项目名称: 内河AIS数据可靠性与修复研究

项目编号: No.61273234

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 初秀民

作者单位: 武汉理工大学

项目金额: 72万元

中文摘要: 实时船舶交通信息是构建智能航运系统的关键,船舶自动识别系统(AIS)是获取内河船舶交通信息重要手段。针对AIS数据传输存在不确定性,研究AIS数据可靠性模型以及数据修复方法,对于获取完备的船舶交通信息具有重要意义。 本项目首先采用DSmT方法甄别AIS错误数据,并利用统计分析的方法大范围评估区域性的AIS数据掉包特征,进而逆推场强分布,同时采用偏微分方法描述各参数的特征,针对不同地理特征、天气、干扰,建立AIS信号衰减计算模型。然后根据船舶运动规律对数据进行修复,并建立高阶Markov修复模型,寻求近似简化算法,在保证修复精度的条件下有效降低算法复杂度。最后利用AIS信号点-面场强预测模型,描述大范围的平原、山区、城区、干扰源、天气因素下的AIS信号场强分布状况,建立基于地理信息系统的仿真环境,进而评估不同布设原则下的最佳AIS基站布设点。

中文关键词: 船舶自动识别系统;场强预测;数据可靠性评估;轨迹还原;数据链路评估

英文摘要: Real-time shipping traffic information is an essential part of the intelligent shipping system, which would be acquired by AIS (automatic identification system) normally. Due to the indeterminacy of AIS data transmission, it is necessary to study the reliability of AIS system, find a way to restore the data link, which would be great improvement on the inland maritime information administration. The application would take the DSmT method to filter the origin AIS data, which probably contain the GNSS and Static information errors. With the data pretreated, we do the statistics about the PER of AIS data link, further more, do the filed strength calculation over different distance, geography, interference, set up the prediction model for the AIS data transmitting. Meanwhile, for repairing the missing data, the application would adopt the high order Markov algorithm to create a model to restore the messages which are lost in the AIS link by using the motion characteristics of the vessels, and keep the model as simple as possible by the limit of the accuracy we need. Eventually, the application would set up the point to area field strength prediction model, describing large area which is plain, upland, urban, and different interference and weather. With the help of the model, it would build a simulation environment

英文关键词: Automatic Identification System;field strength predication;data availability evaluation;trajectory restoration;data-link evaluation

成为VIP会员查看完整内容
0

相关内容

【CVPR2022】基于鲁棒区域特征生成的零样本目标检测
专知会员服务
10+阅读 · 2022年3月22日
深度学习模型鲁棒性研究综述
专知会员服务
91+阅读 · 2022年1月23日
鲁棒和隐私保护的协同学习
专知会员服务
35+阅读 · 2021年12月22日
基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
专知会员服务
32+阅读 · 2021年9月29日
专知会员服务
17+阅读 · 2021年7月3日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
19+阅读 · 2021年5月4日
专知会员服务
69+阅读 · 2021年1月16日
开源数据支撑下的人物与装备分析
PaperWeekly
4+阅读 · 2022年3月20日
《鲁棒和隐私保护的协同学习》综述论文
专知
4+阅读 · 2021年12月22日
自动驾驶技术解读——自动驾驶汽车决策控制系统
智能交通技术
30+阅读 · 2019年7月7日
你的算法可靠吗? 神经网络不确定性度量
专知
40+阅读 · 2019年4月27日
读者来稿 | 有效遮挡检测的鲁棒人脸识别
计算机视觉战队
19+阅读 · 2019年3月28日
一种轻量级在线多目标车辆跟踪方法
极市平台
13+阅读 · 2018年8月18日
已删除
将门创投
12+阅读 · 2018年6月25日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Building Odia Shallow Parser
Arxiv
0+阅读 · 2022年4月19日
Disturbance of questionable publishing to academia
Arxiv
0+阅读 · 2022年4月19日
Arxiv
46+阅读 · 2021年10月4日
小贴士
相关VIP内容
【CVPR2022】基于鲁棒区域特征生成的零样本目标检测
专知会员服务
10+阅读 · 2022年3月22日
深度学习模型鲁棒性研究综述
专知会员服务
91+阅读 · 2022年1月23日
鲁棒和隐私保护的协同学习
专知会员服务
35+阅读 · 2021年12月22日
基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
专知会员服务
32+阅读 · 2021年9月29日
专知会员服务
17+阅读 · 2021年7月3日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
19+阅读 · 2021年5月4日
专知会员服务
69+阅读 · 2021年1月16日
相关资讯
开源数据支撑下的人物与装备分析
PaperWeekly
4+阅读 · 2022年3月20日
《鲁棒和隐私保护的协同学习》综述论文
专知
4+阅读 · 2021年12月22日
自动驾驶技术解读——自动驾驶汽车决策控制系统
智能交通技术
30+阅读 · 2019年7月7日
你的算法可靠吗? 神经网络不确定性度量
专知
40+阅读 · 2019年4月27日
读者来稿 | 有效遮挡检测的鲁棒人脸识别
计算机视觉战队
19+阅读 · 2019年3月28日
一种轻量级在线多目标车辆跟踪方法
极市平台
13+阅读 · 2018年8月18日
已删除
将门创投
12+阅读 · 2018年6月25日
相关基金
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员