CN114862738A - 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 - Google Patents
交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 Download PDFInfo
- Publication number
- CN114862738A CN114862738A CN202210628541.3A CN202210628541A CN114862738A CN 114862738 A CN114862738 A CN 114862738A CN 202210628541 A CN202210628541 A CN 202210628541A CN 114862738 A CN114862738 A CN 114862738A
- Authority
- CN
- China
- Prior art keywords
- electronic chart
- density
- ship track
- traffic flow
- kernel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000007704 transition Effects 0.000 claims abstract description 21
- 101100449758 Onchocerca volvulus GST1 gene Proteins 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000265 homogenisation Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，采用核密度估计器对船舶轨迹位置进行预测和生成；并采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽，其提供了改进的自适应变宽度核密度估计器，可以降低概率密度估计过于平滑现象的风险，提高概率密度的估计精度，加快寻找核密度估计的最优变宽。
Description
技术领域
本发明属于电子海图技术领域，具体涉及一种交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法。
背景技术
由于海上交通环境的复杂性不同，船舶的轨迹分布也不同。例如，在交通流、转弯区、障碍物和浅滩的交叉区域，船舶轨迹的概率很高。在航行过程中，可根据船舶附近的船舶数量，定量反映航线各阶段航行环境的危险程度。碰撞事故与当地当时的交通流量和船舶状况有关。通过对船舶航行过程中轨迹情况分布的实际挖掘，可以为主管部门合理规划特定船舶的航线提供理论依据。
核密度估计近年来被广泛应用于数据可视化和热点领域。基于KDE的船舶轨迹可视化方法可以直观地表达海上交通的时空分布特征，并在船舶轨迹数据中表示航道的航行密集区和航行高风险区。密度核估计方法的精度受带宽的影响。现有技术提出了许多方法来确定最佳带宽，如最小二乘相关验证法。然而，由于计算耗时，其实际应用受到限制。然而，这种传统的状态转移算法存在着局部收敛容易、全局搜索能力差等缺点。
发明内容
针对现有技术存在的缺陷和不足，本发明提出了一种交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，其提供了改进的自适应变宽度核密度估计器，可以降低概率密度估计过于平滑现象的风险，提高概率密度的估计精度，加快寻找核密度估计的最优变宽。
本发明根据电子海图的地理信息绘制船舶轨迹；读取海图信息与同一水域内船舶轨迹信息，并进行同一化处理；对同一化的海图与船舶信息进行可视化渲染绘制；根据船舶交通流密度优先级，决定船舶轨迹在海图中的显示的颜色级别，以及核密度带宽自适应选择，为了提高状态转移算法的性能，结合高斯函数对状态转移算法进行了进一步的改进，保持了探索和开发的平衡；该算法用于搜索船舶轨迹分布核密度估计器的最优带宽，不仅实现了更快的训练速度，而且提高了概率密度的估计精度；完成电子海图与船舶轨迹信息可视化叠加；读取可视化叠加后的数据并转换保存成位图图像，进行电子海图与船舶轨迹信息融合显示。实现海图、地理信息、船舶信息等不同时空数据的融合及显示，形成统一的数字化船舶地理信息环境，为船舶航行提供了准确可靠的信息，保证了船舶航行的安全、高效及可靠进行。
本发明设计了一种基于高斯变异的状态转移算法(GSTA)来搜索核密度估计器的最优带宽。它不仅实现了更快的训练速度，而且提高了概率密度的估计精度。新算法具有最快的收敛速度和最高的计算精度。优化带宽的核密度估计能更好地拟合船舶交通流的轨迹。本发明可以指出航行中应关注的主要水域或船舶特殊航线上的主要关注点，为船舶更好地实施船舶交通管理，确保船舶交通安全，规范船舶航线，减少海上交通事故的发生提供理论依据。新算法可以更好地显示船舶航迹和轨迹点分布，提高轨迹分布和轨迹态势的绘制效果，获得主要关注区域、主要态势和避碰距离的参考数据。通过本发明的实现，可以显示出航行中应关注的主要水域或船舶特殊航线上的主要关注点，为船舶更好地实施船舶交通管理，确保船舶交通安全，规范船舶航线，减少海上交通事故的发生提供理论依据。
为了加快船舶轨迹位置核密度估计器的最优变宽搜索速度，提出了一种改进的自适应变宽核密度估计器，降低了概率密度估计过于平滑的风险，提高了概率密度估计的精度。为了提高状态转移算法的性能，结合高斯函数对状态转移算法进行了进一步的改进，保持了探索和开发的平衡。在早期阶段，它可以漫游整个空间，增强全局搜索能力。在优化过程的后期，增强了全局优化的收敛能力。新算法搜索核密度估计器的最优带宽。它不仅实现了更快的训练速度，而且提高了概率密度的估计精度。证明了其收敛性。结果表明，新算法具有最快的收敛速度和最高的计算精度。优化带宽的核密度估计可以更好地拟合船舶轨迹分布，获得主要关注区域、主要态势和避碰距离的参考数据。
本发明具体采用以下技术方案：
一种交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，其特征在于：采用核密度估计器对船舶轨迹位置进行预测和生成；并采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽，其中：
核K和带宽h的多元核密度估计为：
其中
表示估计值，h表示带宽，d表示变量维度，n表示样布数量，K表示核函数，x表示输入变量，Xi表示第i个独立同分布的样本点；
d维核函数K(x)满足：
∫K(x)dx＝1 (2)
当K使用标准多元正态密度函数时：
采用高斯变异状态转移算法求取最优带宽h，目标是通过以下方式将差异最小化：
状态转移算法生成的候选解的形式定义为：
sk+1＝Aksk+Bkuk(5)
其中，sk是当前状态和候选状态；Ak和Bk是随机矩阵，对应于状态转换算法中的状态转换算子；uk是关于当前状态和历史状态的表达；
高斯变异将服从高斯分布的状态函数加到原始种群状态上；公式如下：
sk＝sk(0.5+τN(0,1)) (10)
式中，τ是介于[0,1]之间的随机变量，N(0,1)是均值为0、方差为1的正态分布；在粒子群运动的基础上，加入随机正态分布扰动项，以减少陷入局部最优解的可能性，增强全局寻优能力；
所述基于高斯变异的状态转移算法GSTA具体包括以下步骤：
1)生成初始总体，以核密度的带宽为个体变量；
2)进行旋转变换：
其中α是旋转系数；Rr是一个随机矩阵，其元素在区间[-1,1]中均匀分布2是向量的欧几里德范数或2-范数；
3)进行平移转换：
其中β是转移系数；Rt是分布在区间[0,1]中的随机变量；
4)进行伸缩转换：
伸缩转换为：
sk+1＝sk+γResk (8)
其中γ是比例因子；Re是元素服从高斯分布的随机对角矩阵；
5)进行轴向转换：
轴向转换为：
sk+1＝sk+δRask (9)
其中δ是轴向转换系数；Ra是一个稀疏的随机对角矩阵，其元素服从高斯分布；
6)进行高斯变异；
7)按照公式(4)，评估个体的目标函数；
8)更新每个个体的最优局部解；
9)更新随机数和系数；
10)重复步骤2)-9)，直到满足终止条件；
根据优化出的最优带宽，计算各船舶轨迹点的核密度，对应用不同的颜色，矢量场可视化渲染绘制在海图上。
进一步地，包括以下步骤：
步骤S1：根据电子海图的海洋地理信息绘制电子海图物标；
步骤S2：读取海洋环境信息并进行同一化处理，形成统一数据存储结构的海洋信息数据；
步骤S3：对同一化的数据海洋环境信息进行可视化渲染绘制；
步骤S4：采用核密度估计器对船舶轨迹位置进行预测和生成，采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽；
步骤S5：根据船舶交通流密度优先级，确定船舶轨迹在海图中的显示的颜色级别；
步骤S6：读取可视化叠加后的数据并转换保存成位图图像，进行电子海图与海洋环境信息融合显示。
进一步地，步骤S5具体包括以下步骤：
步骤S51：根据优化出的最优带宽，计算各船舶轨迹点的核密度，对应用不同的颜色，矢量场可视化渲染绘制在海图上；
步骤S52：根据属性信息，设置相应颜色范围，建立属性值与颜色映射关系，通过颜色分布展现标量场属性数值分布；读取几何面片中坐标位置和对应颜色信息,进行绘制显示；通过转换函数获取当前视口四个角经纬度信息,确定视口所显示电子海图经纬度地理范围,将海洋环境信息数据经纬度位置信息与求得的当前电子海图经纬度位置范围对比,按照地理空间经纬度位置叠加,实现电子海图与海洋环境信息数据可视化图像融合；将数据读取过程获取的水深、纬度、经度、要素形成统一数据存储结构的海洋信息数据。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法。
本发明及其优选方案可以降低概率密度估计过于平滑现象的风险，提高概率密度的估计精度，加快寻找核密度估计的最优变宽。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例整体流程示意图；
图2为本发明实施例交通流密度自适应的船舶轨迹与电子海图叠加效果示意图；
图3为本发明实施例交通流密度自适应的船舶轨迹与电子海图叠加海图示意图；
图4为本发明实施例交通流密度自适应的船舶轨迹与电子海图船舶轨迹示意图；
图5为本发明实施例交通流密度自适应的船舶轨迹与电子海图融合显示示意图；
图6为本发明实施例GSTA与现有技术STA优化收敛曲线比较示意图；
图7为本发明实施例GSTA算法收敛曲线示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，其实现主要包括以下步骤：
步骤1、根据电子海图的海洋地理信息绘制电子海图物标；
步骤2、读取海洋环境信息并进行同一化处理，形成统一数据存储结构的海洋信息数据；
步骤3、对同一化的数据海洋环境信息进行可视化渲染绘制；
步骤4、采用核密度估计器对船舶轨迹位置进行预测和生成，采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽；
步骤5、根据船舶交通流密度优先级，确定船舶轨迹在海图中的显示的颜色级别；
步骤6、读取可视化叠加后的数据并转换保存成位图图像，进行电子海图与海洋环境信息融合显示。
本实施例设计的一个核心要点在于采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽，其具体设计如下：
核K和带宽h的多元核密度估计为：
d维核函数K(x)满足：
∫K(x)dx＝1 (2)
当K使用标准多元正态密度函数时：
采用高斯变异状态转移算法求取最优带宽h，目标是通过以下方式将差异最小化：
状态转移算法生成的候选解的形式定义为：
sk+1＝Aksk+Bkuk(5)
其中，sk是当前状态和候选状态。Ak和Bk是随机矩阵，对应于状态转换算法中的状态转换算子。uk是关于当前状态和历史状态的表达。
旋转变换为：
其中α是旋转系数。Rr是一个随机矩阵，其元素在区间[-1,1]中均匀分布2是向量的欧几里德范数或2-范数。
平移变换为：
其中β是转移系数。Rt是分布在区间[0,1]中的随机变量。
伸缩转换为：
sk+1＝sk+γResk(8)
其中γ是比例因子。Re是元素服从高斯分布(标准正态分布)的随机对角矩阵。
轴向转换为：
sk+1＝sk+δRask(9)
其中δ是轴向转换系数。Ra是一个稀疏的随机对角矩阵，其元素服从高斯分布。
在大多数群智能算法中，位置更新主要依赖于个体之间的信息交换。算法本身不具备变异能力，容易陷入局部最优解。高斯变异是将服从高斯分布的状态函数加到原始种群状态上。公式如下：sk＝sk(0.5+τN(0,1)) (10)
式中，τ是介于[0,1]之间的随机变量，N(0,1)是均值为0、方差为1的正态分布。在原有粒子群运动的基础上，加入随机正态分布扰动项，有利于减少陷入局部最优解的可能性，增强全局寻优能力。
基于以上设计，本发明采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽具体包括以下步骤：
1)生成初始总体，以核密度的带宽为个体变量。
2)进行旋转变换。
3)进行平移转换。
4)进行伸缩转换。
5)进行轴向转换。
6)进行高斯变异。
7)按照公式(4)，评估个体的目标函数。
8)更新每个个体的最优局部解。
9)更新随机数和系数。
10)重复步骤2)-9)，直到满足终止条件。
步骤5、根据船舶交通流密度优先级，确定船舶轨迹在海图中的显示的颜色级别的具体过程则为：
5-1、根据优化出的最优带宽，计算各船舶轨迹点的核密度，对应用不同的颜色，矢量场可视化渲染绘制在海图上。
5-2、根据属性信息，设置相应颜色范围，建立属性值与颜色映射关系，通过颜色分布展现标量场属性数值分布；读取几何面片中坐标位置和对应颜色信息,进行绘制显示。通过转换函数获取当前视口四个角经纬度信息,确定视口所显示电子海图经纬度地理范围,将海洋环境信息数据经纬度位置信息与求得的当前电子海图经纬度位置范围对比,按照地理空间经纬度位置叠加,实现电子海图与海洋环境信息数据可视化图像融合。将数据读取过程获取的水深、纬度、经度、要素形成统一数据存储结构的海洋信息数据。
通过以上方案，本实施例最终实现如图2-图7所示的效果。且可以明显看出，本实施例方案相对现有技术方案在算法收敛速度上存在显著优势。
实例实现结果表明，货船的交通流贯穿整个水域。渔船的相遇位置集中在渔场和养殖区附近。集装箱船的停靠点主要分布在东海运输干线上。远洋班轮的轨迹位置相对稀少。较小的带宽可以使密度分布结果中出现更多的高值或低值区域，适合揭示密度分布的局部特征。更大的带宽可以使热点区域在全球范围内更加明显。带宽与点的分散程度呈正相关。对于具有稀疏点分布的数据，应使用更大的带宽。对于兴趣点密集的数据，应考虑较小的带宽。
本实施例提供的以上涉及算法的程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程来描述的。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (5)
1.一种交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，其特征在于：采用核密度估计器对船舶轨迹位置进行预测和生成；并采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽，其中：
核K和带宽h的多元核密度估计为：
其中
表示估计值，h表示带宽，d表示变量维度，n表示样布数量，K表示核函数，x表示输入变量，Xi表示第i个独立同分布的样本点；
d维核函数K(x)满足：
∫K(x)dx＝1 (2)
当K使用标准多元正态密度函数时：
采用高斯变异状态转移算法求取最优带宽h，目标是通过以下方式将差异最小化：
状态转移算法生成的候选解的形式定义为：
sk+1＝Aksk+Bkuk (5)
其中，sk是当前状态和候选状态；Ak和Bk是随机矩阵，对应于状态转换算法中的状态转换算子；uk是关于当前状态和历史状态的表达；
高斯变异将服从高斯分布的状态函数加到原始种群状态上；公式如下：
sk＝sk(0.5+τN(0,1)) (10)
式中，τ是介于[0,1]之间的随机变量，N(0,1)是均值为0、方差为1的正态分布；在粒子群运动的基础上，加入随机正态分布扰动项，以减少陷入局部最优解的可能性，增强全局寻优能力；
所述基于高斯变异的状态转移算法GSTA具体包括以下步骤：
1)生成初始总体，以核密度的带宽为个体变量；
2)进行旋转变换：
其中α是旋转系数；Rr是一个随机矩阵，其元素在区间[-1,1]中均匀分布2是向量的欧几里德范数或2-范数；
3)进行平移转换：
其中β是转移系数；Rt是分布在区间[0,1]中的随机变量；
4)进行伸缩转换：
伸缩转换为：
sk+1＝sk+γResk (8)
其中γ是比例因子；Re是元素服从高斯分布的随机对角矩阵；
5)进行轴向转换：
轴向转换为：
sk+1＝sk+δRask (9)
其中δ是轴向转换系数；Ra是一个稀疏的随机对角矩阵，其元素服从高斯分布；
6)进行高斯变异；
7)按照公式(4)，评估个体的目标函数；
8)更新每个个体的最优局部解；
9)更新随机数和系数；
10)重复步骤2)-9)，直到满足终止条件；
根据优化出的最优带宽，计算各船舶轨迹点的核密度，对应用不同的颜色，矢量场可视化渲染绘制在海图上。
2.根据权利要求1所述的交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，其特征在于：包括以下步骤：
步骤S1：根据电子海图的海洋地理信息绘制电子海图物标；
步骤S2：读取海洋环境信息并进行同一化处理，形成统一数据存储结构的海洋信息数据；
步骤S3：对同一化的数据海洋环境信息进行可视化渲染绘制；
步骤S4：采用核密度估计器对船舶轨迹位置进行预测和生成，采用基于高斯变异的状态转移算法GSTA搜索核密度估计器的最优带宽；
步骤S5：根据船舶交通流密度优先级，确定船舶轨迹在海图中的显示的颜色级别；
步骤S6：读取可视化叠加后的数据并转换保存成位图图像，进行电子海图与海洋环境信息融合显示。
3.根据权利要求2所述的交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法，其特征在于：步骤S5具体包括以下步骤：
步骤S51：根据优化出的最优带宽，计算各船舶轨迹点的核密度，对应用不同的颜色，矢量场可视化渲染绘制在海图上；
步骤S52：根据属性信息，设置相应颜色范围，建立属性值与颜色映射关系，通过颜色分布展现标量场属性数值分布；读取几何面片中坐标位置和对应颜色信息,进行绘制显示；通过转换函数获取当前视口四个角经纬度信息,确定视口所显示电子海图经纬度地理范围,将海洋环境信息数据经纬度位置信息与求得的当前电子海图经纬度位置范围对比,按照地理空间经纬度位置叠加,实现电子海图与海洋环境信息数据可视化图像融合；将数据读取过程获取的水深、纬度、经度、要素形成统一数据存储结构的海洋信息数据。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3其中任一所述的交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3其中任一所述的交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628541.3A CN114862738A (zh) | 2022-06-06 | 2022-06-06 | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628541.3A CN114862738A (zh) | 2022-06-06 | 2022-06-06 | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862738A true CN114862738A (zh) | 2022-08-05 |
Family
ID=82624982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210628541.3A Pending CN114862738A (zh) | 2022-06-06 | 2022-06-06 | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862738A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170052029A1 (en) * | 2015-08-19 | 2017-02-23 | Furuno Electric Co., Ltd. | Ship display device |
| CN110009937A (zh) * | 2019-03-21 | 2019-07-12 | 武汉理工大学 | 一种基于ais数据的船舶碰撞风险分析方法 |
| CN110196962A (zh) * | 2019-04-12 | 2019-09-03 | 南京航空航天大学 | 一种基于核密度估计的飞机速度异常识别方法 |
| CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
-
2022
- 2022-06-06 CN CN202210628541.3A patent/CN114862738A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170052029A1 (en) * | 2015-08-19 | 2017-02-23 | Furuno Electric Co., Ltd. | Ship display device |
| CN110009937A (zh) * | 2019-03-21 | 2019-07-12 | 武汉理工大学 | 一种基于ais数据的船舶碰撞风险分析方法 |
| CN110196962A (zh) * | 2019-04-12 | 2019-09-03 | 南京航空航天大学 | 一种基于核密度估计的飞机速度异常识别方法 |
| CN110210352A (zh) * | 2019-05-23 | 2019-09-06 | 中国人民解放军海军工程大学 | 基于航道模型的船舶轨迹异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 汪祖云;张道航;刘文平;董婉青;侯彩霞;陈荔;: "基于轨迹段核密度的旅游车辆轨迹聚类算法", 测控技术, no. 09, 18 September 2020 (2020-09-18) * |
| 薛 晗等: ""基于文化萤火虫算法－广义回归神经网络的船舶交通流量预测"", 《上海交通大学学报》, vol. 54, no. 4, 30 April 2020 (2020-04-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
| Wu et al. | Long-voyage route planning method based on multi-scale visibility graph for autonomous ships | |
| CN109977523B (zh) | 一种海量船舶ais轨迹数据在线压缩方法及装置 | |
| CN110196059B (zh) | 一种无人艇全局路径规划方法 | |
| Kazimierski et al. | Technology of spatial data geometrical simplification in maritime mobile information system for coastal waters | |
| CN112161631B (zh) | 一种基于大型卫星栅格地图的安全路径规划方法 | |
| CN106067172A (zh) | 一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法 | |
| CN114612769A (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
| CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
| CN111412918B (zh) | 无人艇全局安全路径规划方法 | |
| CN114387822B (zh) | 船舶避碰方法 | |
| CN117193296A (zh) | 一种基于高安全性的改进a星无人艇路径规划方法 | |
| Praczyk et al. | Concept and first results of optical navigational system | |
| CN113805178A (zh) | 一种水面静态碍航物探测方法 | |
| CN114862738A (zh) | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 | |
| Schirmann et al. | A comparison of physics-informed data-driven modeling architectures for ship motion predictions | |
| CN116721206A (zh) | 一种实时的室内场景视觉同步定位与建图方法 | |
| Li et al. | Modelling and simulation of intelligent collision avoidance based on ship domain | |
| Xue et al. | Improved BSO for ship path planning with grounding alert using interpolated Delaunay triangulation | |
| CN111709308B (zh) | 一种基于无人机的海上遇险人员检测和跟踪方法及其系统 | |
| CN114863146A (zh) | 一种水下地形匹配定位方法、装置及存储介质 | |
| CN113160614A (zh) | 一种冰区近场航路动态优化方法 | |
| RU2281529C1 (ru) | Способ визуализации навигационной обстановки при судовождении | |
| Sedova et al. | Intelligent Collision Danger Assessment of Autonomous Unmanned Sea-Going Vessels | |
| CN113643196B (zh) | 一种基于注意力机制的递归推理图像修复方法 |
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 |