基于全球AIS的多源航迹关联数据集

数据、算法和算力是当前人工智能技术发展的3大推力,考虑到智能关联算法研究的迫切需求和多雷达协同观测航迹数据获取困难,针对航迹关联数据集缺失问题,该文公开了多源航迹关联数据集(MTAD),其由全球AIS航迹数据经栅格划分、自动中断和噪声添加处理步骤构建。该数据集包括训练集和测试集两大部分,共有航迹百万余条,其中训练集包含5000个场景样本,测试集包含1000个场景样本,每一个场景样本由几个到几百个数量不等的航迹构成,涵盖多种运动模式、多种目标类型和长度不等的持续时间。同时,进一步对构造的MTAD数据集进行可视化分析,详细研究了各个栅格内航迹的特点,证明了该数据集的丰富性、合理性和有效性。最后,作为参考,给出了关联评价指标和关联基线结果。该数据集目前已被用作海军“金海豚”杯竞赛科目专用数据集。     

基于运动方程的目标航迹模拟方法

雷达情报模拟的关键是目标航迹模拟和雷达探测模拟,但目前的航迹模拟方法不能很好地体现目标的实际运动特性。文章提出了一种基于运动方程的航迹模拟方法,该方法用3种基本的目标运动方程模拟目标航迹,并在用符合扰动分布规律的随机数模拟各种扰动的同时模拟对扰动引起的偏差进行纠偏的过程。该方法产生的航迹模型真实地接近空中目标实际运动轨迹,更符合目标的实际运动特性。仿真实验结果表明了该方法的有效性。     

一种基于目标运动特性的航迹模拟方法

为更好地贴近实战,模拟出"逼真"的目标航迹,采用一种基于目标运动特性的航迹模拟方法,将传统航迹分段合成,并与匀速、匀加速及匀速转弯等运动规律结合.不同模型下的仿真结果表明,此方法可以实现战场环境下海空目标的运动轨迹构造,可满足部队日常训练目的和要求.搭建的模型可为其他雷达系统提供参考.     

基于航迹关联方法的运动车辆检测方法

本文研究了毫米波雷达在智能车辆上的应用,借鉴航迹关联的方法,采用邻近距离法来关联雷达帧间目标,从而达到运动车辆检测的目的,实验结果证明了该方法的有效性和可行性。     

基于HBase的AIS数据分布式存储

自动识别系统(AIS)给船舶提供了电子身份标示。目前AIS数据主要通过关系数据库存储,由于AIS数据不断增加,该存储方式面临着扩展困难,存取效率低的问题。提出一种基于分布式并行处理框架Hadoop利用列数据库HBase存储AIS数据的方法。实验结果表明,Hbase实现了对AIS数据的高效存取。     

基于目标运动特性的三维航迹模拟方法

针对现有航迹模拟方法对目标运动特性考虑不足,以及缺少航迹可飞行检验等问题,提出了一种基于目标运动特性的航迹产生方法。该绘制航迹方法灵活方便,产生的航迹能较好反映目标运动特性,满足飞行目标的过载约束和加速度约束。仿真结果表明,该方法是可行和有效的。     

基于广义绝对灰关联度的航迹关联算法

为提高船舶航行安全和海面预警探测能力,对AIS与雷达目标航迹关联问题进行了研究,提出了一种基于广义绝对灰关联度理论的AIS与雷达目标航迹关联算法。该算法结合目标状态的历史信息来计算广义绝对灰关联系数,结合广义绝对灰关联系数的历史信息来得到广义绝对灰关联度,进而通过寻找最大广义绝对灰关联度来进行航迹关联判决。通过典型环境下的仿真,显示了该算法较好的航迹关联性能,并且在密集目标环境下,该算法也具有很好的适应性。     

基于多项式卡尔曼滤波的船舶轨迹预测算法

考虑到在船舶航行的实际过程中,船舶自动识别系统（AIS）设备提供的船舶运动点迹往往呈现出信息缺失、非线性、多机动的问题,导致利用AIS设备辅助海上指挥系统难以准确判断船舶位置。针对以上问题,本文在传统卡尔曼滤波理论的基础上构建多项式卡尔曼滤波器拟合非线性系统,补偿航迹定位数据信息缺失、更新较慢等问题,并基于经纬度信息预测船舶运动轨迹。结果表明,该方法实现简单且收敛迅速,能够有效解决实际过程中船舶轨迹的预测问题,满足基本的实效性与准确性,能够为相关海事部门预测船舶目的、行为提供较为可靠的辅助手段。      

层次聚类的航迹起始算法

针对无源侦察数据不存在周期扫描、目标定位点迹间的时间间隔随机以及目标数量、运动特性等多项先验信息缺乏状况下的多目标检测问题,提出了层次聚类的航迹起始算法。该算法首先利用信号载频、重频、脉宽参数体制的不同对量测记录集进行粗聚类;其次对雷达工作体制相同的每一个子类,采用K-means算法对其载频、重频、脉宽三个信号参数进行精聚类;再次对属性聚类后的每一个子类构造所有可能的配对点迹,并计算其分维速度,利用速度法筛选出满足速度约束条件的点迹;最后对筛选出的点迹按接收时间重新排序,利用扩展的搜索算法从第一个时刻开始搜索目标航迹。仿真与真实数据的实验结果验证了本文算法的有效性和实用性。      

基于小波神经网络的船舶航迹盲区补偿方法

本文利用小波神经网络实现内河船舶GPS／GPRS导航跟踪航迹的盲区补偿。本算法采用神经网络的并行处理方法,结合小波权值分解,实现高精度的在线航迹盲区补偿。仿真和实际测试结果显示,采用本算法进行航迹盲区补偿,目标的运动轨迹是连续的,在线航迹盲区补偿精度高,实时测误跟踪准确。     

基于数据拟合的航迹关联方法

航迹关联对航迹融合结果具有决定性影响。为了解决组网雷达存在系统误差情况下的航迹关联问题,以不同雷达的量测位置偏差建立粗关联门限进行航迹粗关联。对仍存在歧义的航迹,运用最小二乘法进行数据拟合,得到量测序列的对应系数,建立局部关联门限,仿真结果显示了该算法的有效性。     

基于人体运动识别约束的室内定位方法

针对传统的行人航迹推算（Pedestrian Dead Reckoning,PDR）方法无法满足多运动状态下的定位问题,提出了一种基于神经网络运动识别辅助室内定位的方法。构建出卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元（Gated Recurrent Unit,GRU）组合的神经网络模型,用于识别人体的运动状态并完成分类。根据运动分类的结果应用到行人航迹推算中,分析和筛选运动参数特征作为算法的阈值约束条件来提高定位精度。在算法中运动步数由合加速度计数据波形检测得到,步长由运动状态的特征自适应调整步长模型。通过实验验证,CNN-GRU模型在自建数据集上的准确率达到99.6%。将识别结果应用到PDR中,在112 m 4种动作的矩形路线中定位误差为1.8 m,误差远低于传统PDR定位的19.9 m。实验结果验证了该方法的可行性。     

多传感器航迹仿真平台的设计与实现

在多传感器数据融合系统的开发和测试评估中,迫切需要一个尽量真实准确的开发调试环境。航迹仿真平台能够为数据融合系统产生不同场景下的观测数据,为数据融合系统的研究、开发提供了好的支撑环境,便于测试融合系统性能。描述了航迹仿真平台的功能和信息流程,介绍了平台的软、硬件组成和各个模块的实现方法。     

基于OSG的船舶及目标航迹管理的设计与实现

采用QT Creator和C++语言开发了基于OSG的船舶及目标航迹管理系统,岸基指挥中心与各船舶通过专用无线网络进行实时数据通信.利用无线网络将船舶及其传感器目标传送至岸基地面指挥中心,岸基船舶及目标航迹管理系统通过OSG提供的谷歌地图将船舶及其传感器目标的位置实时显示电子地图上,利用MYSQL数据库保存船舶及其传感器目标的位置信息,以此实现特定时间段内船舶及目标航迹的回放.     

一种视频监控中基于航迹的运动小目标检测算法

针对视频监控中运动小目标难以检测的问题,该文提出一种基于航迹的检测算法。首先,为了降低检测漏警率,提出区域纹理特征与差值概率融合的自适应前景提取方法;其次,为了降低检测虚警率,设计航迹关联的概率计算模型以建立疑似目标在视频帧间的关联,并设置双门限以区分疑似目标中的真实目标与虚假目标。实验结果表明,与多种经典算法相比,该算法能对定量范围内的运动小目标以更低的漏警率和虚警率实施准确检测。     

基于卫星平台的AIS接收机设计

当前日益严峻的国际反海盗局势以及海军远海训练护航,迫切需要通过卫星平台侦收船舶的船舶自动识别系统(Automatic Identification System,AIS)信号来建立全球海域的船舶运行态势信息。通过分析船舶AIS信号特征和星上接收AIS信号的可行性,提出了一种星载双通道AIS接收机的实现方案。采用AIS训练序列模板相关匹配技术和瞬时测频实时纠偏技术,很好地解决了星上信号接收同步和多普勒频偏误判的问题。与传统方案相比,具有对卫星平台要求低、体积小和功耗低等优点。通过仿真分析和地面有线测试表明,基于该设计的星载AIS接收机很好地实现了对卫星覆盖区域内AIS信号的接收和解析。     

基于嵌入式系统的典型雷达航迹仿真与实现

针对雷达模拟器航迹模拟的需要,采用一种基于目标运动方程的航迹模拟方法,建立了仿真目标直线型、水平圆周型和垂直圆周型3种典型雷达航迹模型。利用VisualC#语言,在嵌入式系统上对3种模型进行了仿真。同时,借助于GDI＋技术,在PPI模拟显示界面上实现了对航迹坐标点的动态模拟及其图形化显示。实践证明,所述模型较为简单,可操作性强,可以满足仿真平台的要求。     

基于GPS的目标航迹向与航速数据处理方法研究

主要介绍基于GPS的目标位置测量中,利用数据拟合的方法,得到逼近的目标运动轨迹曲线函数。通过对拟合曲线函数的微分运算,得到目标航迹向与航速数据。阐述了该方法在MATLAB的软件实现手段及在实际工程中的应用价值。     

基于CEEMD-PSO-MNN的船舶航迹预测

船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。