舶所受水平外力;
5、船舶配备的单舷锚链长度有限,单锚泊时需要保留一定长度的安全余量,此方法要保证安全余量加上安全出链长度小于单舷锚链长度,航海上安全余量一般取2~3节锚链的长度;
其中,锚泊的系留力与安全出链长度如式(2);
式中,P为锚泊的系留力,Pa、Pc分别为锚和锚链的抓力,λa、λc分别为锚和锚链的抓力系数,Wa为锚的重量,wc为单位链长在空气中的重量;S、s、l分别为安全出链长度、悬链长度和卧底链长,T0为船舶所受水平外力,h0为锚链孔至海底的垂直距离,Wc为单位链长在水中的重量。
在形成初始决策树前,先将提取的数据信息、本船信息与锚泊安全分类进行归一化处理后形成数据集。数据集中每个样本代表上述过程中划分好的栅格,将插入的数据信息与作为样本特征,锚泊安全分类作为标签。如图4所示,将数据集进行划分,数据集70%分给训练集,30%分给测试集。
104、建立决策树模型,采用决策树算法通过所述训练集对所述决策树模型进行训练;
105、采用网格搜索法对决策树模型的决策树进行优化;
具体而言,建立决策树模型时利用Python语言的Sklearn库的CART决策树算法对分好的训练集进行建立模型,利用测试集做分类效果的评价。
如图3所示,决策树优化的过程如下:
S51、通过式(3)计算不纯度的衡量指标;
式中,Entropy代表信息熵,Gini代表基尼指数;t代表给定的节点,i代表标签的任意分类,p(i|t)表示i在t节点上所占的比例;
S52、设定决策树的最大深度为k、决策树分枝中的随机模式参数为random、每个决策树叶子结点包含的最少的样本数为min_leaf、每个非叶子节点包含的最少的样本数为min_split及限制分枝时考虑的特征个数为num,并设定参数取值范围及步长;
S53、将不同参数不同取值交叉后形成网格空间,所述网格空间的网格节点为对应的参数对;
S54、对每组参数对构建决策树,并利用测试集评价分类效果;
S55、选择分类效果最好的参数对,若步长满足要求,则输出最优参数对;若步长不满足要求,则重新设定步长,返回S53;
S56、将最优参数对设定为决策树的参数输出得到最优决策树。
106、将锚泊数据输入至优化后的决策树模型中,得到优化锚泊安全分类信息来进行锚位选择。
具体而言,智能船在单锚泊前进行锚地锚位选择时,将目标水域电子海图栅格化,从中提取锚泊相关数据进行处理并将相关数据插入到划分好的栅格之中。将插入的电子海图数据信息作为输入,代入优化后的决策树模型进行分类,输出优化后的锚泊安全分类信息。将最终锚地各锚位(栅格)锚泊安全性分类结果(锚泊安全栅格、不可锚泊栅格)呈现出来。分类结果如图5所示,其中白色栅格为锚泊安全栅格,黑色栅格为不可锚泊栅格,供智能船或者岸基人员进行锚位选择。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于决策树的智能船单锚泊锚位选择方法,其特征在于,包括:
在电子海图上选取多处水域,根据智能船的船舶参数将所述电子海图栅格化,并提取所述电子海图中的锚泊数据;
将所述锚泊数据进行预处理,并将预处理后的数据插入至所述电子海图划分的栅格中;
将所述栅格进行锚泊安全分类,并根据所述船舶参数、锚泊数据及锚泊安全分类信息构建锚泊数据集;所述锚泊数据集,包括:训练集和测试集;
建立决策树模型,采用决策树算法通过所述训练集对所述决策树模型进行训练;
采用网格搜索法对所述决策树模型的决策树进行优化;
将所述锚泊数据输入至优化后的所述决策树模型中,得到优化锚泊安全分类信息来进行锚位选择;
所述将所述锚泊数据进行预处理,包括:针对水深点的处理以及区分海底底质的处理,
其中,针对水深点的处理,包括:
遍历每个栅格的中心点,若水深点位置在栅格范围之内,该栅格水深为水深点的水深;若在栅格范围之外,计算所有的水深点与距离,并根据距离值从小到大依次将水深点信息进行排序,形成列表S=[P1,P2,P3,...,Pn-1,Pn];定义栅格中心点为O点,将点P1、P2点分别设为A、B点,从P3点遍历所述列表S,并将遍历到的点设定为C点,判断O点是否在ABC三点形成的三角形内;若不在三角形内,则遍历下一个点,直到满足O点在ABC三点形成的三角形内,结束遍历;若所述列表S内没有符合的C点,则将P3点设为C点;利用A、B、C三点的水深值、位置与O点的位置计算求得O点的水深值;
其中,区分海底底质的处理,包括:
遍历每个栅格与每条底质信息,若读取底质位置在栅格范围之内,读取的底质信息为该栅格的底质信息;若在栅格范围之外,先选取与栅格点最近的且包围所述栅格中心点的三个点为底质点;若三个所述底质点的底质相同,则判断为与所述栅格点的底质一致;若三个所述底质点的底质不同,则根据栅格中心点到三个所述底质点中每个点的距离设置每个所述底质点的权重;设定两个阙值D1、D2,当所述底质点的权重大于D1时,判断为此栅格点的底质为该栅格的底质;当所述底质点的权重小于D2时,判断为不考虑该底质点;根据每个底质点权重和处理后的所述栅格点得到海底底质信息。
3.根据权利要求2所述的一种基于决策树的智能船单锚泊锚位选择方法,其特征在于,所述将所述栅格进行锚泊安全分类,包括:将划分好的栅格分为锚泊安全栅格和不可锚泊栅格;
所述锚泊安全栅格的评价标准为:
栅格内无障碍物;
具有平坦的海底地形及良好的海底底质;
锚位水深满足锚机额定起锚能力与锚的有效抓力,并不大于任意一舷锚链的总长的1/4;
锚泊的系留力小于锚机额定起锚能力且不小于船舶所受水平外力;
船舶配备的单舷锚链的安全余量加上安全出链长度小于单舷锚链长度;
锚泊的系留力与安全出链长度通过如式(2)求得;
式中,P为锚泊的系留力,Pa、Pc分别为锚和锚链的抓力,λa、λc分别为锚和锚链的抓力系数,Wa为锚的重量,wc为单位链长在空气中的重量;S、s、l分别为安全出链长度、悬链长度和卧底链长,T0为船舶所受水平外力,h0为锚链孔至海底的垂直距离,Wc为单位链长在水中的重量。
4.根据权利要求3所述的一种基于决策树的智能船单锚泊锚位选择方法,其特征在于,所述采用网格搜索法对所述决策树模型的决策树进行优化,包括:
S51、通过式(3)计算不纯度的衡量指标;
式中,Entropy代表信息熵,Gini代表基尼指数;t代表给定的节点,i代表标签的任意分类,c代表分类种类个数,p(i|t)表示i在t节点上所占的比例;
S52、设定决策树的最大深度为k、决策树分枝中的随机模式参数为random、每个决策树叶子结点包含的最少的样本数为min_leaf、每个非叶子节点包含的最少的样本数为min_split及限制分枝时考虑的特征个数为num,并设定参数取值范围及步长;
S53、将不同参数不同取值交叉后形成网格空间,所述网格空间的网格节点为对应的参数对;
S54、对每组所述参数对构建决策树,并利用所述测试集评价分类效果;
S55、选择分类效果最好的参数对,若步长满足要求,则输出最优参数对;若步长不满足要求,则重新设定步长,返回S53;
S56、将所述最优参数对设定为决策树的参数输出得到最优决策树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064750.5A CN112722156B (zh) | 2021-01-18 | 2021-01-18 | 一种基于决策树的智能船单锚泊锚位选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064750.5A CN112722156B (zh) | 2021-01-18 | 2021-01-18 | 一种基于决策树的智能船单锚泊锚位选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112722156A CN112722156A (zh) | 2021-04-30 |
CN112722156B true CN112722156B (zh) | 2021-10-29 |
Family
ID=75592300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064750.5A Active CN112722156B (zh) | 2021-01-18 | 2021-01-18 | 一种基于决策树的智能船单锚泊锚位选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112722156B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529034B (zh) * | 2020-10-24 | 2021-11-16 | 中极华盛工程咨询有限公司 | 利用参数识别的微控操作系统及方法 |
CN115393884B (zh) * | 2022-09-02 | 2023-05-02 | 华东师范大学 | 一种海图专题信息的提取处理方法、装置及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017198749A1 (en) * | 2016-05-19 | 2017-11-23 | Visiana Aps | Image processing apparatus and method |
US10625824B2 (en) * | 2018-01-13 | 2020-04-21 | Thomas Frizlen | Method and system for determining displacement of an anchor |
CN109733537B (zh) * | 2018-12-19 | 2020-08-28 | 智慧航海(青岛)科技有限公司 | 一种无人驾驶船舶自主抛锚控制方法及系统 |
CN110598730A (zh) * | 2019-07-29 | 2019-12-20 | 南京理工大学 | 基于决策树的航迹关联算法 |
CN111846107B (zh) * | 2020-07-08 | 2021-10-29 | 智慧航海(青岛)智能系统工程有限公司 | 一种智能船舶自动锚泊优化方法 |
-
2021
- 2021-01-18 CN CN202110064750.5A patent/CN112722156B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112722156A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112722156B (zh) | 一种基于决策树的智能船单锚泊锚位选择方法 | |
Zhen et al. | Maritime anomaly detection within coastal waters based on vessel trajectory clustering and Naïve Bayes Classifier | |
Zakhvatkina et al. | Operational algorithm for ice–water classification on dual-polarized RADARSAT-2 images | |
Li et al. | Incorporation of AIS data-based machine learning into unsupervised route planning for maritime autonomous surface ships | |
Diesing et al. | Mapping seabed sediments: Comparison of manual, geostatistical, object-based image analysis and machine learning approaches | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN111652149A (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
CN102109495A (zh) | 基于多波束声纳技术的海底混合底质类型分类方法 | |
Waldhauser et al. | Automated classification of airborne laser scanning point clouds | |
Anneken et al. | Evaluation and comparison of anomaly detection algorithms in annotated datasets from the maritime domain | |
CN110287975A (zh) | 基于nsst形态特征及深度kelm的浮选加药异常检测方法 | |
CN112445847A (zh) | 基于北斗导航时频数据的船舶轨迹预测方法及装置 | |
CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
Marghany | Genetic algorithm for oil spill automatic detection from ENVISAT satellite data | |
CN108986077A (zh) | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 | |
CN115760762A (zh) | 一种锈蚀检测方法,检测装置及存储介质 | |
CN116467565A (zh) | 一种浒苔绿潮斑块最优搜寻区域预报方法 | |
Solberg et al. | Incorporation of prior knowledge in automatic classification of oil spills in ERS SAR images | |
CN111639397B (zh) | 一种基于bp神经网络的大风作用下船舶断缆预警方法 | |
CN112036424B (zh) | 基于无监督机器学习的海底滑坡危险性分析方法 | |
KR102185782B1 (ko) | 등리스크 곡선 맵핑 기반 항로 설정 방법 | |
Li et al. | A new automatic oceanic mesoscale eddy detection method using satellite altimeter data based on density clustering | |
Platzer et al. | On the suitability of different features for anomaly detection in wire ropes | |
CN112115891B (zh) | 一种基于一维多向抽取的sar图像港口检测方法 | |
CN114373129A (zh) | 基于域自适应和变化检测的河湖四乱遥感监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |