CN116432045A - 一种船用雷达多目标自动识别算法 - Google Patents
一种船用雷达多目标自动识别算法 Download PDFInfo
- Publication number
- CN116432045A CN116432045A CN202211260458.1A CN202211260458A CN116432045A CN 116432045 A CN116432045 A CN 116432045A CN 202211260458 A CN202211260458 A CN 202211260458A CN 116432045 A CN116432045 A CN 116432045A
- Authority
- CN
- China
- Prior art keywords
- ais
- data
- radar
- target
- marine
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 24
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 claims 1
- 229940059720 apra Drugs 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 description 6
- 244000062793 Sorghum vulgare Species 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 235000019713 millet Nutrition 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- QZXCCPZJCKEPSA-UHFFFAOYSA-N chlorfenac Chemical compound OC(=O)CC1=C(Cl)C=CC(Cl)=C1Cl QZXCCPZJCKEPSA-UHFFFAOYSA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及船用通导设备数据融合、自动识别算法领域，具体为一种船用雷达多目标自动识别算法。本发明通过融合ARPA雷达、AIS‑B、北斗/GPS、罗经、电子海图等多种通导设备数据，进行数据转换、融合、存储，针对AIS‑B型设备联系AIS数据间存在较长时间间隔的问题，利用基于灰色理论的航迹关联算法实现ARPA雷达与AIS目标间的航迹匹配，目标船在40艘左右情况下，识别准确率为98％‑99％。
Description
技术领域
本发明涉及船用通导设备数据融合、自动识别算法领域，具体为一种船用雷达多目标自动识别算法。
背景技术
AIS是一种助航系统，能自动交换船位、航速、航向、船名、呼号等重要信息，装在船上的AIS在向外发送这些信息的同时，同样接收VHF覆盖范围内其他船舶的信息，从而实现了自动应答，能够有效减少船舶碰撞事故。
但是渔船上安装的AIS-B型设备的发射功率低，信息更新间隔也长达30秒，特别在VHF数据链路繁忙时，AIS设备会暂时自动终止船位报告。另外网位仪的大量使用也造成AIS通信频道发生堵塞，造成船舶之间通信不畅，影响避碰措施的执行。另外，AIS一般通过船舶之间的相对位置来判断碰撞危险，而不像雷达ARPA根据探测到的船舶航迹数据结合本船艏向和航速计算出TCPA和DCPA实现精准预警。
将AIS目标与ARPA雷达目标融合使用可以实现更优秀的目标位置显示，从而实现实时船舶识别。目前AIS目标和ARPA雷达目标并未充分融合，且基于模糊数学和统计加权方法进行航迹关联效果不佳，船舶识别准确率较低。目前的航迹关联算法主要有基于模糊数学和统计的方法,模糊方法主要是模糊决策，这种方法处理灵活方便,易于扩展,计算量也相对较小，但和决策的经验有很大关系,因此提高精度比较困难。基于统计的方法有加权法、邻近法等,统计的方法在处理之前需要对数据进行滤波，因为很难知道数据中噪声的统计特性,滤波本身有可能带来较大误差。基于灰色理论进行航迹关联，该理论的基本思想是将随机变量看成是在一定范围内变化的灰量，并且客观实际问题中得到的统计量也有一定的误差,采用灰色理论方法对处理的数据没有特殊的要求和限制。
本申请发明人在实施本发明具体实施例的过程中，发现了上述问题。为此，我们提供了一种船用雷达多目标自动识别算法，用以解决上述中的技术问题。
发明内容
针对以上问题，本发明提供了一种船用雷达多目标自动识别算法，通过融合ARPA雷达、AIS-B、北斗/GPS、罗经、电子海图等多种通导设备数据，进行数据转换、融合、存储，针对AIS-B 型设备联系AIS数据间存在较长时间间隔的问题，利用基于灰色理论的航迹关联算法实现ARPA雷达与AIS目标间的航迹匹配，目标船在40艘左右情况下，识别准确率为98%-99%，解决了上述背景技术中的存在的问题。
附图说明
图1为本发明一种船用雷达多目标自动识别算法的多源数据融合步骤示意图；
图2为本发明一种船用雷达多目标自动识别算法的模拟系统AARFS的MVC模式结构框图；
图3为本发明一种船用雷达多目标自动识别算法的模拟出错率曲线图。
为解决上述技术问题，本发明是通过以下技术方案实现的：
1.多源数据融合
在官方电子海图显示系统上，将渔船用雷达、CLASS-B类AIS、北斗三代定位通信模块、鱼探仪进行数据融合，可在一个显示平台下显示、操作，电子海图数据。将北斗、GPS、雷达、电子海图、AIS、视频摄像、多功能气象仪、姿态仪、鱼探仪等设备接入，并进行数据融合，集成在显控终端一个屏幕上。针对不同ARPA雷达与AIS信息的融合主要包括信息采集、数据预处理、数据融合、数据输出4个步骤，详见说明书附图图1。
从AIS和ARPA雷达采集到的信息首先经过数据预处理，主要是实现数据转换，数据转换模块需要解析AIS系统和ARPA雷达的输出数据格式并将其转换成统一的中间格式，方便融合算法的处理；数据融合模块完成核心的融合算法，并生成融合后的数据；数据输出模块负责维护生成后的数据。
2. 航迹关联算法
ARPA雷达与AIS信息融合的关键是航迹关联。目前的航迹关联算法主要有基于模糊数学和统计的方法,模糊方法主要是模糊决策,这种方法处理灵活方便,易于扩展,计算量也相对较小,但和决策的经验有很大关系,因此提高精度比较困难。基于统计的方法有加权法、邻近法等,统计的方法在处理之前需要对数据进行滤波, 因为很难知道数据中噪声的统计特性,滤波本身有 可能带来较大误差。基于灰色理论进行航迹关联,该理论的基本思想是将随机变量看成是在一定范围内变化的灰量,并且客观实际问题中得到的统计量也有一定的误差,采用灰色理论方法对处理的数据没有特殊的要求和限制。
ARPA雷达与AIS信息融合的关键是航迹关联。目前的航迹关联算法主要有基于模糊数学和统计的方法,模糊方法主要是模糊决策,这种方法处理灵活方便,易于扩展,计算量也相对较小,但和决策的经验有很大关系,因此提高精度比较困难。基于统计的方法有加权法、邻近法等,统计的方法在处理之前需要对数据进行滤波, 因为很难知道数据中噪声的统计特性,滤波本身有 可能带来较大误差。基于灰色理论进行航迹关联,该理论的基本思想是将随机变量看成是在一定范围内变化的灰量,并且客观实际问题中得到的统计量也有一定的误差,采用灰色理论方法对处理的数据没有特殊的要求和限制。
雷达探测的一段航迹l，需要把它关联到AIS同时探测到的一段航迹l*上，雷达有固定的探测区域，但AIS的探测范围远远超过雷达，因此需要在AIS中选取有可能关联到l的航迹，并把选出的所有航迹称为航迹l的备选集，记为S（l）。从实用的角度，根据航迹的起点来计算备选集，雷达在t时刻探测到船舶A 的位置为P，速度为v（t），根据该时刻的速度可以计算出AIS的报告周期Δs，按最大的可能性估计，所有可能和l关联的航迹它们的起点都应该落在以l的起点为圆心，R为半径的圆内，R定义为:
R =v（t）Δs +δr +δa
式中：δr是雷达的测距误差； δa是AIS的测距误差。
所以定义如下：
S（l）=｛l* | d（l（l），l*（l））≤R｝
式中：d（x，y），x和y之间的距离；l（k），航迹上的k点，k从l开始。
雷达和AIS的周期不同，对于一条船舶的行驶轨迹，雷达和 AIS是在不同的时间点上以不同的周期报告航迹，因此在将一条轨迹和其备选集中的每条轨迹进行比较时，需要进行时间对准，不在同一个时间点上进行轨迹比较没有意义，误差也非常大。对于雷达探测的航迹l，设l的长度为n，起始时间为t，那么结束时间为t+(n -l）Δt，对于S（l）中的每条航迹l*，截取从时间t到t+(n -l）Δt这段时间内的点迹，然后将l和l*进行时间对准。以l*为基准，通过模型将l对准到l*相应的时间点上，对准的时间点可变（由不同的l*确定），但只需建立一个模型，求解一次模型的参数，而且时间间隔固定，建模比较方便。而且以AIS的序列为基准，当船舶的速度比较大时，会相应地增加序列中的点数，速度较小时，相应地点数会减少，这样有利于提高处理效率。上面的讨论中只是假设l的长度为n，n值的确定和模型相关，因此在讨论完对准模型后再来讨论n的大小，在此假设n值已经确定且大于4 （建模的需要）。这里采用GM（1，1）模型来进行时间对准，GM（1，1）模型不需要数据的统计分布假设，对噪声不敏感，相对于插值的方法能够获取更准确的点迹。
对于一段航迹l的点序列l 0，从方位距离、方位角和速度三个方面去比较处理，分别对应三个序列r 0（l）、θ 0（l）和v 0（l），求同时满足三个序列的可容覆盖条件的最大的n值，以此来确定序列的长度。根据GM（1，1）的要求，n必须大于4，水面上的船只一般速度都很慢，在4Δt≈12s时间之内状态不会有很大变化，因此GM（1，1）模型几乎都能适用。对于角度，取值为[0，2π]，不出现负角度。
对于雷达探测的一段航迹l，其对应的点序列为l 0（可以是方位距离点列、方位角点列和速度大小的点列），对于l i *∈ S（l）， 设其相对应的点序列为l i *0，并且l 0和l i *0已经时间对准，则以l 0为参考序列。
从航迹上点的方位距离、方位角和速度大小三个方面进行比较处理，得到方位距离关联度、方位角关联度和速度关联度三个不同的关联度，分别记为δr、δθ和δv。根据这三个关联度计算l和l i *之间的距离d（l，l i *），其为δr（l 0，l i *0）、δθ（l 0，l i *0）和δv（l 0，l i *0）的函数。
模拟分析工具
为了检验算法的效果，设计了模拟系统AARFS（AIS ARPA radar fusion system）实现了AIS数据和ARPA雷达数据融合测试的一个原型方案，主要在于检测航迹匹配算法的有效性。原型采用MVC模式来实现，详见说明书附图图2。
AARFS能够根据用户的输入产生并实时维护更新一个水域中所有船只的运行场景，按照随机游动模型定时计算每个船只的运行参数并修改状态，实时地模拟真实海域中船只的运行状况。AARFS中实现了ARPA雷达的数据和AIS的数据的采样模块，采样模块按照自己各自预先定义的周期对实时维护的场景进行采样从而获取数据，其中雷达采样的数据以雷达的界面呈现给用户。AARFS能够将雷达和AIS分别采样的数据相互匹配，并将匹配得到的AIS数据显示在雷达界面上，实现了AIS和ARPA雷达的模拟信息融合。
测试分析
经测试，相关各项功能测试结果正常，能够稳定运行，匹配准确率高。
从实验数据看，船舶数目20~40艘的固定融合步长的总出错次数较少，识别准确率在98 %~99 %，随着目标船数、目的增加信息融合的出错率增加，识别准确率在下降，但是在船舶航行期间，ARPA雷达周围目标船的数量不会太多，所以该融合方案匹配较准确。出错率曲线见说明书附图图3。
数据结构
雷达目标数据结构如下：
| 字段 | 字段名称 | 类型 | 必传 | 长度 | 描述 |
| time | 数据获取时间 | datetime | 是 | ISO8601格式时间字符串 | |
| num | 目标数量 | long | 是 | num 范围0~128 | |
| sn | 设备序列号 | string | 是 | 45 | |
| list | 数据列表 | string | 是 | 反序列化成字符串对象 |
数据list 对象：
| 字段 | 字段名称 | 类型 | 长度 | 说明 |
| no | 目标编号 | string | 32 | |
| lon | 目标船只经度 | string | 10 | 融合AIS对应的mmsi号，未融合值为空 |
| lat | 目标船只维度 | string | 64 | 标记 哪个雷达 |
| cog | 航向 | double | ||
| sog | 航速 | double | ||
| mmsi | mmsi | double | 范围：0~359.9°；单位：°；数据分辨率：0.1° | |
| src | 点迹来源 | double | 范围：单位：节；数据分辨率：0.1m/s |
AIS数据结构如下：
| 字段 | 字段名称 | 类型 | 必传 | 长度 | 描述 |
| dnum | AIS目标动态数据数量 | int | 是 | ||
| snum | 静态数据数量 | int | 是 | ||
| dlist | 动态数据列表 | list<object> | 是 | json反序列化字符串 | |
| slist | 静态数据列表 | list<object> | 是 | json反序列化字符串 | |
| sn | 设备序列号 | string | 是 | 设备序列号 |
dlist对象：
| 字段 | 字段名称 | 类型 | 说明 |
| ownship | 是否本船 | blllean | |
| mmsi | 编号 | int | |
| sclass | 发送设备类型 | tinyint | 0-无效，1-A类，2-B类, 3-AIS SART, 4-AIS基站 , 5-ATON |
| navstatus | 航行状态 | tinyint | |
| ctime | 接收时间 | int | 秒级时间戳 |
| lon | 经度 | double | |
| lat | 纬度 | double | |
| heading | 艏向 | float | |
| Couese | 航向 | float | |
| Sog | 速度 | float | |
| rturn | 转向率 | int | 有符号8位原始数据 |
slist对象：
| 字段 | 字段名称 | 类型 | 说明 |
| ctime | 数据接收时间 | string | ISO8601时间格式 |
| ownship | 是否本船 | boolean | |
| mmsi | 编号 | int | |
| imo | IMO | int | |
| callcode | 呼号 | string | |
| name | 船名 | string | |
| destination | 目的地 | string | |
| stype | 船舶类型 | tinyint | |
| hrng | 距船艏距离 | int | 0.1米，单位：分米 |
| trng | 距船尾距离 | int | 0.1米，单位：分米 |
| lrng | 距左舷距离 | int | 0.1米，单位：分米 |
| rrng | 距右舷距离 | int | 0.1米，单位：分米 |
| draught | 吃水深度 | int | 0.1米，单位：分米 |
| atime | 预计到达时间 | int |
Claims (3)
1.一种船用雷达多目标自动识别算法，其特征在于融合ARPA雷达、AIS-B、北斗/GPS、罗经、电子海图等船用通导设备多源数据的基础上，利用基于灰色理论的航迹关联算法，实现可达高识别率的APRA雷达与AIS目标间的航迹匹配。
2.根据权利要求1中所述的一种船用雷达多目标自动识别算法，特征在于融合ARPA雷达、AIS-B、北斗/GPS、罗经、电子海图等船用通导设备多源数据，将各设备数据按照处理各接口格式抽取数据后统一显示在电子海图上。
3.根据权利要求1中所述的一种船用雷达多目标自动识别算法，特征在于利用基于灰色理论的航迹关联算法，该算法将随机变量堪称是在一定范围内变化的灰量来进行处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211260458.1A CN116432045A (zh) | 2022-10-14 | 2022-10-14 | 一种船用雷达多目标自动识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211260458.1A CN116432045A (zh) | 2022-10-14 | 2022-10-14 | 一种船用雷达多目标自动识别算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432045A true CN116432045A (zh) | 2023-07-14 |
Family
ID=87080279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211260458.1A Pending CN116432045A (zh) | 2022-10-14 | 2022-10-14 | 一种船用雷达多目标自动识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432045A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871298A (zh) * | 2019-03-14 | 2019-06-11 | 大连海大船舶导航国家工程研究中心有限责任公司 | 一种linux系统船舶交通管理数据实时双机内存热备方法 |
| CN110888126A (zh) * | 2019-12-06 | 2020-03-17 | 西北工业大学 | 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 |
| CN112307026A (zh) * | 2020-10-29 | 2021-02-02 | 广东海洋大学 | 一种小型船舶航行多源信息实时数据库的建立方法 |
| CN213748480U (zh) * | 2020-11-27 | 2021-07-20 | 长江南京通信管理局 | 一种电子沙盘系统 |
-
2022
- 2022-10-14 CN CN202211260458.1A patent/CN116432045A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871298A (zh) * | 2019-03-14 | 2019-06-11 | 大连海大船舶导航国家工程研究中心有限责任公司 | 一种linux系统船舶交通管理数据实时双机内存热备方法 |
| CN110888126A (zh) * | 2019-12-06 | 2020-03-17 | 西北工业大学 | 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 |
| CN112307026A (zh) * | 2020-10-29 | 2021-02-02 | 广东海洋大学 | 一种小型船舶航行多源信息实时数据库的建立方法 |
| CN213748480U (zh) * | 2020-11-27 | 2021-07-20 | 长江南京通信管理局 | 一种电子沙盘系统 |
Non-Patent Citations (3)
| Title |
|---|
| 杜一村;杨家轩;赵梁滨;: "ECDIS外接传感器信号模拟", 中国航海, no. 01, 25 March 2016 (2016-03-25) * |
| 邓术章 等: "船用ARPA雷达与AIS信息融合的实现", 《船海工程》, vol. 38, no. 6, 31 December 2009 (2009-12-31), pages 145 - 148 * |
| 陈波 等: "浅谈公务舰船通信技术", 《信息记录材料》, vol. 22, no. 10, 31 October 2021 (2021-10-31), pages 112 - 113 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109817023B (zh) | 一种海缆水域ais目标检测方法 | |
| CN112146654B (zh) | 基于关键约束帧的前视成像声呐水下定位与导航方法 | |
| CN108318868A (zh) | 基于ads-b数据源的雷达战术性能测试评估方法 | |
| CN111536962B (zh) | 智能船舶的航线规划方法及装置、存储介质、计算机设备 | |
| CN108896957A (zh) | 一种无人机操控信号源的定位系统及方法 | |
| CN115205706B (zh) | 遥感数据获取方法、装置、电子设备和计算机可读介质 | |
| CN106896363A (zh) | 一种水下目标主动跟踪航迹起始方法 | |
| CN105116390A (zh) | 面向海用雷达标校的测量值与ais真值点对构建方法 | |
| CN109343088A (zh) | 一种基于信噪比的分布式检测北斗欺骗干扰的方法 | |
| Hanyang et al. | Vessel sailing patterns analysis from S-AIS data dased on K-means clustering algorithm | |
| CN111578944B (zh) | 一种基于单信标的水下滑翔机定位方法 | |
| CN104614554A (zh) | 船基风速风向传感器基准误差自修正方法 | |
| CN104180801B (zh) | 基于ads‑b系统航迹点的预测方法和系统 | |
| CN117146830B (zh) | 一种自适应多信标航位推算和长基线的紧组合导航方法 | |
| CN110865338A (zh) | 一种基于水下机动平台的未知周期声信标高精度定位方法 | |
| CN110826529A (zh) | 一种基于深度学习的海面船只检测方法 | |
| Wang et al. | A Jamming Aware Artificial Potential Field Method to Counter GPS Jamming for Unmanned Surface Ship Path Planning | |
| CN116432045A (zh) | 一种船用雷达多目标自动识别算法 | |
| Qin et al. | Research on information fusion structure of radar and AIS | |
| CN108445481B (zh) | 一种信息处理方法及测控系统 | |
| Chen et al. | Research on AIS and radar information fusion method based on distributed Kalman | |
| CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
| CN113465616B (zh) | 轨迹异常点检测方法和装置、电子设备及存储介质 | |
| CN115657045A (zh) | 基于方位信息多被动探测平台水下航行器数据的融合方法 | |
| CN111757242B (zh) | 一种基于ais信息计算的海域通信波束控制方法及装置 |
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 |