基于多源数据融合的船舶位置识别方法.pdf

《基于多源数据融合的船舶位置识别方法.pdf》由会员分享，可在线阅读，更多相关《基于多源数据融合的船舶位置识别方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910167773.1 (22)申请日 2019.03.06 (71)申请人 国网福建省电力有限公司莆田供电 公司 地址 351100 福建省莆田市城厢区霞林街 道南园东路999号 申请人 国网福建省电力有限公司 (72)发明人 杨祖培徐丽红陈奇太李宏发 黄咏林明星唐泉彬许奕平 潘文庆 (74)专利代理机构 厦门市首创君合专利事务所 有限公司 35204 代理人 张松亭李艾华 (51)Int.Cl. G01S 13/86(2006.01) G01S 13/42(2006.0。

2、1) (54)发明名称 一种基于多源数据融合的船舶位置识别方 法 (57)摘要 本发明涉及一种基于多源数据融合的船舶 位置识别方法， 包括： 数据校准， 接收雷达发送的 船舶位置数据及AIS发送的船舶位置数据， 进行 时间搬移和坐标变换， 以使雷达发送的船舶位置 数据和AIS发送的船舶位置数据形成统一的时间 和空间参考点； 数据融合， 使用正态隶属函数法 对数据校准后的雷达测量数据及AIS测量数据进 行数据融合； 坐标预测， 使用卡尔曼滤波算法对 船舶的轨迹进行预测， 估计出船舶的坐标位置。 本发明使用多源数据融合技术对雷达和AIS检测 到的数据进行融合， 通过卡尔曼滤波算法对船舶 的轨迹进行。

3、预测， 估计出船舶的坐标位置， 一旦 船舶进入被禁区域且有抛锚趋势， 可自动对相应 船舶发出警告或驱离以达到保护海域的作用。 权利要求书2页 说明书5页 附图1页 CN 109856625 A 2019.06.07 CN 109856625 A 1.一种基于多源数据融合的船舶位置识别方法， 其特征在于， 包括： 数据校准， 接收雷达发送的船舶位置数据及AIS发送的船舶位置数据， 进行时间搬移和 坐标变换， 以使雷达发送的船舶位置数据和AIS发送的船舶位置数据形成统一的时间和空 间参考点； 数据融合， 使用正态隶属函数法对数据校准后的雷达测量数据及AIS测量数据进行数 据融合； 坐标预测， 使用。

4、卡尔曼滤波算法对船舶的轨迹进行预测， 估计出船舶的坐标位置。 2.根据权利要求1所述的基于多源数据融合的船舶位置识别方法， 其特征在于， 使用正 态隶属函数法对数据校准后的雷达测量数据及AIS测量数据进行数据融合， 具体包括： 1)建立模糊因素集， 建立包括三因素集的模糊因素集v( 1, 2, 3)； 其中， 1表示船位， 2表示船速， 3表示航向； 2)确定模糊因素集的权重， 确定权重的方法包括DELPHI法、 专家调查法和层次分析法； 3)计算模糊因素的欧式距离， 如下： 31)计算船位的欧式距离， 如下： 1(t)2(xi(t)-xj(t)2+(yi(t)-yj(t)2 其中， xi(t。

5、)和yi(t)分别表示通过AIS获得的t时刻的经度和纬度值； xj(t)和yj(t)分 别表示通过雷达获得的t时刻的经度和纬度值； 32)计算船速的欧式距离， 如下： 2(t)|Vi(t)-Vj(t)| 其中， Vi(t)和Vj(t)分别表示通过AIS和雷达获得的t时刻的船速； 33)计算航向的欧式距离， 如下： 3(t)|Si(t)-Sj(t)| 其中， Si(t)和Sj(t)分别表示通过AIS和雷达获得的t时刻的航向； 4)计算各模糊因素的隶属度函数值， 将步骤3)计算得到的船位的欧式距离、 船速的欧 式距离和航向的欧式距离作为模糊因子代入下式以得到各模糊因素的隶属度函数值： ( )exp。

6、- ( / ) 其中， 表示船位、 船速或航向的权重； 表示船位的欧式距离、 船速的欧式距离或航向 的欧式距离； 表示模糊因素集中的展度； 5)按加权平均计算综合相似度， 如下： ij(t) k k(t),im,jn 其中， k表示模糊因素集的权重， k(t)表示t时间的欧式距离； 6)基于 ij(t)对来自AIS节点的航迹i和来自雷达节点的航迹j建立模糊m*n阶相关矩 阵 (t)， 即 7)航迹相关检验， 根据阀值法则进行航迹相关检验的步骤如下： 71)确定阀值 的取值， 取 1/2； 72)在矩阵 (t)中找出最大元素 ij(t)， 如果 ij(t) ， 则判定为航迹i和j检验相关， 权利。

7、要求书 1/2 页 2 CN 109856625 A 2 从矩阵 (t)中划去 ij(t)所在的行和列元素得到新的降阶模糊矩阵 1(t)， 原矩阵的行号 和列号保持不变； 73)对矩阵 1(t)重复步骤72)的过程， 获得 2(t) m(t)， 直到 m(t)中的所有元素均 小于 ， 则剩下的元素对应的行号和列号所代表的航迹在t时刻不相关； 74)判断从AIS动态数据获得的航迹与从雷达获得的航迹是否在任何时刻均相关， 如果 是， 表明则它们的信息来自同一目标船舶； 75)航迹关联仿真， 把雷达探测到的目标航迹与AIS所提供的目标航迹进行关联后实现 信息融合。 3.根据权利要求1所述的基于多源数。

8、据融合的船舶位置识别方法， 其特征在于， 用卡尔 曼滤波算法对船舶的轨迹进行预测， 估计出船舶的坐标位置， 包括： 构建AIS轨迹建模的动态方程， 设在地理坐标系中， 船舶的位置经纬度坐标用 表示， 根据恒向线航法， 定位节点k时刻的坐标方程如下： 其中，表示k1时刻船舶的坐标位置， (k-1)表示k1时刻船舶的速度， (k-1)表 示船舶k1时刻的航向； T表示时间间隔；W(k)分别表示均值为零、 方差为W2的高 斯白噪声W(k)的两个正交分量， 任意时刻W(k)相互独立，表示 和的平均值； 通过基于卡尔曼滤波的船舶轨迹递推过程， 得到船舶k时刻的船舶位置地理坐标估计Z (k)： 权利要求书。

9、 2/2 页 3 CN 109856625 A 3 一种基于多源数据融合的船舶位置识别方法 技术领域 0001 本发明涉及雷达目标探测、 船舶自动识别系统(AIS)和计算机图形处理技术领域， 特别是一种基于多源数据融合的船舶位置识别方法。 背景技术 0002 雷达是利用电磁波探测目标的电子设备。 雷达跟踪技术是通过雷达发射电磁波对 目标进行照射并接收其回波， 由此获得目标至雷达位置的距离、 速度、 方位和高度等信息。 因此， 雷达可以得到运动的目标以及静止目标的信息。 AIS能够接收到装有AIS系统的船舶 信息。 AIS的信息包含了船舶的船名、 呼号、 MMSI、 长度、 GPS位置、 装载的。

10、货物等静态信息以 及港口、 天气、 洋流等导航信息。 0003 多源数据融合是指利用相关手段将调查、 分析获取到的所有数据全部综合到一 起， 并对得到的多种数据进行认知、 综合、 判断的过程。 其中参与融合的数据往往具有多源 性、 异构性和不完备性。 融合的层次分为数据级融合、 模型级融合和决策级融合。 数据级融 合是最低层次的融合， 其直接对原始的数据进行处理； 模型级融合对原始的数据进行了提 取和处理， 减少了无用的数据； 决策级融合是最智能化的融合， 是建立在模型融合的基础上 对于最终的处理结果进行综合的决策。 0004 卡尔曼滤波是一种利用线性系统状态方程， 通过系统输入输出观测数据，。

11、 对系统 状态进行最优估计的算法， 其在机动目标跟踪以及轨迹预测方面具有良好的性能。 0005 现有的技术中， 未将雷达跟踪检测到的船舶数据与AIS检测到的船舶数据进行融 合来预测船舶位置， 只是根据雷达跟踪检测到的船舶数据或AIS检测到的船舶数据来进行 预测， 在某种程度上可能导致预测存在较大偏差。 发明内容 0006 本发明的目的在于克服现有技术的不足， 提出一种位置检测结果更加精确的基于 多源数据融合的船舶位置识别方法。 0007 本发明解决其技术问题所采用的技术方案是： 0008 一种基于多源数据融合的船舶位置识别方法， 包括： 0009 数据校准， 接收雷达发送的船舶位置数据及AIS。

12、发送的船舶位置数据， 进行时间搬 移和坐标变换， 以使雷达发送的船舶位置数据和AIS发送的船舶位置数据形成统一的时间 和空间参考点； 0010 数据融合， 使用正态隶属函数法对数据校准后的雷达测量数据及AIS测量数据进 行数据融合； 0011 坐标预测， 使用卡尔曼滤波算法对船舶的轨迹进行预测， 估计出船舶的坐标位置。 0012 优选的， 使用正态隶属函数法对数据校准后的雷达测量数据及AIS测量数据进行 数据融合， 具体包括： 0013 1)建立模糊因素集， 建立包括三因素集的模糊因素集v( 1, 2, 3)； 其中， 1表示 说明书 1/5 页 4 CN 109856625 A 4 船位， 。

13、2表示船速， 3表示航向； 0014 2)确定模糊因素集的权重， 确定权重的方法包括DELPHI法、 专家调查法和层次分 析法； 0015 3)计算模糊因素的欧式距离， 如下： 0016 31)计算船位的欧式距离， 如下： 0017 1(t)2(xi(t)-xj(t)2+(yi(t)-yj(t)2 0018 其中， xi(t)和yi(t)分别表示通过AIS获得的t时刻的经度和纬度值； xj(t)和yj (t)分别表示通过雷达获得的t时刻的经度和纬度值； 0019 32)计算船速的欧式距离， 如下： 0020 2(t)|Vi(t)-Vj(t)| 0021 其中， Vi(t)和Vj(t)分别表示通。

14、过AIS和雷达获得的t时刻的船速； 0022 33)计算航向的欧式距离， 如下： 0023 3(t)|Si(t)-Sj(t)| 0024 其中， Si(t)和Sj(t)分别表示通过AIS和雷达获得的t时刻的航向； 0025 4)计算各模糊因素的隶属度函数值， 将步骤3)计算得到的船位的欧式距离、 船速 的欧式距离和航向的欧式距离作为模糊因子代入下式以得到各模糊因素的隶属度函数值： 0026 ( )exp- ( / ) 0027 其中， 表示船位、 船速或航向的权重； 表示船位的欧式距离、 船速的欧式距离或 航向的欧式距离； 表示模糊因素集中的展度； 0028 5)按加权平均计算综合相似度， 如。

15、下： 0029 ij(t) k k(t),im,jn 0030 其中， k表示模糊因素集的权重， k(t)表示t时间的欧式距离； 0031 6)基于 ij(t)对来自AIS节点的航迹i和来自雷达节点的航迹j建立模糊m*n阶相 关矩阵 (t)， 即 0032 0033 7)航迹相关检验， 根据阀值法则进行航迹相关检验的步骤如下： 0034 71)确定阀值 的取值， 取 1/2； 0035 72)在矩阵 (t)中找出最大元素 ij(t)， 如果 ij(t) ， 则判定为航迹i和j检验 相关， 从矩阵 (t)中划去 ij(t)所在的行和列元素得到新的降阶模糊矩阵 1(t)， 原矩阵的 行号和列号保持。

16、不变； 0036 73)对矩阵 1(t)重复步骤72)的过程， 获得 2(t) m(t)， 直到 m(t)中的所有元 素均小于 ， 则剩下的元素对应的行号和列号所代表的航迹在t时刻不相关； 0037 74)判断从AIS动态数据获得的航迹与从雷达获得的航迹是否在任何时刻均相关， 如果是， 表明则它们的信息来自同一目标船舶； 0038 75)航迹关联仿真， 把雷达探测到的目标航迹与AIS所提供的目标航迹进行关联后 实现信息融合。 0039 优选的， 用卡尔曼滤波算法对船舶的轨迹进行预测， 估计出船舶的坐标位置， 包 说明书 2/5 页 5 CN 109856625 A 5 括： 0040 构建AI。

17、S轨迹建模的动态方程， 设在地理坐标系中， 船舶的位置经纬度坐标用 表示， 根据恒向线航法， 定位节点k时刻的坐标方程如下： 0041 0042 0043其中，表示k1时刻船舶的坐标位置， (k-1)表示k1时刻船舶的速度， (k-1)表示船舶k1时刻的航向； T表示时间间隔；W(k)分别表示均值为零、 方差为 W2的高斯白噪声W(k)的两个正交分量， 任意时刻W(k)相互独立，表示 和的平均值； 0044 通过基于卡尔曼滤波的船舶轨迹递推过程， 得到船舶k时刻的船舶位置地理坐标 估计Z(k)： 0045 0046 本发明具有如下有益效果： 0047 (1)本发明一种基于多源数据融合的船舶位置。

18、识别方法， 使用多源数据融合技术 对雷达和AIS检测到的数据进行融合， 能够得到准确的数据信息； 0048 (2)本发明一种基于多源数据融合的船舶位置识别方法， 通过卡尔曼滤波算法对 船舶的轨迹进行预测， 估计出船舶的坐标位置， 并预测出船舶的运动趋势， 一旦船舶进入被 禁区域且有抛锚趋势， 可自动对相应船舶发出警告或驱离以达到保护海域的作用。 附图说明 0049 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本 发明的一些实施例， 对于本领域技术人员来讲， 在不付出创造性劳动性的前提下。

19、， 还可以根 据这些附图获得其他的附图。 0050 图1为本发明一种基于多源数据融合的船舶位置识别方法的流程框图； 0051 图2为本发明的基于卡尔曼滤波的船舶轨迹递推过程。 具体实施方式 0052 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于 本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例， 都属于本发明保护的范围。 0053 参见图1所示， 一种基于多源数据融合的船舶位置识别方法， 包括： 0054 数据校准， 接收雷达发送的船舶。

20、位置数据及AIS发送的船舶位置数据， 进行时间搬 移和坐标变换， 以使雷达发送的船舶位置数据和AIS发送的船舶位置数据形成统一的时间 和空间参考点； 0055 数据融合， 使用正态隶属函数法对数据校准后的雷达测量数据及AIS测量数据进 说明书 3/5 页 6 CN 109856625 A 6 行数据融合； 0056 坐标预测， 使用卡尔曼滤波算法对船舶的轨迹进行预测， 估计出船舶的坐标位置。 0057 具体的， 雷达与AIS航迹相关处理对象是两个传感器提供的目标位置数据。 由数据 融合的理论可知， 数据融合必须考虑时间性和空间性。 而雷达和AIS在获取目标位置数据 时， 其采样时刻不一定相同；。

21、 且两者对目标位置的描述也不同， 雷达表示为距离和倾角， AIS 表示为经度和纬度。 因此， 在进行两者的目标航迹相关之前， 要进行数据的校准。 数据校准 的作用是为了统一雷达和AIS的时间和空间参考点， 进行时间搬移和坐标变换， 以形成统一 的时间和空间的参考点。 0058 雷达与AIS目标数据融合主要是将航迹相关的数据按照适当的算法， 对来自不同 传感器表述同一目标的信息进行融合， 得到较为精确的航迹数据。 0059 雷达与AIS目标航迹相关处理方法主要是要从众多的雷达目标中找出确定的AIS 目标航迹相对应的一个。 判断航迹相关需要将两个传感器的信息进行坐标变换和时间同 步， 再做航迹相关。

22、判断。 0060 航迹相关是指传感器系统获得的两条航迹的相似程度。 本发明采用模糊数学中的 正态隶属函数法来进行融合计算， 当两条航迹相距越远， 欧式距离越大， 隶属函数值越小。 0061 具体的， 使用正态隶属函数法对数据校准后的雷达测量数据及AIS测量数据进行 数据融合， 包括： 0062 1)建立模糊因素集， 建立包括三因素集的模糊因素集v( 1, 2, 3)； 其中， 1表示 船位， 2表示船速， 3表示航向； 0063 2)确定模糊因素集的权重， 确定权重的方法包括DELPHI法、 专家调查法和层次分 析 0064 由于影响航迹相关的因素是船位、 船速和航向， 其中船位起主导作用， 。

23、航速次之, 航向影响最小， 因此， 3个模糊因素船位、 船速和航向的权重分别可以取为 10.80, 2 0.15, 30.05。 0065 3)计算模糊因素的欧式距离， 如下： 0066 31)计算船位的欧式距离， 如下： 0067 1(t)2(xi(t)-xj(t)2+(yi(t)-yj(t)2 0068 其中， xi(t)和yi(t)分别表示通过AIS获得的t时刻的经度和纬度值； xj(t)和yj (t)分别表示通过雷达获得的t时刻的经度和纬度值； 0069 32)计算船速的欧式距离， 如下： 0070 2(t)|Vi(t)-Vj(t)| 0071 其中， Vi(t)和Vj(t)分别表示通。

24、过AIS和雷达获得的t时刻的船速； 0072 33)计算航向的欧式距离， 如下： 0073 3(t)|Si(t)-Sj(t)| 0074 其中， Si(t)和Sj(t)分别表示通过AIS和雷达获得的t时刻的航向； 0075 4)计算各模糊因素的隶属度函数值， 将步骤3)计算得到的船位的欧式距离、 船速 的欧式距离和航向的欧式距离作为模糊因子代入下式以得到各模糊因素的隶属度函数值： 0076 ( )exp- ( / ) 0077 其中， 表示船位、 船速或航向的权重； 表示船位的欧式距离、 船速的欧式距离或 说明书 4/5 页 7 CN 109856625 A 7 航向的欧式距离； 表示模糊因素。

25、集中的展度； 0078 5)按加权平均计算综合相似度， 如下： 0079 ij(t) k k(t),im,jn 0080 其中， k表示模糊因素集的权重， k(t)表示t时间的欧式距离； 0081 6)基于 ij(t)对来自AIS节点的航迹i和来自雷达节点的航迹j建立模糊m*n阶相 关矩阵 (t)； 0082 7)航迹相关检验， 根据阀值法则进行航迹相关检验的步骤如下： 0083 71)确定阀值 的取值， 取 1/2； 0084 72)在矩阵 (t)中找出最大元素 ij(t)， 如果 ij(t) ， 则判定为航迹i和j检验 相关， 从矩阵 (t)中划去 ij(t)所在的行和列元素得到新的降阶模。

26、糊矩阵 1(t)， 原矩阵的 行号和列号保持不变； 0085 73)对矩阵 1(t)重复步骤72)的过程， 获得 2(t) m(t)， 直到 m(t)中的所有元 素均小于 ， 则剩下的元素对应的行号和列号所代表的航迹在t时刻不相关； 0086 74)判断从AIS动态数据获得的航迹与从雷达获得的航迹是否在任何时刻均相关， 如果是， 表明则它们的信息来自同一目标船舶； 0087 75)航迹关联仿真， 把雷达探测到的目标航迹与AIS所提供的目标航迹进行关联后 实现信息融合。 0088 通过以上的流程， 获得相对准确的数据。 0089 在得到处理后的准确数据之后， 需要检测出可疑目标， 本发明利用卡尔。

27、曼滤波算 法对船舶的轨迹进行预测。 0090 用卡尔曼滤波算法对船舶的轨迹进行预测， 估计出船舶的坐标位置， 包括： 0091 构建AIS轨迹建模的动态方程， 设在地理坐标系中， 船舶的位置经纬度坐标用 表示， 根据恒向线航法， 定位节点k时刻的坐标方程如下： 0092 0093 0094其中，表示k1时刻船舶的坐标位置， (k-1)表示k1时刻船舶的速度， (k-1)表示船舶k1时刻的航向； T表示时间间隔；W(k)分别表示均值为零、 方差为 W2的高斯白噪声W(k)的两个正交分量， 任意时刻W(k)相互独立； sec表示正割三 角函数， 为cosx的倒数；表示和的平均值； 0095 参见图2所示， 通过基于卡尔曼滤波的船舶轨迹递推过程， 得到船舶k时刻的船舶 位置的地理坐标Z(k)： 0096 0097 本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述， 以上实施例 的说明只是用于帮助理解本发明的方法及其核心思想； 同时， 对于本领域的一般技术人员， 依据本发明的思想， 在具体实施方式及应用范围上均会有改变之处， 综上所述， 本说明书内 容不应理解为对本发明的限制。 说明书 5/5 页 8 CN 109856625 A 8 图1 图2 说明书附图 1/1 页 9 CN 109856625 A 9 。

网址：基于多源数据融合的船舶位置识别方法.pdf http://www.mxgxt.com/news/view/997172

相关内容

中国船舶(600150)
大数据下基于跨域多源信息融合的竞争对手识别模型研究——基于新能源汽车行业
2022年中国船舶租赁行业市场现状及竞争格局分析 融资租赁占据主导地位
基于AI大数据的艺人与产品资源精准对接系统及方法.pdf
实用的船舶机工实习报告3篇
基于直接泄漏滤波X最小均方算法的海水泵振动控制应用研究
基于复数域偏最小二乘法与等值法的多谐波源责任划分
面对台风，如何确保船舶安全？
用户画像数据建模方法.pdfx
全球最大吨位重吊多用途船在江苏扬州交付

随便看看