在“无人船”从投入使用到全面普及的过程中,必将经历“无人船对有人船”模式下的两类或多类型船舶会遇的复杂过渡时期。这个时期是海上航行安全研究的瓶颈期,也是在研究过程中考虑的影响因素最多、海域环境最复杂的时期。为此本论文尝试在“无人船对有人船”模式条件下,开展无人船舶智能避碰决策及关键技术的研究,并以“基于Seq-CGAN与操纵行为基拼接的船舶智能避碰决策结构化学习”为选题,研究如何生成合理有效的船舶智能避碰决策新方法。将自动识别系统(Automatic Identification System,AIS)大数据与人工智能/机器学习的相关理论进行有效结合,期望能够提升船舶智能避碰决策的实用性、有效性和合理性。本文以AIS大数据为研究基础,围绕船舶智能避碰决策及关键技术,对相关问题进行分析研究,针对AIS大数据挖掘、船舶会遇数据提取、船舶轨迹关键特征点识别、船舶航行行为预测、船舶操纵行为识别以及避碰决策学习等多个方面进行研究。整体采取“大数据挖掘”-“大数据分析”-“大数据学习”的研究流程,对船舶智能避碰决策进行研究,力求得出拟人化的贴近常规海上做法的船舶智能避碰决策。同时,本文基于2018年宁波舟山、2015年天津港区、2017年老铁山水道附近水域和2017年成山头附近水域AIS实船轨迹数据,进行了上述方法的验证和神经网络训练。本文使用AIS大数据,克服了以往对于数据来源可靠性较低、说服力不足以及收集基础数据困难等缺点。从AIS大数据中提取海上成功避碰案例,建立船舶避碰行为模式库,通过机器学习训练得出合理有效的避碰决策。本论文的主要研究内容有:(1)应用支持向量分类机(Support Vector Classification,SVC)模型,构造船舶会遇方位图。识别AIS数据中实际发生船舶会遇的轨迹数据,计算得出船舶会遇对应的方位散点,将大数据挖掘的结果与《国际海上避碰规则》相结合,精确量化船舶会遇方位各边界数值,得出船舶会遇8方位图和12类船舶会遇模式;(2)提出改进的变尺度Sliding window算法,构建船舶轨迹点的价值衡量体系,识别并提取AIS轨迹数据中具有时空特性的关键特征点。提升整体AIS数据质量,降低后续研究的运算量,挖掘轨迹数据中隐藏的船舶操纵行为;(3)提出船舶操纵行为基(Ship Handling Behavior Basic,SHBB)的概念。在船舶轨迹关键特征点的位置切割船舶轨迹,采用T分布随机近邻嵌入(T-Distributed Stochastic Neighbor Embedding,T-SNE)和谱聚类的联合算法对截断产生的船舶子轨迹段进行聚类分析,得到1 1类船舶的操纵行为模式;(4)构建双向长短时记忆循环神经网络(Bidirectional Long Short-Term Memory Recurrent Neural Network,Bi-LSTM RNN)来预测船舶航行行为,预判他船航行时的操纵意图,提高船舶智能避碰系统的准确性、有效性和先验性;(5)基于提取出的船舶会遇避碰成功案例,构建Encoder-Decoder应答式网络对船舶避碰行为模式库进行seq2seq的结构化机器学习,快速学习经过筛选识别的船舶会遇数据,通过应答的方式生成船舶避碰决策;(6)将训练成熟的Encoder-Decoder网络迁移嵌套进入条件-生成对抗神经网络之中并结合所提出的船舶操纵行为基拼接规则构建基于序列-条件生成对抗神经网络(Sequence Conditional Generative Adversarial Networks,Seq-CGAN)的船舶智能避碰拟人化决策的结构化学习模型,使生成的决策更为贴近海上航行的通常做法以及良好船艺的要求,提高与有人船的融合性,力求得出拟人化的船舶智能避碰决策。综上所述本文有效地提升了船舶避碰的智能化水平,降低了船舶碰撞风险,对保障船舶海上航行安全具有现实意义,为数据科学在海事领域中的应用提供了重要理论基础,为人工智能技术在船舶驾驶方向的应用提供研究支持。
基本信息
题目 | 基于Seq-CGAN与操纵行为基拼接的船舶智能避碰决策结构化学习 |
文献类型 | 博士论文 |
作者 | 高邈 |
作者单位 | 大连海事大学 |
导师 | 史国友 |
文献来源 | 大连海事大学 |
发表年份 | 2021 |
学科分类 | 工程科技Ⅱ辑 |
专业分类 | 船舶工业 |
分类号 | U675.96 |
关键词 | 数据,船舶操纵行为基,结构化学习,拟人化避碰决策 |
总页数: | 178 |
文件大小: | 18715k |
论文目录
创新点摘要 |
摘要 |
ABSTRACT |
符号说明 |
1 绪论 |
1.1 研究背景 |
1.1.1 海上航行安全保障研究背景 |
1.1.2 智能/无人/自主船研究背景 |
1.1.3 大数据背景 |
1.2 国内外相关研究现状及进展 |
1.2.1 自动避碰 |
1.2.2 智能避碰 |
1.3 研究目的和研究意义 |
1.4 本文主要研究思路及技术路线 |
1.5 研究内容及方法 |
2 基于SVC的船舶会遇方位区域划分 |
2.1 基于AIS数据的船舶会遇数据提取 |
2.1.1 船舶会遇要素计算 |
2.1.2 对遇局面数据提取 |
2.1.3 追越局面数据提取 |
2.1.4 交叉相遇局面数据提取 |
2.2 基于SVC的船舶会遇方位区域划分 |
2.3 船舶避碰海上会遇方位图谱以及会遇模式识别 |
2.4 本章小结 |
3 基于改进的变尺度Sliding window算法的船舶时空特性关键特征点提取 |
3.1 原始Sliding window算法 |
3.2 时空距离偏移改进 |
3.3 角度偏移改进 |
3.4 改进的变尺度Sliding window算法提取关键特征点 |
3.5 算法阈值选定 |
3.6 关键特征点算法提取效率对比 |
3.7 本章小结 |
4 基于T-SNE和谱聚类的船舶操纵行为降维与识别 |
4.1 船舶操纵行为单元筛选 |
4.1.1 船舶AIS子轨迹段七元组 |
4.1.2 船舶AIS轨迹单元筛选 |
4.2 基于T-SNE的船舶轨迹单元降维与可视化 |
4.3 基于谱聚类算法识别船舶操纵行为基 |
4.3.1 谱聚类算法 |
4.3.2 聚类算法对比 |
4.4 船舶操纵行为基 |
4.5 本章小结 |
5 基于Bi-LSTM RNN的有人船航行行为预测 |
5.1 RNN网络结构 |
5.2 LSTM细胞结构 |
5.3 双向循环神经网络 |
5.4 Bi-LSTM RNN船舶航行行为预测模型 |
5.5 本章小结 |
6 基于Seq-CGAN的船舶智能避碰拟人化决策的结构化学习 |
6.1 训练数据准备 |
6.2 训练数据标准化 |
6.3 GAN网络及改进策略 |
6.3.1 GAN网络 |
6.3.2 GAN网络的缺点以及相应的改进策略 |
6.4 基于Encoder - Decoder的自动应答网络的结构化船舶避碰模式学习 |
6.4.1 结构化学习 |
6.4.2 seq2seq模型 |
6.4.3 基于Encoder-Decoder的船舶避碰模式结构化学习 |
6.4.4 迁移学习 |
6.5 船舶操纵行为基拼接规则 |
6.5.1 胶囊化结构拼接 |
6.5.2 拼接阈值选择 |
6.6 基于Seq-CGAN的船舶智能避碰拟人化决策的结构化学习模型 |
6.7 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
作者简历及攻读博士学位期间的科研成果 |
致谢 |
相似文献
[1]多动力定位船避碰控制方法研究[D]. 徐玉杰.哈尔滨工程大学2018 |
[2]基于规则的船舶智能避碰决策关键技术研究[D]. 倪生科.大连海事大学2020 |
[3]基于电子海图的多船避碰决策及路径规划研究[D]. 吕红光.大连海事大学2019 |
[4]海上多目标船智能避碰辅助决策研究[D]. 陈立家.武汉理工大学2011 |
[5]内河船舶操纵及避碰决策优化研究[D]. 程细得.武汉理工大学2007 |
[6]船舶碰撞风险评价与避碰决策方法研究[D]. 张金奋.武汉理工大学2013 |
[7]船舶自动避碰决策系统的研究[D]. 郑中义.大连海事大学2000 |
[8]船舶避碰自动化关键技术研究[D]. 陈国权.大连海事大学2016 |
基于Seq-CGAN和操纵行为库的船舶智能避碰决策的结构化学习
下载Doc文档