AIS系统的最小二乘向量机数据修复算法研究
发布时间：2021-10-13 06:55
AIS是船舶安全系统中的一个重要子系统,能够为海上交通管理信息化提供必要的船舶静态与动态数据。但是AIS系统受多种因素的影响会产生大量的异常数据,误导船舶避碰决策,难以满足海事监管要求,所以必须对AIS系统中的异常数据进行修复,以保证AIS系统数据的完整性、连续性和可靠性。本文阐述了AIS系统的工作原理与异常数据的成因,基于最小二乘向量机算法构建起AIS系统异常数据修复模型,并对模型进行优化,建立PSO-LSSVM模型,提高了异常数据修复的准确性。
【文章来源】：舰船科学技术. 2020,42(14)北大核心
【文章页数】：3 页
【部分图文】：
基于LSSVM的数据修复流程Fig.4DatarepairprocessbasedonLSSVM
现系统失效、数据丢失、数据损坏等问题，或在数据传输过程中存在错误、噪声、不完整等质量问题，上述情况均属于异常AIS数据的界定范畴。在船舶航行过程中，AIS系统具备基本的安全保障功能，这种功能是每种船舶都必须配置的。但是，AIS系统的覆盖范围孝信号衰减严重、信道容量不足，使得原始数据在传输中可能会发生差错和丢失现象。针对这种现象，AIS系统会加入抗干扰功能，通过滤波、校准、修复，可以大大降低异常数据的出现概率[5–6]。图1AIS系统的工作原理示意图Fig.1SchematicdiagramofAISsystem2AIS系统的最小二乘向量机数据修复算法异常数据修复是为了获取更加准确的AIS数据，即目标船舶在某一时间点上的航速、航向和经纬度等准确数据，可针对不同的异常数据类型采用不同的算法，其异常数据修复的总流程如图2所示。由流程图可以看出，通过采用插值修复法，可以快速建立起修复模型，从而避免了出现长时间的数据丢失现象。下面将结合最小二乘向量机算法（LSSVM），对AIS数据的采集过程进行进一步分析。图2不同类型AIS异常数据修复流程图Fig.2FlowchartofdifferenttypesofAISabnormaldatarepair2.1采集数据样本首先利用LSSVM对丢失数据进行修复，建立修复模型。然后经过多次的数据实测，对该模型中的各项关键参数进行修正，优化LSSVM模型。在数据修复流程运行之前，需要构造数据样本，样本信息包括日期时间、经度、纬度、对地速度和对地航向。船舶在航道运行过程中，航行的动态信息与通航环境的变化存在着高度关联，为保证数据修复的准确性，需要采集数据所处于环境的相关信息，这些信息应为水文历史环境数据，包括洪水期、枯水期、水位、流速以及航
[5–6]。图1AIS系统的工作原理示意图Fig.1SchematicdiagramofAISsystem2AIS系统的最小二乘向量机数据修复算法异常数据修复是为了获取更加准确的AIS数据，即目标船舶在某一时间点上的航速、航向和经纬度等准确数据，可针对不同的异常数据类型采用不同的算法，其异常数据修复的总流程如图2所示。由流程图可以看出，通过采用插值修复法，可以快速建立起修复模型，从而避免了出现长时间的数据丢失现象。下面将结合最小二乘向量机算法（LSSVM），对AIS数据的采集过程进行进一步分析。图2不同类型AIS异常数据修复流程图Fig.2FlowchartofdifferenttypesofAISabnormaldatarepair2.1采集数据样本首先利用LSSVM对丢失数据进行修复，建立修复模型。然后经过多次的数据实测，对该模型中的各项关键参数进行修正，优化LSSVM模型。在数据修复流程运行之前，需要构造数据样本，样本信息包括日期时间、经度、纬度、对地速度和对地航向。船舶在航道运行过程中，航行的动态信息与通航环境的变化存在着高度关联，为保证数据修复的准确性，需要采集数据所处于环境的相关信息，这些信息应为水文历史环境数据，包括洪水期、枯水期、水位、流速以及航道地理特征等方面数据。在得到船舶AIS系统的数据列表后，需要对所有的数据进行整理，提取出每组数据的特征量，再根据时间顺序进行重新排列。对错误AIS数据进行清除，进而可以构建起完整AIS轨迹库。修复模型的工作流程如图3所示。图3修复模型的工作流程Fig.3Workflowforrepairingthemodel2.2建立模型xδ2针对AIS系统异常数据的特点，选择径向基内核（RBF）建立起LSSVM数据修复模型，该模型可将对象
【参考文献】：
期刊论文
[1]基于高低搭配的船用AIS与舰载导航雷达的应用[J]. 安少明. 电子技术与软件工程. 2019(03)
[2]基于运动模式的船舶轨迹分段压缩算法[J]. 盛凯,刘忠,周德超,冯成旭. 海军工程大学学报. 2018(06)
[3]高港船闸智能化调度管理系统的设计与研制[J]. 钱江,张桂荣,何平,姚江,顾宋华,季建中. 中国水运(下半月). 2018(11)
[4]基于最小二乘支持向量机逆系统的五自由度无轴承同步磁阻电机解耦控制[J]. 朱熀秋,曹莉,李衍超,刁小燕. 中国电机工程学报. 2013(15)
[5]时滞不确定系统的支持向量机滑模控制[J]. 赵倩,陈志梅,张井岗. 太原科技大学学报. 2012(02)
[6]基于支持向量回归的装备可靠性评估新方法[J]. 吴军,邓超,邵新宇,毛宽民. 高技术通讯. 2011 (10)
本文编号：3434169
【文章来源】：舰船科学技术. 2020,42(14)北大核心
【文章页数】：3 页
【部分图文】：
基于LSSVM的数据修复流程Fig.4DatarepairprocessbasedonLSSVM
现系统失效、数据丢失、数据损坏等问题，或在数据传输过程中存在错误、噪声、不完整等质量问题，上述情况均属于异常AIS数据的界定范畴。在船舶航行过程中，AIS系统具备基本的安全保障功能，这种功能是每种船舶都必须配置的。但是，AIS系统的覆盖范围孝信号衰减严重、信道容量不足，使得原始数据在传输中可能会发生差错和丢失现象。针对这种现象，AIS系统会加入抗干扰功能，通过滤波、校准、修复，可以大大降低异常数据的出现概率[5–6]。图1AIS系统的工作原理示意图Fig.1SchematicdiagramofAISsystem2AIS系统的最小二乘向量机数据修复算法异常数据修复是为了获取更加准确的AIS数据，即目标船舶在某一时间点上的航速、航向和经纬度等准确数据，可针对不同的异常数据类型采用不同的算法，其异常数据修复的总流程如图2所示。由流程图可以看出，通过采用插值修复法，可以快速建立起修复模型，从而避免了出现长时间的数据丢失现象。下面将结合最小二乘向量机算法（LSSVM），对AIS数据的采集过程进行进一步分析。图2不同类型AIS异常数据修复流程图Fig.2FlowchartofdifferenttypesofAISabnormaldatarepair2.1采集数据样本首先利用LSSVM对丢失数据进行修复，建立修复模型。然后经过多次的数据实测，对该模型中的各项关键参数进行修正，优化LSSVM模型。在数据修复流程运行之前，需要构造数据样本，样本信息包括日期时间、经度、纬度、对地速度和对地航向。船舶在航道运行过程中，航行的动态信息与通航环境的变化存在着高度关联，为保证数据修复的准确性，需要采集数据所处于环境的相关信息，这些信息应为水文历史环境数据，包括洪水期、枯水期、水位、流速以及航
[5–6]。图1AIS系统的工作原理示意图Fig.1SchematicdiagramofAISsystem2AIS系统的最小二乘向量机数据修复算法异常数据修复是为了获取更加准确的AIS数据，即目标船舶在某一时间点上的航速、航向和经纬度等准确数据，可针对不同的异常数据类型采用不同的算法，其异常数据修复的总流程如图2所示。由流程图可以看出，通过采用插值修复法，可以快速建立起修复模型，从而避免了出现长时间的数据丢失现象。下面将结合最小二乘向量机算法（LSSVM），对AIS数据的采集过程进行进一步分析。图2不同类型AIS异常数据修复流程图Fig.2FlowchartofdifferenttypesofAISabnormaldatarepair2.1采集数据样本首先利用LSSVM对丢失数据进行修复，建立修复模型。然后经过多次的数据实测，对该模型中的各项关键参数进行修正，优化LSSVM模型。在数据修复流程运行之前，需要构造数据样本，样本信息包括日期时间、经度、纬度、对地速度和对地航向。船舶在航道运行过程中，航行的动态信息与通航环境的变化存在着高度关联，为保证数据修复的准确性，需要采集数据所处于环境的相关信息，这些信息应为水文历史环境数据，包括洪水期、枯水期、水位、流速以及航道地理特征等方面数据。在得到船舶AIS系统的数据列表后，需要对所有的数据进行整理，提取出每组数据的特征量，再根据时间顺序进行重新排列。对错误AIS数据进行清除，进而可以构建起完整AIS轨迹库。修复模型的工作流程如图3所示。图3修复模型的工作流程Fig.3Workflowforrepairingthemodel2.2建立模型xδ2针对AIS系统异常数据的特点，选择径向基内核（RBF）建立起LSSVM数据修复模型，该模型可将对象
【参考文献】：
期刊论文
[1]基于高低搭配的船用AIS与舰载导航雷达的应用[J]. 安少明. 电子技术与软件工程. 2019(03)
[2]基于运动模式的船舶轨迹分段压缩算法[J]. 盛凯,刘忠,周德超,冯成旭. 海军工程大学学报. 2018(06)
[3]高港船闸智能化调度管理系统的设计与研制[J]. 钱江,张桂荣,何平,姚江,顾宋华,季建中. 中国水运(下半月). 2018(11)
[4]基于最小二乘支持向量机逆系统的五自由度无轴承同步磁阻电机解耦控制[J]. 朱熀秋,曹莉,李衍超,刁小燕. 中国电机工程学报. 2013(15)
[5]时滞不确定系统的支持向量机滑模控制[J]. 赵倩,陈志梅,张井岗. 太原科技大学学报. 2012(02)
[6]基于支持向量回归的装备可靠性评估新方法[J]. 吴军,邓超,邵新宇,毛宽民. 高技术通讯. 2011 (10)
本文编号：3434169
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3434169.html
