小卫星载AIS海洋监视技术研究进展

海洋安全是国家安全的基本基础和重要组成部分,海洋监视对维护国家海洋权益,保障国家海洋安全具有重要意义。自动识别系统（AIS）是一种重要的海洋监视手段,但是现有的船载和岸基AIS系统受作用距离的限制,其在大范围甚至全球海洋监视中的重要作用与地位并未得到完全体现。随着航天技术特别是小卫星系统技术的快速发展,基于小卫星载AIS实现大范围甚至全球海洋监视已成为现实与可能。在小卫星载AIS基本原理简介的基础上,分析了小卫星载AIS的主要关键技术,综述了国外基于小卫星载AIS海洋监视技术的研究进展,提出了我国小卫星载AIS发展的技术建议。     

星载AIS技术发展与展望

星载 AIS 技术是近年来提出的一个新研究方向,它具有广阔的应用前景,引起了各国学者广泛关注。本文介绍了国外星载 AIS 技术的发展情况,首先介绍船载 AIS 系统的基本情况, 在此基础上详细介绍了星载 AIS 概念和发展现状,然后着重介绍了其相关关键技术的研究进展, 最后指出了星载 AIS 技术可能的进一步发展方向。     

基于星载AIS信息的船舶模拟训练平台

针对传统大型三维视景模拟训练系统存在的真实感差、成本高、人工干预程度大等问题,构建了一种基于星载自动识别系统(Automatic Identification System,AIS)信息的船舶模拟训练平台.该平台引入星载AIS数据提取实船静动态消息,经数据清洗、插值和融合后生成完整航线,能够用AIS真实数据驱动二维电子...     

星载AIS接收冲突分析及仿真

对星载自动识别系统（AIS）所涉及的接收冲突问题及接收概率进行了分析和论证。首先, 建立 了基于星载AIS系统的观察、分析模型;然后,理论分析了星载AIS接收冲突概率并给出了接 收冲突概率公式;最后,对相关理论结果进行了Matlab仿真。     

基于星载SAR与AIS信息融合的海洋监视综述

首先,综述了星载合成孔径雷达(SAR)、自动识别系统(AIS)及基于二者信息融合的海洋监视技术的研究现状;然后,在分析星载SAR与AIS数据特性的基础上,建立了适于二者信息融合处理的特征层融合模型,并深入分析了星载SAR与AIS信息融合的主要关键技术——多目标数据关联技术,在对传统基于位置特征的多目标数据关联方法研究的基础上,提出了基于多特征信息融合的多目标数据关联方法;最后,指出了需要进一步研究的重点问题。     

一种新型星载小型化AIS天线设计与应用

基于传统的倒F型天线,设计了一种M构型的新型小型化星载自动识别系统(AIS)天线。该天线具有尺寸小、质量轻、便于星体安装等优点,天线外形尺寸仅为324 mm?60 mm?263.2 mm。采用CST MICROWAVE STUDIO电磁软件进行仿真设计,在球面近场进行实物单机测试和辐射模型星(Radiating Mockup,RM)测试。天线的仿真和实测结果一致性好,且天线方向图覆盖区域能够满足卫星AIS系统的应用需求,目前已在多颗小卫星上得到成功应用。     

星载AIS检测概率计算模型与算法分析

针对国外星载AIS(Automatic Identification System)系统由于时隙冲突导致检测概率降低的问题,提出了一个检测概率计算模型.通过分析影响检测概率的各种因素,得出概率计算的算法,并对算法进行了理论分析.对于某个具体的星载AIS系统,将系统参数代入到该模型中,可以得到该系统的检测性能,从而为实际...     

基于CRC校验的星载AIS系统接收机

为了提升星载船舶自动识别系统(Automatic Identified System)的接收性能,文中提出了一种改进的星载AIS接收机方案。针对多路信号冲突的情况,研究了采用联合维特比解调(JMLSE)算法的AIS接收机误比特特点,选取合适的2比特CRC纠错算法进行纠错,改善信号解调性能。文中针对两路信号冲突情况,在不同功率比、相对时延和频偏条件下进行方案性能仿真。结果表明,使用2比特CRC纠错算法的星载AIS接收方案能够有效降低接收机误包率。     

基于FPGA的星载AIS信号处理器的设计

针对星载AIS(船舶自动识别系统)接收系统提出了实现信号有效接收的总体方案。重点提供星载AIS信号处理器的硬件电路设计和基于FPGA信号处理软件设计。以AIS接收机整机为测试平台,通过仿真和试验验证了星载AIS接收机整机设计的有效性和可行性,此信号处理器可以满足星载AIS接收机的需求。     

星载AIS接收系统设计及关键技术

针对星载AIS(船舶自动识别系统)接收系统覆盖范围广、运动速度快等特点,提出了三种实现信号有效接收的总体方案.采用盲分离阵列信号处理方法、非线性测频和非相干解调方法解决了星载AIS接收系统中面临的信号碰撞、多普勒频移信号解调等关键技术问题,仿真和外场实验验证了方案的有效性和可行性.     

星载AIS消息碰撞的MATLAB仿真

通过接收船舶自识别系统(AIS)广播消息,AIS卫星星座能够实现覆盖全球的船舶监视,但广播消息的时域碰撞将极大影响其性能指标。使用MATLAB模拟海上船只状态,对船舶自识别系统通信协议进行高度还原,研究星载AIS消息碰撞情况。仿真结果表明,在不同任务、不同条件下,星载AIS接收机天线均存在最优覆盖范围。仿真分析结果可为AIS微小卫星设计提供参考。     

星载AIS信号的频偏估计

星载自动识别系统(AIS)中信号存在严重的多普勒频偏,影响信号的正确解调,而传统的基于快速傅里叶变换(FFT)的频偏估计算法其估计范围无法满足需要.为此,提出了一种改进的自相关-FFT频偏估计算法,通过构造辅助函数以确定信号频偏的正负号,在此基础上对基于FFT的频偏估计算法进行改进,从而扩大频偏估计范围,实现对大的多普勒频移的估计.仿真和实验结果均表明,改进算法的频偏估计范围扩大为原来的2倍,具有很高的估计精度,十分接近修正后的克拉美罗界,且算法简单、易于实现.     

一种利用相位跟踪的星载AIS 信号单通道分离算法

针对星载船舶自动识别系统(AIS)中无法避免的信号混叠问题,研究了突发混叠信号单通道分离中广泛应用的逐幸存路径处理(PSP)与最大似然接收解调,提出了一种基于相位跟踪的AIS 信号单通道分离算法。该算法通过最小化混叠信号状态转移表中的欧氏距离,解决了信道估计与跟踪中由频偏和调制系数估计误差导致的相位畸变问题。仿真表明,该算法相位跟踪性能在归一化频偏误差(相对符号速率)大于2×10-2时仍然能收敛,该算法的解调误码率与抗频偏的PSP 算法及线性联合检测算法相比,当误码率等于10-3时,同道干扰信道下具有2 dB ～4 dB 的信干比性能优势。     

AIS地面测试系统设计概要

星载AIS系统通过对可视范围内的船舶信号进行监听和解调,并将解调后的信息打包下传至地面站,为海洋管理及船舶运营提供了大范围、高效率的状态数据。AIS分系统接收机主要实现对船载AIS信号的实时捕获和数据解调功能,为完成对AIS分系统接收机的综合测试,进行AIS地面测试系统信号源的研制。AIS地面测试系统信号源主要任务是通过对低轨卫星、船舶状态等的仿真和维持,依据国际电联无线电通讯部门ITU-RM.1371-5建议书规定的通信协议实时生成仿真数据、通信帧并模拟生成AIS信号,从而对AIS星载接收机功能和性能进行评估。     

一种改进的星载AIS信号非相干解调算法

针对星载船舶自动识别系统(AIS)无法避免的信号混叠问题,研究了AIS系统中应用最广泛的1比特差分和2比特差分解调,提出了一种1、2、3比特联合差分反馈的AIS信号非相干解调算法。该算法基于贝叶斯线性模型建立了最大似然估计的1、2、3比特联合差分解调结构,验证了在加性高斯信道中该算法比传统非相干解调算法有更好的抗信号混叠能力。仿真实验表明:该算法的解调误码率与1、2比特联合差分及2、3比特联合差分相比,当误码率(BER)等于10-2时,在加性高斯信道(AWGN)下具有1.5 dB的性能优势,同道干扰信道(CCI)下具有1~2 dB的性能优势。     

AIS技术在VTS系统的应用

描述自动识别系统(AIS)技术性能,探讨目前船舶交管系统(VTS)存在的缺陷,分析基于AIS的VTS系统技术,并指出其优势、意义和广阔的应用前景。     

星载AIS的复值FastICA算法改进

针对星载船舶自动识别系统( AIS )的含噪复值信号盲分离算法分离效果不佳的问题,提出了改进的复值快速独立分量分析算法( FastICA)。该改进算法针对混合信号数目大于源信号数目的超定情况,对含噪混合信号的协方差矩阵进行特征值分解,利用其噪声对应的几个较小特征值估计噪声方差,修正白化矩阵,再应用Huber M估计函数优化该算法的目标函数。实验结果表明,运用该算法信号均方误差( SMSE)变小,信干比( SIR)变大,提高了信号的分离性能;同时,优化后的目标函数使算法具有良好的稳健性。     

星载海洋监视雷达系统

文中在比较星载海洋监视设备特点的基础上,指出了雷达用于海洋监视的独特优势,并对假设的星载海洋监视雷达系统的工作波段、工作模式、威力覆盖、检测能力进行了具体讨论,分析了星载海洋监视雷达的关键技术。最后指出随着技术的发展,雷达必将成为下一代星载海洋监视的首选设备。     

星载AIS接收链路设计与仿真

分析和论证了自动识别系统(AIS)在低轨卫星中应用所涉及的相关问题,阐述了AIS系统特征 ,理论分析了低轨卫星与目标船舶的作用距离、低轨卫星的运行周期、多普勒频移对星载AI S通信的影响,并对星载接收链路进行了预计,给出了星载AIS接收机的实现方案。最后,对 相关理论结果进行了仿真。