CN116757055B - 一种基于浮标平台的多雷达船舶感知网络布设优化方法 - Google Patents
一种基于浮标平台的多雷达船舶感知网络布设优化方法 Download PDFInfo
- Publication number
- CN116757055B CN116757055B CN202311007771.9A CN202311007771A CN116757055B CN 116757055 B CN116757055 B CN 116757055B CN 202311007771 A CN202311007771 A CN 202311007771A CN 116757055 B CN116757055 B CN 116757055B
- Authority
- CN
- China
- Prior art keywords
- radar
- grid
- sea area
- ship
- navigation mark
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000008447 perception Effects 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000035772 mutation Effects 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
- G01S13/917—Radar or analogous systems specially adapted for specific applications for traffic control for marine craft or other waterborne vessels
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于浮标平台的多雷达船舶感知网络布设优化方法,属于雷达测量技术领域,包括:对航标位置和船舶数据进行数据预处理,根据数据预处理后的航标位置确定航道轮廓,对航道进行水域精细划分,获得等面积分割的航道海域块的坐标和各海域块的形心坐标;对船舶数据进行网格聚类,获得重点海域范围;拟定雷达类型与参数,根据航标位置与海域块的形心坐标,计算各海域块与航标之间的距离,结合雷达参数,计算雷达在不同航标上对各个海域块的覆盖情况;根据雷达类型与参数,结合海域块的形心坐标,获得雷达信号衰减率和雷达在不同航标上对各个海域块的实际覆盖率;建立优化模型,使用多目标粒子群优化算法进行计算,得出最优布设方案。
Description
技术领域
本发明公开一种基于浮标平台的多雷达船舶感知网络布设优化方法,属于雷达测量技术领域。
背景技术
海运对于大宗货物运输而言,是成本较低且运量巨大,较为合适的一种运输方案,在全球货物运输中的作用日益增长。但随着货物运输需求的不断提高,船只数量逐渐增加,船只种类驳杂,导致近海航道内船只航行混乱,常有事故发生。故针对近海航道进行实时精准的监管,防止事故的发生这一举措逐渐得到重视。
对航道情况进行远程监控,可以使航道内船只的行驶更加安全,逐渐成为海事领域发展的新兴方向。以“多元感知大数据”为基础,利用先进的信息处理技术(如大数据处理,多元传感器融合等),实现对航道内船只的智能化规划,行为预警。
现阶段,我国对于船舶交通管理主要是使用船舶交通管理(Vessel TrafficService)系统。VTS系统是利用自动识别船舶系统基站,雷达站,闭路电视,无线电话及船载终端等通信设备实现对海上船舶的监控,并对船舶提供航行所需安全信息的系统,通过为船舶提供其航行途中的安全信息,以及对各船舶轨迹路线的实时监控,从而保证船舶航行安全。VTS系统中最为核心的,便是VTS雷达站。其位置的选择与雷达配置都对监控效果有着至关重要的影响。
如今,国内外主要用于VTS系统的雷达网络的布设研究,主要针对在江河流域的雷达站布设,且为定点的岸基雷达站布设。而现阶段,我国近海获取船只体态,位置数据的方法,主要是通过海岸布设的大型岸基雷达,通过扫描覆盖海域获取。由于岸基雷达覆盖范围大,覆盖船只数目多,故在数据传输与清洗过程中易出现数据错误,或存在误差。且大量的数据处理易导致数据延迟,在预测到船只可能发生事故时,无法使相应船只进行及时规避。因此,针对部分船只密度较高的航线,应采取一种检测范围较岸基雷达更小,检测灵敏度更高,处理速度更快的方式进行实时监测,确保对所有船只的高精度覆盖,以及面对有概率发生事故时的及时响应。
目前,我国海上主要的助航标志是浮动航标,用以标示航道方向,界限与碍航物的位置。现如今,国内外对于航标的应用主要集中在在航标上安放传感器,利用航标进行水文与气象观测等。目前还没有将将小体积的云台相机,雷达装设到指定航标上,以航标作为基站对正在行驶的船只行为进行检测,其检测精度较高,处理速度较快,能够符合预期要求。本部分研究的目的,便是确定雷达,相机等传感器在航标上的布局,即实现:在传感器能够符合覆盖标准的前提下,实现布设设备数目的最少,达成成本最优化。
发明内容
本发明的目的在于提供一种基于浮标平台的多雷达船舶感知网络布设优化方法,以解决现有技术中,岸基雷达覆盖范围大,覆盖船只数目多,导致成本过高的问题。
一种基于浮标平台的多雷达船舶感知网络布设优化方法,包括:
S1、获取航标位置与近海船舶AIS数据;
S2、对航标位置和船舶AIS数据进行数据预处理,根据数据预处理后的航标位置确定航道轮廓;
S3、对航道进行水域精细划分,获得等面积分割的航道海域块的坐标和各海域块的形心坐标;
S4、对船舶AIS数据进行网格聚类,获得重点海域范围;
S5、拟定雷达类型与参数,根据航标位置与海域块的形心坐标,计算各海域块与航标之间的距离,结合雷达参数,计算雷达在不同航标上对各个海域块的覆盖情况;
S6、根据雷达类型与参数,结合海域块的形心坐标,获得雷达信号衰减率和雷达在不同航标上对各个海域块的实际覆盖率;
S7、建立优化模型,使用多目标粒子群优化算法进行计算,得出最优布设方案。
S2包括:航标在海上返回的位置信息有多个,在对航标位置进行数据预处理时,对航标的所有位置取平均值;
对船舶AIS数据进行预处理包括:排除航道轮廓之外的船舶轨迹点,只保留航道范围内的船舶轨迹。
对航道进行水域精细划分包括:
S3.1.在代表航道的多边形内生成若干个随机点;
S3.2.对随机点使用K均值聚类,划分为n个类别;
S3.3.对属于同一类别的点进行分组,并对从属于同一类别的点创建多边形;
S3.4.使用质心算法计算每个类的质心;
S3.5.使用SAGA算法生成蒂森多边形;
S3.6.将蒂森多边形剪裁到原始航道多边形边界。
对船舶AIS数据进行网格聚类包括:
S4.1.把数据空间划分为若干不重叠的网格,计算每个网格的密度,根据网格的密度将网格分为稠密网格和非稠密网格,将所有网格加设网格标记为“未处理标记”;
S4.2.遍历所有网格,判断当前网格是否有“未处理标记”,若没有,则处理下一个网格,否则进行S4.3至S4.7,直到所有网格处理完成,执行S4.8;
S4.3.改变网格标记为“已处理”,若是非密集网格,则执行S4.2,若是密集网格,则将其赋予簇标记,创建一个队列,将该密集网格置入队列;
S4.4.判断队列是否为空,若为空,则转处理下个网格,执行 S4.2,否则进行执行S4.5;
S4.5.取出队头的网格元素,检查其所有邻接的有“未处理标记”的网格并更改网格标记为“已处理”;
若邻接的网格为密集网格,则将其赋予当前簇标记,并将其加入队列,再执行S4.4;
S4.6.结束密度连通区域检查后,标记相同的密集网格组成密度连通区域,形成目标簇;
S4.7.修改簇标记,进行下一个簇的查找,执行S4.2;
S4.8.遍历整个数据集,将数据元素标记为所在网格簇标记值。
计算雷达在不同航标上对各个海域块的覆盖情况包括:
雷达发射频率在54GHz以内,其信号衰减包括:
S5.1.干燥空气大气衰减为:
;
其中:
;
其中,、/>、/>、/>为过渡函数;
f为频率,为压力过渡系数,/>,/>表示空气总压力,/>过渡系数,表示压力,/>表示温度,/>为衰减系数。
S5包括:
S5.2.水汽中的大气衰减为:
;
;
;
;
;
其中:
;
;
;
、/>、/>是过渡函数;
是水气密度,单位为/>。
S5包括:
S5.3.计算得到水气与干燥气体衰减后取平均值,得到雷达信号平均衰减率,已知航标i与海域j形心的距离/>,与信号平均衰减/>相乘得雷达信号衰减/>,由信号衰减公式可知:
;
其中为发射器初始功率,/>为接受信号功率,得航标i对海域j的覆盖率为/>,重点海域要求覆盖率大于2,普通海域覆盖率大于1。
使用多目标粒子群优化算法进行计算包括:
S6.1.建立初始粒子种群,对所有粒子进行目标函数计算得到初始粒子群的非劣解集并进入迭代,在每一个迭代步中,每个粒子将获得速度:
;
其中,和/>分别是第i个粒子在第k迭代步的位置和速度,/>是粒子保持前一步速度的惯性权重系数,/>和/>分别是粒子的个体历史最优位置和整个粒子群的历史最优位置,/>和/>是指向最优位置的加速度因子,/>和/>是0和1之间的随机数,k是迭代次数。
S6包括:
S6.2.惯性权重设为随迭代步线性减小:
;
其中,是起始惯性权重,/>是终止惯性权重,k是当前迭代次数,/>是最大迭代次数;
每一步迭代完成后,计算粒子的目标函数值,获得当前步的非劣解集,与原有非劣解集对比,得出整体最新的非劣解集;
当非劣解集的数量超过给定值时,每个网格中随机删去一定数量的非劣解,第j个网格的删除数量为:
;
其中,是当前非劣解集的总数量,/>是给定非劣解集数量限制,/>是第j个网格内的粒子数量。
S6包括:
S6.3.获得个体历史最优位置和整个粒子群的历史最优位置:
;
为第j个网格被选中的概率,/>是当前非劣解集的总数量,/>是第j个网格内的粒子数量,/>是第n个网格的非劣解集数量;
S6.4.则给定粒子全局变异能力,变异的概率随不成功的重复次数的增加而增大,但最大不超过0.1,变异概率为:
;
其中,是基础变异概率,/>是不成功的迭代次数,/>是一个常数。
相对比现有技术,本发明具有以下有益效果:本发明在布设成本方面,通过本方法的优化策略,可以使雷达网络在覆盖率最大化的同时,达到成本最小化,实现经济上的高性价比,同时相比岸基雷达的建设成本也要更加低廉;本方法所使用的布设在航标上的小型雷达,相比于岸基雷达,探测能耗低,探测精度高,反应速度快,能耗比岸基雷达要小。
附图说明
图1是本发明的技术流程图;
图2是空间聚类算法流程图;
图3为多目标粒子群优化算法的算法流程图。
图4为根据航标位置绘制的航道轮廓示例图。
图5为航道等面积划分示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明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的一部分实施例,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。
一种基于浮标平台的多雷达船舶感知网络布设优化方法,如图1,包括:
S1、获取航标位置与近海船舶AIS数据;
S2、对航标位置和船舶AIS数据进行数据预处理,根据数据预处理后的航标位置确定航道轮廓;
S3、对航道进行水域精细划分,获得等面积分割的航道海域块的坐标和各海域块的形心坐标;
S4、对船舶AIS数据进行网格聚类,如图2,获得重点海域范围;
S5、拟定雷达类型与参数,根据航标位置与海域块的形心坐标,计算各海域块与航标之间的距离,结合雷达参数,计算雷达在不同航标上对各个海域块的覆盖情况;
S6、根据雷达类型与参数,结合海域块的形心坐标,获得雷达信号衰减率和雷达在不同航标上对各个海域块的实际覆盖率;
S7、建立优化模型,使用多目标粒子群优化算法进行计算,如图3,得出最优布设方案。
S2包括:航标在海上返回的位置信息有多个,在对航标位置进行数据预处理时,对航标的所有位置取平均值;
对船舶AIS数据进行预处理包括:排除航道轮廓之外的船舶轨迹点,只保留航道范围内的船舶轨迹。
对航道进行水域精细划分包括:
S3.1.在代表航道的多边形内生成若干个随机点;
S3.2.对随机点使用K均值聚类,划分为n个类别;
S3.3.对属于同一类别的点进行分组,并对从属于同一类别的点创建多边形;
S3.4.使用质心算法计算每个类的质心;
S3.5.使用SAGA算法生成蒂森多边形;
S3.6.将蒂森多边形剪裁到原始航道多边形边界。
对船舶AIS数据进行网格聚类包括:
S4.1.把数据空间划分为若干不重叠的网格,计算每个网格的密度,根据网格的密度将网格分为稠密网格和非稠密网格,将所有网格加设网格标记为“未处理标记”;
S4.2.遍历所有网格,判断当前网格是否有“未处理标记”,若没有,则处理下一个网格,否则进行S4.3至S4.7,直到所有网格处理完成,执行S4.8;
S4.3.改变网格标记为“已处理”,若是非密集网格,则执行S4.2,若是密集网格,则将其赋予簇标记,创建一个队列,将该密集网格置入队列;
S4.4.判断队列是否为空,若为空,则转处理下个网格,执行 S4.2,否则进行执行S4.5;
S4.5.取出队头的网格元素,检查其所有邻接的有“未处理标记”的网格并更改网格标记为“已处理”;
若邻接的网格为密集网格,则将其赋予当前簇标记,并将其加入队列,再执行S4.4;
S4.6.结束密度连通区域检查后,标记相同的密集网格组成密度连通区域,形成目标簇;
S4.7.修改簇标记,进行下一个簇的查找,执行S4.2;
S4.8.遍历整个数据集,将数据元素标记为所在网格簇标记值。
计算雷达在不同航标上对各个海域块的覆盖情况包括:
雷达发射频率在54GHz以内,其信号衰减包括:
S5.1.干燥空气大气衰减为:
;
其中:
;
其中,、/>、/>、/>为过渡函数;
f为频率,为压力过渡系数,/>,/>表示空气总压力,/>过渡系数,表示压力,/>表示温度,/>为衰减系数。
S5包括:
S5.2.水汽中的大气衰减为:
;
;
;
;
;
其中:
;
;
;
、/>、/>是过渡函数;
是水气密度,单位为/>。
S5包括:
S5.3.计算得到水气与干燥气体衰减后取平均值,得到雷达信号平均衰减率,已知航标i与海域j形心的距离/>,与信号平均衰减/>相乘得雷达信号衰减/>,由信号衰减公式可知:
;
其中为发射器初始功率,/>为接受信号功率,得航标i对海域j的覆盖率为/>,重点海域要求覆盖率大于2,普通海域覆盖率大于1。
使用多目标粒子群优化算法进行计算包括:
S6.1.建立初始粒子种群,对所有粒子进行目标函数计算得到初始粒子群的非劣解集并进入迭代,在每一个迭代步中,每个粒子将获得速度:
;
其中,和/>分别是第i个粒子在第k迭代步的位置和速度,/>是粒子保持前一步速度的惯性权重系数,/>和/>分别是粒子的个体历史最优位置和整个粒子群的历史最优位置,/>和/>是指向最优位置的加速度因子,/>和/>是0和1之间的随机数,k是迭代次数。
S6包括:
S6.2.惯性权重设为随迭代步线性减小:
;
其中,是起始惯性权重,/>是终止惯性权重,k是当前迭代次数,/>是最大迭代次数;
每一步迭代完成后,计算粒子的目标函数值,获得当前步的非劣解集,与原有非劣解集对比,得出整体最新的非劣解集;
当非劣解集的数量超过给定值时,每个网格中随机删去一定数量的非劣解,第j个网格的删除数量为:
;
其中,是当前非劣解集的总数量,/>是给定非劣解集数量限制,/>是第j个网格内的粒子数量。
S6包括:
S6.3.获得个体历史最优位置和整个粒子群的历史最优位置:
;
为第j个网格被选中的概率,/>是当前非劣解集的总数量,/>是第j个网格内的粒子数量,/>是第n个网格的非劣解集数量;
S6.4.则给定粒子全局变异能力,变异的概率随不成功的重复次数的增加而增大,但最大不超过0.1,变异概率为:
;
其中,是基础变异概率,/>是不成功的迭代次数,/>是一个常数。
根据以上步骤,根据航标位置绘制的航道轮廓示例图如图4所示,航道等面积划分示例图如图5所示,图4中的航道,在图5中对应变为了航道块,图中黑色圆点表示航标。在将雷达布设在多个航标平台上,组成多雷达感知网络,能够精确监控网络范围内的船只,对其行为进行实时汇报与预测。本专利提供了一种雷达布设方法,能使雷达在最少的航标平台安置,并且能够覆盖所有的重点海域以及绝大多数的目标海域,减少网络组件成本。
以上实施例仅用于说明本发明的技术方案,而非对其限制,尽管参照前述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 (5)
1.一种基于浮标平台的多雷达船舶感知网络布设优化方法,其特征在于,包括:
S1、获取航标位置与近海船舶AIS数据;
S2、对航标位置和船舶AIS数据进行数据预处理,根据数据预处理后的航标位置确定航道轮廓;
S3、对航道进行水域精细划分,获得各海域块的形心坐标;
S4、对船舶AIS数据进行网格聚类,获得重点海域范围;
S5、拟定雷达类型与参数,根据航标位置与海域块的形心坐标,计算各海域块与航标之间的距离,结合雷达参数,计算雷达在不同航标上对各个海域块的覆盖情况;
S6、建立优化模型,使用多目标粒子群优化算法进行计算,得出最优布设方案;
对航道进行水域精细划分包括:
S3.1.在代表航道的多边形内生成若干个随机点;
S3.2.对随机点使用K均值聚类,划分为n个类别;
S3.3.对属于同一类别的点进行分组,并对从属于同一类别的点创建多边形;
S3.4.使用质心算法计算每个类的质心;
S3.5.使用SAGA算法生成蒂森多边形;
S3.6.将蒂森多边形剪裁到原始航道多边形边界;
对船舶AIS数据进行网格聚类包括:
S4.1.把数据空间划分为若干不重叠的网格,计算每个网格的密度,根据网格的密度将网格分为稠密网格和非稠密网格,将所有网格加设网格标记为“未处理标记”;
S4.2.遍历所有网格,判断当前网格是否有“未处理标记”,若没有,则处理下一个网格,否则进行S4.3至S4.7,直到所有网格处理完成,执行S4.8;
S4.3.改变网格标记为“已处理”,若是非密集网格,则执行S4.2,若是密集网格,则将其赋予簇标记,创建一个队列,将该密集网格置入队列;
S4.4.判断队列是否为空,若为空,则转处理下个网格,执行 S4.2,否则进行执行S4.5;
S4.5.取出队头的网格元素,检查其所有邻接的有“未处理标记”的网格并更改网格标记为“已处理”;
若邻接的网格为密集网格,则将其赋予当前簇标记,并将其加入队列,再执行S4.4;
S4.6.结束密度连通区域检查后,标记相同的密集网格组成密度连通区域,形成目标簇;
S4.7.修改簇标记,进行下—个簇的查找,执行S4.2;
S4.8.遍历整个数据集,将数据元素标记为所在网格簇标记值;
计算雷达在不同航标上对各个海域块的覆盖情况包括:
雷达发射频率在54GHz以内,其信号衰减包括:
S5.1.干燥空气大气衰减为:
;
其中:
;
其中,、/>、/>、/>为过渡函数;
f为频率,为压力过渡系数,/>,/>表示空气总压力,/>过渡系数,/>表示压力,/>表示温度,/>为衰减系数;
S5包括:
S5.2.水汽中的大气衰减为:
;
其中:
;
;
;
、/>、/>是过渡函数;
是水气密度,单位为/>;
S5包括:
S5.3.计算得到水气与干燥气体衰减后取平均值,得到雷达信号平均衰减率,已知航标i与海域j形心的距离/>,与信号平均衰减/>相乘得雷达信号衰减/>,由信号衰减公式可知:
;
其中为发射器初始功率,/>为接受信号功率,得航标i对海域j的覆盖率为/>,重点海域要求覆盖率大于2,普通海域覆盖率大于1。
2.根据权利要求1所述的一种基于浮标平台的多雷达船舶感知网络布设优化方法,其特征在于,S2包括:航标在海上返回的位置信息有多个,在对航标位置进行数据预处理时,对航标的所有位置取平均值;
对船舶AIS数据进行预处理包括:排除航道轮廓之外的船舶轨迹点,只保留航道范围内的船舶轨迹。
3.根据权利要求1所述的一种基于浮标平台的多雷达船舶感知网络布设优化方法,其特征在于,使用多目标粒子群优化算法进行计算包括:
S6.1.建立初始粒子种群,对所有粒子进行目标函数计算得到初始粒子群的非劣解集并进入迭代,在每一个迭代步中,每个粒子将获得速度:
;
其中,和/>分别是第i个粒子在第k迭代步的位置和速度,/>是粒子保持前一步速度的惯性权重系数,/>和/>分别是粒子的个体历史最优位置和整个粒子群的历史最优位置,和/>是指向最优位置的加速度因子,/>和/>是0和1之间的随机数,k是迭代次数。
4.根据权利要求3所述的一种基于浮标平台的多雷达船舶感知网络布设优化方法,其特征在于,S6包括:
S6.2.惯性权重设为随迭代步线性减小:
;
其中,是起始惯性权重,/>是终止惯性权重,k是当前迭代次数,/>是最大迭代次数;
每一步迭代完成后,计算粒子的目标函数值,获得当前步的非劣解集,与原有非劣解集对比,得出整体最新的非劣解集;
当非劣解集的数量超过给定值时,每个网格中随机删去一定数量的非劣解,第j个网格的删除数量为:
;
其中,是当前非劣解集的总数量,/>是给定非劣解集数量限制,/>是第j个网格内的粒子数量。
5.根据权利要求4所述的一种基于浮标平台的多雷达船舶感知网络布设优化方法,其特征在于,S6包括:
S6.3.获得个体历史最优位置和整个粒子群的历史最优位置:
;
为第j个网格被选中的概率,/>是当前非劣解集的总数量,/>是第j个网格内的粒子数量,/>是第n个网格的非劣解集数量;
S6.4.则给定粒子全局变异能力,变异的概率随不成功的重复次数的增加而增大,但最大不超过0.1,变异概率为:
;
其中,是基础变异概率,/>是不成功的迭代次数,/>是一个常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007771.9A CN116757055B (zh) | 2023-08-11 | 2023-08-11 | 一种基于浮标平台的多雷达船舶感知网络布设优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007771.9A CN116757055B (zh) | 2023-08-11 | 2023-08-11 | 一种基于浮标平台的多雷达船舶感知网络布设优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757055A CN116757055A (zh) | 2023-09-15 |
CN116757055B true CN116757055B (zh) | 2024-02-06 |
Family
ID=87959362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311007771.9A Active CN116757055B (zh) | 2023-08-11 | 2023-08-11 | 一种基于浮标平台的多雷达船舶感知网络布设优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757055B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992780B (zh) * | 2023-09-25 | 2024-01-02 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101453555B1 (ko) * | 2013-09-13 | 2014-10-23 | 동강엠텍(주) | 해상교통관제에서 레이더 심벌과 ais 심벌 통합 장치 |
CN110489395A (zh) * | 2019-07-27 | 2019-11-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 自动获取多源异构数据知识的方法 |
CN113160614A (zh) * | 2021-03-25 | 2021-07-23 | 上海海事大学 | 一种冰区近场航路动态优化方法 |
CN217034261U (zh) * | 2021-12-15 | 2022-07-22 | 交通运输部北海航海保障中心青岛航标处 | 基于北斗和ais融合数据通信的雷达应答器及航管系统 |
CN115906398A (zh) * | 2022-10-11 | 2023-04-04 | 大连海事大学 | 一种船舶交通管理系统雷达站选址方法 |
CN116148886A (zh) * | 2022-12-26 | 2023-05-23 | 西南技术物理研究所 | 一种基于浮标激光雷达的高精度风场反演算法 |
-
2023
- 2023-08-11 CN CN202311007771.9A patent/CN116757055B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101453555B1 (ko) * | 2013-09-13 | 2014-10-23 | 동강엠텍(주) | 해상교통관제에서 레이더 심벌과 ais 심벌 통합 장치 |
CN110489395A (zh) * | 2019-07-27 | 2019-11-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 自动获取多源异构数据知识的方法 |
CN113160614A (zh) * | 2021-03-25 | 2021-07-23 | 上海海事大学 | 一种冰区近场航路动态优化方法 |
CN217034261U (zh) * | 2021-12-15 | 2022-07-22 | 交通运输部北海航海保障中心青岛航标处 | 基于北斗和ais融合数据通信的雷达应答器及航管系统 |
CN115906398A (zh) * | 2022-10-11 | 2023-04-04 | 大连海事大学 | 一种船舶交通管理系统雷达站选址方法 |
CN116148886A (zh) * | 2022-12-26 | 2023-05-23 | 西南技术物理研究所 | 一种基于浮标激光雷达的高精度风场反演算法 |
Non-Patent Citations (2)
Title |
---|
AIS虚拟航标的可行性;方英豪;科技创新;全文 * |
Concurrent Processing Cluster Design to Empower Simultaneous Prediction for Hundreds of Vessels’ Trajectories in Near Real-Time;Liye Zhang;IEEE;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116757055A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111427100B (zh) | 一种台风中心定位方法、装置及台风路径生成方法 | |
CN116757055B (zh) | 一种基于浮标平台的多雷达船舶感知网络布设优化方法 | |
CN111157982A (zh) | 基于岸基雷达的智能船舶船岸协同目标跟踪系统和方法 | |
CN111428916B (zh) | 一种海上救援船舶巡航路径规划方法 | |
CN108805350A (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
He et al. | Ship route planning using historical trajectories derived from AIS data | |
Yang et al. | Maritime traffic flow clustering analysis by density based trajectory clustering with noise | |
CN114333424A (zh) | 一种桥梁防船撞监测预警系统 | |
CN114296050B (zh) | 基于激光雷达云图探测的光伏电站短期发电功率预测方法 | |
CN104392113B (zh) | 一种近海海面冷空气大风风速的估算方法 | |
CN112637802A (zh) | 基于无线网络的电力灾害监测节点巡检器 | |
CN115326075A (zh) | 一种基于无人机实现风场全域自动化巡检的路径规划方法 | |
CN111538059A (zh) | 一种基于改进的玻尔兹曼机的自适应快速动态定位系统及方法 | |
CN111257906A (zh) | 一种激光雷达监测系统、方法和装置 | |
CN108012328A (zh) | 一种基于无线传感器网络的水下搜救区域预测方法 | |
CN107066689A (zh) | 一种输电线路风偏故障的气象风险预警方法 | |
CN114154658A (zh) | 一种基于海洋气象的风电场检修航线计算方法及系统 | |
CN112446811A (zh) | 一种基于5g通信技术的渔业海上搜救系统及搜救方法 | |
CN113606099A (zh) | 一种监测风电机组叶片结冰的方法和系统 | |
CN114777030B (zh) | 一种基于nb-iot技术的危化气体监测方法 | |
CN114236644B (zh) | 一种用于港口的船海协同精细化海气观测方法 | |
CN113609406B (zh) | 基于地理编码的高空作业风势信息共享方法、系统及设备 | |
CN115360633A (zh) | 基于数据感知融合的电力网络运维系统及方法 | |
CN111768068B (zh) | 一种海上搜救船舶响应能力评估方法 | |
CN110413656B (zh) | 一种基于高空间分辨率数值模式的急流轴自动识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |