基于数据驱动的无人船艇航线自动生成

发布时间：2017-09-03 20:12

  本文关键词：基于数据驱动的无人船艇航线自动生成

  更多相关文章： 无人船艇 航线自动生成 DBSCAN 数据驱动 Douglas-Peucker IHO S63

【摘要】：作为无人驾驶的海上运载平台,无人船艇可在海洋中承担大范围、长时间、低成本的作业任务。近年来,随着船舶智能化水平的不断提高以及无人驾驶技术的不断发展,无人船艇在军事和民用领域都已有尝试性应用并且取得了一定成功。无人船艇的研究属于多学科交叉、多领域融合的综合项目,且带有一定的前瞻性和创新性。本文以无人船艇为研究对象,以其中的航线自动生成技术为主要研究内容,致力于开展基于轨迹数据和数据驱动技术的航线自动生成方法研究。在国家大数据战略逐步实施和数据科学崛起的大背景下,数据正逐步从一种简单的处理对象转变为一种基础性的战略资源,数据驱动的分析和研究方法也正深刻地改变着传统科学研究的探索方式,成为推动现代社会发展和科技进步的一种新兴模式。传统海事基础设施建设和海事信息化建设在提供监管与服务功能的同时,也积累了海量的海事感知数据。本文正是在DT (Data Technology)时代变革的大背景下,基于海量轨迹数据,应用数据驱动的分析和研究方法,探索无人船艇航线自动生成的新模式。本文的主要工作如下：轨迹数据压缩是基于数据驱动的无人船艇航线自动生成方法的重要组成部分和关键技术之一。当轨迹数据达到大数据量级时会对数据的存储、传输和处理带来极大的困难和挑战；在对轨迹数据进行数据解析、数据清洗等预处理工作后,设计一种基于Douglas-Peucker算法的轨迹数据压缩框架与实现流程；针对Douglas-Peucker算法中唯一参数压缩阈值的确定问题,借鉴船舶领域概念,基于AIS轨迹数据求取最小船舶领域并作为确定压缩阈值的标准；最后通过实例分析和门线统计证实提出的轨迹压缩与阈值确定方法切实有效,可在压缩率高达98%的同时有效剔除原始轨迹数据中的冗余信息,而且较好的保持了原始轨迹的特征。基于轨迹数据压缩提取出的特征点,根据《国际避碰规则》和良好船艺的要求,设立转向点阈值标准并辨识出轨迹特征点中的转向点；针对不同航路轨迹密度和转向点密度不同的特点,在保持DBSCAN (Density-Based Spatial Clustering of Applications with Noise)算法简洁性和高效性的基础上提出层次DBSCAN算法并从空间接近性和转向相似性2个方面综合考虑建立转向点的相似性度量标准对转向点进行聚类,从而识别出相似航迹所形成的航路转向点；然后通过真实航迹判别航路转向点之间的连通性,并确定由航路转向点及其之间的连通性组成的有向图G= (TN, L);最后通过蚁群优化算法智能搜索最优路径,通过实例证明本文提出的航线自动生成方法切实有效,自动生成的航线符合航线设计的基本原理和要求。为改变传统航线安全检测依靠人工目测执行的工作模式,设计一种基于IHO S63标准电子海图数据的航线安全自动检测方法。在实现Blowfish加密解密算法、DSA(Digital Signature Algorithm)数字签名算法和SHA-1 (Secure Hash Algorithm-1)安全散列算法以及CRC32 (Cyclic Redundancy Check 32)循环冗余校验算法的基础上根据IHO S63标准电子海图数据保护方案的策略结构和工作流程对电子海图数据进行解析,针对实现过程中发现的问题借鉴FSA (Formal Safety Assessment)方法的框架对IHO S63标准数据保护方案进行潜在风险分析并提出相应的风险控制方案；最后对电子海图数据进行解析将其转换为符合IHO S57数据传输标准和IHO S52内容显示标准的电子海图数据并最终将其无损转换为SENC,通过提取水深、障碍物等点、线、面海图要素进行航线安全检测,确保自动生成航线的安全性。最后对全文进行了总结,并对可能的研究方向进行了展望。
【关键词】：无人船艇 航线自动生成 DBSCAN 数据驱动 Douglas-Peucker IHO S63
【学位授予单位】：大连海事大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：U675.7
【目录】：

• 创新点摘要5-6
• 摘要6-8
• ABSTRACT8-13
• 第1章 绪论13-23
• 1.1 研究背景13-18
• 1.1.1 无人技术的快速发展13-16
• 1.1.2 国家大数据战略与DT时代16-18
• 1.2 研究意义18-20
• 1.2.1 丰富无人船艇研究内容18-19
• 1.2.2 创新航线自动生成方法19-20
• 1.3 研究内容20-23
• 1.3.1 主要研究内容20-21
• 1.3.2 论文组织结构21-23
• 第2章 无人船艇及数据驱动相关理论知识23-47
• 2.1 无人船艇的发展及展望23-36
• 2.1.1 无人船艇的发展回顾23-29
• 2.1.2 无人船艇中的关键技术29-32
• 2.1.3 无人船艇的应用前景32-34
• 2.1.4 无人船艇的发展趋势34-36
• 2.1.5 小结36
• 2.2 数据驱动的轨迹分析与处理技术36-46
• 2.2.1 数据驱动概述36-37
• 2.2.2 数据驱动的轨迹分析与处理技术37-40
• 2.2.3 轨迹分析与处理技术在海事中的应用40-43
• 2.2.4 数据驱动的轨迹分析与处理技术展望43-45
• 2.2.5 小结45-46
• 2.3 本章小节46-47
• 第3章 基于Douglas-Peucker算法的轨迹数据压缩与阈值确定47-75
• 3.1 轨迹数据压缩框架设计47-56
• 3.1.1 轨迹数据压缩概述47-48
• 3.1.2 Douglas-Peucker算法原理48-50
• 3.1.3 轨迹数据压缩框架与流程设计50-56
• 3.2 压缩阈值的确定56-63
• 3.2.1 轨迹数据压缩阈值的含义56-59
• 3.2.2 船舶领域与压缩阈值的关系59-61
• 3.2.3 基于轨迹数据的压缩阈值确定61-63
• 3.3 实例验证与分析63-73
• 3.3.1 轨迹数据压缩的实例验证63-66
• 3.3.2 轨迹数据压缩的有效性验证66-70
• 3.3.3 轨迹数据压缩的有效性分析70-73
• 3.4 本章小结73-75
• 第4章 基于层次DBSCAN算法的轨迹数据聚类及航线自动生成75-97
• 4.1 航线自动生成框架设计75-78
• 4.1.1 航线设计概述75-76
• 4.1.2 数据驱动的航线自动生成76-77
• 4.1.3 航线自动生成的框架设计77-78
• 4.2 基于层次DBSCAN算法的轨迹数据聚类78-88
• 4.2.1 轨迹转向点辨识78-82
• 4.2.2 DBSCAN算法的原理82-85
• 4.2.3 轨迹数据聚类及航路转向点辨识85-88
• 4.3 航线自动生成应用实例88-96
• 4.3.1 航路转向点连通性辨识88-90
• 4.3.2 蚁群优化算法的原理90-92
• 4.3.3 实例验证与分析92-96
• 4.4 本章小结96-97
• 第5章 基于IHO S63标准电子海图数据的航线安全自动检测97-121
• 5.1 航线安全自动检测框架设计97-101
• 5.1.1 航线安全检测概述97-98
• 5.1.2 IMO对航线安全检测的要求98-99
• 5.1.3 航线安全自动检测框架设计99-101
• 5.2 基于IHO S63标准的电子海图数据解析101-114
• 5.2.1 IHO S63标准的策略结构及参数安全性分析101-106
• 5.2.2 IHO S63标准潜在风险分析及风险控制方案106-111
• 5.2.3 IHO S63标准改进方案及电子海图数据解析111-114
• 5.3 航线安全自动检测应用实例114-120
• 5.3.1 偏航极限与航线领域114-116
• 5.3.2 航线安全自动检测流程116-117
• 5.3.3 实例验证与分析117-120
• 5.4 本章小结120-121
• 第6章 结论与展望121-125
• 6.1 研究结论121-122
• 6.2 研究展望122-125
• 参考文献125-143
• 攻读学位期间公开发表论文143-145
• 致谢145-147
• 作者简介147

【参考文献】

中国期刊全文数据库 前10条

1 唐平鹏;刘德丽;洪昌建;邓廷权;;水面无人艇全局航迹多目标规划算法[J];华中科技大学学报(自然科学版);2015年S1期

2 张树凯;刘正江;张显库;刘玉;;无人船艇的发展及展望[J];世界海运;2015年09期

3 张金水;何立居;李启华;李晓阳;吴国华;;蚁群算法和遗传算法结合的航线生成[J];中国航海;2015年02期

4 汤青慧;唐旭;;限制搜索区域的航线设计两级规划算法[J];中国航海;2015年02期

5 董早鹏;刘涛;万磊;李岳明;廖煜雷;梁兴威;;基于Takagi-Sugeno模糊神经网络的欠驱动无人艇直线航迹跟踪控制[J];仪器仪表学报;2015年04期

6 张树凯;刘正江;张显库;史国友;蔡W，

本文编号：787087