[发明专利]复杂水域基于最优会遇距离的自适应多船会遇识别方法

权利要求书

1.复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，包括以下步骤：

S1：在包含环境信息的电子海图的基础上，对雷达数据和包含船舶静动态信息的船舶自动识别系统数据进行融合计算，并构建船舶航行行为动静态数据集；

S2：分析复杂水域内船舶会遇的影响因素，从船舶航行行为动静态数据集中挖掘出船舶避碰行动特征值，并构建船舶避碰行动特征值数据集；

S3：通过深度神经网络建立船舶会遇距离与其影响因素的非线性映射关系，构建多因素耦合影响下的船舶最优会遇距离计算模型；

S4：通过自适应密度聚类算法进行多船会遇实时识别，在该算法中将每艘船舶在多因素影响下的会遇距离作为密度聚类的距离阈值，从航行船舶中实时提取发生有效会遇行为的船舶簇，将复杂水域航行船舶划分为由会遇船舶构成的多个会遇船舶子系统。

2.根据权利要求1所述的复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，步骤S1的具体实现以下子步骤：

S11：船舶自动识别系统和雷达数据的时空配准；把包含经纬度信息的船舶自动识别系统航迹数据以及包含距离和方位信息的雷达航迹数据转化为相同的数据格式，然后将这两种航迹数据变换到同一个直角参考系统中并进行时间对齐；

S12：将时空配准后的两种航迹数据进行航迹关联；采用Hough变换将直角参考系统转化为参数空间，然后通过模糊聚类和隶属度函数方法计算船舶自动识别系统航迹数据和雷达航迹数据的相关性；

S13：采用集合证据理论和自适应多因素航迹融合算法将航迹关联后的船舶自动识别系统航迹数据和雷达航迹数据进行航迹融合，得到高精度的船舶航迹数据，构建出船舶航行行为动静态数据集。

3.根据权利要求1所述的复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，步骤S2的具体实现以下子步骤：

S21：选取一段时间内且特定水域内的航行行为动静态数据集，采用集合判别法获得该水域内相互有影响且需要进行避碰操纵的船舶样本，计算两船舶间的实时距离和相对方位，然后根据两船舶之间的位置、方位关系判别并记录会遇局面；

S22：对船舶样本的避碰过程进行跟踪，根据航向的改变，判别并挖掘出进行避碰行为的船舶样本的船舶避碰行动特征值；船舶避碰行动特征值包括各种会遇局面下让路船开始采取避碰行动时距离目标船的距离、让路船采取的避让角度以及让路船和目标船恢复原始航向时两船之间的距离；

S23：通过对特定水域内多时间窗发生避碰行为的船舶样本判别挖掘，形成包含不同会遇船舶组合在各种会遇局面下的船舶避碰行动特征值数据集。

4.根据权利要求1所述的复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，步骤S3的具体实现以下子步骤：

S31：设船舶长度对会遇距离的影响因素为L，船宽的影响因素为W，通航环境的影响因素为E，地理环境影响因素为G，水文气象影响因素为M，则发生有效会遇行为的两船舶的会遇距离d_a和d_b如下式所示，

d_a＝f(L_a,W_a,E_a,G_a,M_a)

d_b＝f(L_b,W_b,E_b,G_b,M_b)

其中，L_a、W_a、E_a、G_a和M_a分别表示其中一会遇船舶的船长、船宽、通航环境、地理环境和水文气象对船舶最优会遇距离的影响因素；L_b、W_b、E_b、G_b和M_b分别表示另一会遇船舶的船长、船宽、通航环境、地理环境和水文气象等对船舶最优会遇距离的影响因素；

S32：假定船舶开始采取避让行动的距离为最优会遇距离，将船长、船宽、通航环境、地理环境和水文气象作为深度神经网络的输入参数，最优会遇距离作为输出，通过对会遇场景样本训练，构建多因素耦合影响的船舶最优会遇距离计算模型。

5.根据权利要求1所述的复杂水域基于最优会遇距离的自适应多船会遇识别方法，其特征在于，步骤S4的具体实现以下子步骤：

S41：在船舶自由会遇距离计算模型的基础上，当船舶间的距离小于各自的会遇距离时，视为会遇船舶；假设有任意两艘船舶V_o和V_t，在船舶航行行为动静态数据集中包含船舶实时的航行经度、纬度、对地速度、对地航向，并表示为和根据船舶自动识别系统接收的船舶静动态信息，船舶之间距离的墨卡托算法计算过程如下：

D_λ＝λ_t-λ₀

D_MP＝M_{P_t}-M_{P_0}

Bearing＝arctan(D_λD_MP)

其中，D_λ表示经度差，表示纬度差，M_p表示纬度渐长率，D_MP表示不同纬度间的纬度渐长率差，Bearing表示方位，D即为两船舶间的距离，通过计算所有船舶间的距离，得到距离矩阵；

S42：执行自适应密度聚类算法，输入为一个包含n个船舶航迹数据的数据集、船舶间的距离矩阵、每艘船舶的领域距离和组成会遇簇的密度阈值，其中，以船舶最优会遇距离作为领域距离，以最小会遇船舶数作为组成会遇簇的密度阈值；输出为会遇船舶航迹数据所属的类别标签。