结合地理信息与AIS数据的海上航道自适应提取方法

海上航道对于海上态势感知具有重要意义。然而,现有的航道提取方法存在航道航路点易丢失、提取准确性不高等问题,本文依据船舶航路点数量与其途经岛屿、港口等地理区域数量相等的准则,提出了一种结合地理信息与自动识别系统(Automatic Identification System, AIS)数据的海上航道自适应提取方法。首先,构建港口之间往返船只AIS航迹数据集,将每条AIS航迹等间距分段并计算每段航迹的平均航速,设置航速差初始阈值,计算相邻航段平均航速差超过阈值的数量作为初始船只转弯次数。其次,统计AIS航迹途经岛屿、港口等地理区域的数量,若其与利用AIS航迹提取的船舶转弯次数不相等,则根据两者的差异自适应调整航速差阈值,重新提取船舶航路点,直至其与途经地理区域的数量相等,将平均航速差超出最终阈值的航迹段的连接点作为船舶航路点。然后,利用基于密度的聚类算法将所有船舶的航路点聚类为航路点集合,计算航路点集合的质心作为航道的航路点。最后,以航道航路点为顶点、航路点之间的连线为边构建有向图,并删除落在陆地上的连线后得到最终的航道提取结果。利用潍坊港—连云港港之间行驶的20条船舶的AIS数据开展了海上航道提取实验,结果表明,与基于交通路径异常检测的航道提取方法相比,本文方法得到的船舶航路点的平均虚检率降低了9.1%,平均漏检率降低了16.7%,显著提升了航道航路点位置提取的准确性。

基于自适应KF的船载地波雷达目标跟踪方法

针对使用传统的卡尔曼滤波器进行多目标跟踪易发生状态估计不准确、航迹断裂的问题,提出了一种转换量测卡尔曼滤波增益自适应调整方法。结合船只目标的运动特性和历史船只航迹数据,采用线性最小二乘拟合提取出航迹参数的变化趋势。使用似然函数分别计算目标预测状态和量测状态与航迹的隶属度。利用预测状态和量测状态的隶属度值对滤波方式进行选择。利用仿真及实测船载地波雷达数据开展了目标跟踪实验,结果表明,使用该文方法能够得到平滑、持续的航迹输出,目标的跟踪距离远、跟踪精度高,优于现有的自适应滤波方法。

航道辅助地波雷达机动目标跟踪研究

交互多模型(Interacting Multiple Model,IMM)方法应用于高频地波雷达(High Frequency Surface Wave Radar,HFSWR)机动目标跟踪时,其固定的模型集合与转移概率矩阵会导致模型竞争与模型概率切换滞后,降低了目标状态估计的准确性,容易引起航迹断裂、丢失等问题。为此,对基于航道辅助的交互多模型地波雷达机动目标跟踪方法进行了研究。首先,利用有向图模型估计海上航道并提取航道信息,判定目标所处的航道位置并据此自适应切换目标运动模型集合;然后依据确定的模型集合进行多模型滤波,利用滤波新息构造运动模型的极大似然函数并计算每个模型的似然值,通过计算运动模型之间似然值比值计算概率修正因子,采用概率修正因子与原模型转移概率矩阵的乘积更新模型转移概率矩阵。利用仿真与实测数据开展了海上机动目标跟踪实验,结果表明,与传统IMM算法相比,本文方法可显著提升模型概率的切换速度,跟踪得到的航迹维持时间提高了54.2%,算法运行时间减少了30%,运动模型匹配平均概率提高了14.1%,实现了对海上目标的长时跟踪。

关于数学合作学习的教学策略

学生在学习过程中，单凭自身的学习水平，难以达到理想效果，但学生在合作学习中就可以产生交互影响，使他们从感性上形象地体会其自身的主体地位。