一、AIS——未来海上航行的安全保障（论文文献综述）
朱继飞[1]（2021）在《VDES系统可视化场景仿真和物理层关键技术研究》文中指出近年来随着海上贸易的不断繁荣,船舶数量与客货运航线不断增加,用于船舶监管和航路管制的自动识别系统（Automatic Identification System）,存在信息传输速率较慢、物理信道有限等缺陷,特别在船舶密集区域AIS广播消息的时隙冲突严重,从而导致对船舶的监管能力急剧下降,严重影响海上航行安全。传统的AIS系统已不能满足现代海上船舶监管的需求,新一代的VDES（VHF Data Exchange System）系统应运而生。VDES系统在保持原来AIS系统工作方式不变的基础上,增加了ASM信道和VDE信道,提升了信息传输速率,扩充了数据交互能力。但在相关建议书中VDES系统未对AIS系统做任何改进,在港口、河流出海口、近海等船舶密集区域AIS系统时隙冲突严重的问题并未解决。因此本文提出了一种基于航行安全消息等级分类的自适应信道选择方法,使用ASM和VDE中还未分配具体内容的逻辑信道发送低安全等级的AIS广播消息,从而有效降低时隙冲突概率。利用飞机和卫星接收船舶广播信号,掌握重点区域乃至全球船舶实时动态信息,为各类船只航行安全提供保障是现在和未来重要的研究和应用方向。但现有接收机大都不能满足星载场景下频偏和灵敏度的应用要求,在此背景下本文对VDES物理层的多种调制方式的接收技术进行了研究,提出了一套适用于星载场景抗大频偏、高灵敏度的VDES信号接收算法,并在硬件平台上对该算法进行了实现和测试。具体工作如下:（1）针对AIS系统目前的时隙冲突问题,将广播消息根据与航行安全的相关程度进行了分类,利用AIS系统终端可监听广播信道的能力,设定时隙冲突阈值,提出了一种自适应信道选择方案。面向单密集小区、岸基接收以及星载接收等应用场景,对本文提出的自适应信道选择方案进行了仿真验证,给出了性能评估结果,对未来VDES系统接入协议标准的制定具有重要的参考意义;（2）针对传统信号检测和帧同步方法的不足,提出了抗大频偏的基于相位变化量的信号检测算法,通过频率、相位估计,结合改进的ML相干解调算法,同时设计了以置信度标定为先验信息的纠错技术,提高了信号检测概率、降低了报文正确解调的信噪比门限。最后对以上算法进行了仿真分析,在不同信噪比和频偏时,针对VDES系统内多种调制方式的信号,均取得良好效果;（3）以VDES系统内的GMSK调制方式为例,对本文提出的抗大频偏高灵敏度接收方案进行了硬件实现,并使用KC705和AD9361搭建了测试平台,测试中使用矢量信号源产生信号,结果表明:在频偏±4kHz范围内,单时隙报文灵敏度达到-123.5dBm,双时隙报文灵敏度达到-122.4dBm。
李晓恩[2]（2021）在《多源船位数据南海北部2018年渔业捕捞强度空间特征挖掘》文中研究表明高精度渔业捕捞强度数据是开展捕捞限额管理的前提与关键,也是海洋渔业资源可持续发展的重要保障。大数据、数据分析与挖掘和遥感对地观测技术的发展,为海洋渔业捕捞强度数据获取提供了丰富的数据来源和技术支撑。对渔船捕捞空间进行精准、深度分析与可视化,是掌握渔业资源捕捞强度的重要途经。因此,本文利用多源船位数据,以中国南海北部海域为研究区,对其2018年月际尺度的渔业捕捞强度数据进行了挖掘与分析,以期为南海渔业资源开发、海洋渔业权益维护提供辅助与决策支撑。研究内容包括:（1）基于渔船AIS（Automatic Identification System）轨迹大数据对南海北部（中国海域）中国籍渔船捕捞强度数据进行了获取:结合Natale等[24]在瑞典已有研究案例、专家知识经验、渔船航速统计特征及典型渔船作业实例。应用了一种具有普适性的渔业捕捞强度分析方法:间接以渔船海上捕捞作业产生轨迹点密度来衡量捕捞强度,以点密度栅格值高低来对捕捞强度进行量化。对研究区渔业资源捕捞空间特征规律进行分析与挖掘,并与VBD（VIIRS Boat Detection）数据获取的捕捞强度进行了对比与分析;（2）针对以往研究侧重于使用AIS、VBD等单一数据源获取捕捞强度信息,这其中存在数据信号覆盖船舶有限、信号传输不连续、人为因素干扰强,以及VBD只能反映灯光诱捕渔船等诸多现实问题。文中以高时空粒度AIS、高重访周期与高灵敏度VBD两类船位矢量点数据邻近匹配、融合的视角出发,构建了两种不同来源渔船数据获取海洋渔业捕捞强度信息的思路框架。借助该方法框架,系统地对南海北部（包含部分越南海域）2018年月际尺度渔业捕捞强度空间特征和规律进行了探索性分析与挖掘。研究内容（1）结果表明:（1）基于AIS所获取的高强度捕捞信息在反映近岸50～70km左右范围内捕捞强度时具有很好效果,其原因主要是中小型渔船占比达50.9%,特别是“两广”近岸地区渔业资源较为丰富;（2）受春节假期及我国南海伏季禁/休渔政策影响,禁/休渔期间捕捞强度相比于其他月份明显较弱,其中高强度捕捞区域主要呈现“团块”、“条带”及“团块扩张汇聚成条带”这几种形态。整体而言,“两广”近岸捕捞强度高于环海南岛周边;（3）基于VBD获取的捕捞强度图,在反映海洋渔业空间分布上更具有客观性。除部分高强度捕捞区域与AIS数据图有所重叠外,其高强度捕捞区域更接近中越北部湾海上边界及共同渔区附近。因此,将两者进行有效融合是一种更加全面、准确获取捕捞强度信息的途经和方法。研究内容（2）结果表明:（1）对轨迹插值获取的2018年覆盖研究区的166858个AIS点目标,与筛选获取的175016个VBD船位数据进行邻近匹配分析,共获取9837个匹配成功目标。约占AIS、VBD各自输入的5.33%、5.21%,其中渔船目标达28.09%、其次是货船24.84%、其他类船舶47.07%,说明海上的船舶灯光不仅限于渔船这一类目标。另外,分析表明大中型（船长大于30米）船舶占比达64.64%,中国籍船舶占比达45.02%;（2）从基于AIS、VBD及AIS与VBD融合三种数据情景获取的研究区渔业捕捞强度数据,对比分析而言,融合后数据获取的捕捞强度信息更加接近实际情况;（3）融合后数据所呈现南海北部捕捞强度特征主要有以下内容:（1）高强度捕捞区域多分布于广东省近岸（阳江市、茂名市10～20 km）、环海南岛周边（儋州、三亚、陵水黎族近岸10～30 km）、广西壮族自治区近岸（北海市、涠洲岛10～30 km）。并且,近岸30 km范围内高强度捕捞区域多呈现“团块”状特征;（2）伏季休渔/禁渔期间高强度捕捞多分布于越南海域、中越海上边界及共同渔区附近;（3）2018年各月间捕捞强度变化差异大、特征明显。其中,1～4月中1月、2月高强度捕捞主要呈现“团块状”特征,而3、4月呈现“团块”向外扩展形成“条带”趋势,高强度捕捞区域面积也有所扩张。9～12月高强度捕捞区域一直分布在广东省阳江市、茂名市近岸30 km范围内;（4）通过融合数据制作的捕捞强度数据分析表明,禁渔期内在中国境内海域的捕捞强度有了明显变化,但是在海上边界及共同渔区附近还需要中越双方进行协调。
叶文哲[3]（2021）在《基于机器学习和AIS数据的船舶轨迹预测模型的设计与实现》文中研究说明在经济科技越来越发达的今天,各个国家之间联系变的更加的紧密,海洋运输是国际间进行交流的主要方式之一。伴随着航运业的发展,海上交通事故时有发生。因此,对于船舶航行轨迹的研究变的愈发重要,通过轨迹研究,可以对船舶所处的航线进行分析,对船舶的航行状态、目的地等进行监控,及时的发现船舶出现的异常轨迹,保障海上交通的安全。本文基于自动识别系统（Automatic Identification System,AIS）获得的数据和机器学习方法,通过对AIS数据的研究,分析其数据结构和特点,提取出船舶航行轨迹,结合聚类再回归算法,设计实现了一个船舶轨迹预测模型。本文的主要工作与创新如下:（1）分析研究AIS数据,从中提取出船舶航行轨迹,并对轨迹中存在的缺失值和异常数据进行处理。对于经纬度的插补,本文提出了一种双向加权平均插值法。对含有缺失值的轨迹段两边端点进行双向插补,分别从一个端点递归求出至另一端点的缺失值插补序列,之后将两条缺失值插补序列进行加权平均得到所求的缺失值插补序列。实验表明,在缺失值数量较多时,双向加权平均插值法对经纬度的插补具有较高精度。（2）提出了一种基于区域相似度的船舶航行轨迹聚类方法。该方法将航行区域网格化,使原本船舶航行的轨迹序列变为网格序列,通过对网格序列相似性的判断,将网格序列相似的船舶轨迹聚为一类,从而达到对船舶航行轨迹聚类的目的。（3）通过对Seq2Seq模型的改进,对未来连续多个轨迹点进行了预测。本文将Seq2Seq模型进行改进,使用门控递归单元网络作为模型单元,同时将编码器的输出和输入序列的最后元素结合起来作为解码器的输入,将其应用于连续多个时刻的轨迹点预测。通过与其他模型实验对比,该模型能提高对连续轨迹点的预测准确度。（4）提出了聚类再回归算法用于提高轨迹预测精度,将轨迹聚类和轨迹预测结合起来,对轨迹聚类后得到的不同轨迹集合进行建模训练,同一类别轨迹集合样本间差异较小,对其进行回归预测能提升轨迹预测的准确性。
高邈[4]（2021）在《基于Seq-CGAN与操纵行为基拼接的船舶智能避碰决策结构化学习》文中提出在“无人船”从投入使用到全面普及的过程中,必将经历“无人船对有人船”模式下的两类或多类型船舶会遇的复杂过渡时期。这个时期是海上航行安全研究的瓶颈期,也是在研究过程中考虑的影响因素最多、海域环境最复杂的时期。为此本论文尝试在“无人船对有人船”模式条件下,开展无人船舶智能避碰决策及关键技术的研究,并以“基于Seq-CGAN与操纵行为基拼接的船舶智能避碰决策结构化学习”为选题,研究如何生成合理有效的船舶智能避碰决策新方法。将自动识别系统（Automatic Identification System,AIS）大数据与人工智能/机器学习的相关理论进行有效结合,期望能够提升船舶智能避碰决策的实用性、有效性和合理性。本文以AIS大数据为研究基础,围绕船舶智能避碰决策及关键技术,对相关问题进行分析研究,针对AIS大数据挖掘、船舶会遇数据提取、船舶轨迹关键特征点识别、船舶航行行为预测、船舶操纵行为识别以及避碰决策学习等多个方面进行研究。整体采取“大数据挖掘”-“大数据分析”-“大数据学习”的研究流程,对船舶智能避碰决策进行研究,力求得出拟人化的贴近常规海上做法的船舶智能避碰决策。同时,本文基于2018年宁波舟山、2015年天津港区、2017年老铁山水道附近水域和2017年成山头附近水域AIS实船轨迹数据,进行了上述方法的验证和神经网络训练。本文使用AIS大数据,克服了以往对于数据来源可靠性较低、说服力不足以及收集基础数据困难等缺点。从AIS大数据中提取海上成功避碰案例,建立船舶避碰行为模式库,通过机器学习训练得出合理有效的避碰决策。本论文的主要研究内容有:（1）应用支持向量分类机（Support Vector Classification,SVC）模型,构造船舶会遇方位图。识别AIS数据中实际发生船舶会遇的轨迹数据,计算得出船舶会遇对应的方位散点,将大数据挖掘的结果与《国际海上避碰规则》相结合,精确量化船舶会遇方位各边界数值,得出船舶会遇8方位图和12类船舶会遇模式;（2）提出改进的变尺度Sliding window算法,构建船舶轨迹点的价值衡量体系,识别并提取AIS轨迹数据中具有时空特性的关键特征点。提升整体AIS数据质量,降低后续研究的运算量,挖掘轨迹数据中隐藏的船舶操纵行为;（3）提出船舶操纵行为基（Ship Handling Behavior Basic,SHBB）的概念。在船舶轨迹关键特征点的位置切割船舶轨迹,采用T分布随机近邻嵌入（T-Distributed Stochastic Neighbor Embedding,T-SNE）和谱聚类的联合算法对截断产生的船舶子轨迹段进行聚类分析,得到1 1类船舶的操纵行为模式;（4）构建双向长短时记忆循环神经网络（Bidirectional Long Short-Term Memory Recurrent Neural Network,Bi-LSTM RNN）来预测船舶航行行为,预判他船航行时的操纵意图,提高船舶智能避碰系统的准确性、有效性和先验性;（5）基于提取出的船舶会遇避碰成功案例,构建Encoder-Decoder应答式网络对船舶避碰行为模式库进行seq2seq的结构化机器学习,快速学习经过筛选识别的船舶会遇数据,通过应答的方式生成船舶避碰决策;（6）将训练成熟的Encoder-Decoder网络迁移嵌套进入条件-生成对抗神经网络之中并结合所提出的船舶操纵行为基拼接规则构建基于序列-条件生成对抗神经网络（Sequence Conditional Generative Adversarial Networks,Seq-CGAN）的船舶智能避碰拟人化决策的结构化学习模型,使生成的决策更为贴近海上航行的通常做法以及良好船艺的要求,提高与有人船的融合性,力求得出拟人化的船舶智能避碰决策。综上所述本文有效地提升了船舶避碰的智能化水平,降低了船舶碰撞风险,对保障船舶海上航行安全具有现实意义,为数据科学在海事领域中的应用提供了重要理论基础,为人工智能技术在船舶驾驶方向的应用提供研究支持。
周翔宇[5]（2020）在《面向自主船舶的危险分析方法研究》文中研究说明继蒸汽技术革命、电力技术革命、计算机及信息技术革命之后,以人工智能、物联网、云计算、虚拟现实、量子信息技术等为代表的第四次工业革命正在改变世界。信息和通信技术的进步、信息分析能力的提高为各行各业创造了革命性的发展机会,在航运业中,以更为安全、高效、绿色的方式运载货物和乘客的自主船舶正受到前所未有的关注,并已成为航运业未来的发展方向。作为航运业数字化转型和新技术革新的代表,相较于仅由人工控制的常规船舶,自主船舶将在总体设计结构、系统交互方式、动力驱动来源等方面发生颠覆性的变化,同时,随着船岸间、船舶各子系统间的互联互通,自主船舶将成为现代航运生态体系中的传感器中枢和数据生成器。在此背景下,为避免由于自主船舶的引入对当前海上交通状况可能造成的负面影响,并确保自主船舶的预期安全水平至少不低于常规船舶的现有安全水平,不仅需要关注包括航行安全、货物安全在内的传统安全,还需要考虑以网络安全为代表的非传统安全。因此,针对自主船舶的安全性开展理论研究是十分必要且具有重要意义的。本文围绕自主船舶的安全性,以危险分析方法为研究对象,在明确自主船舶运行特点的基础上,提出了一种适用于自主船舶的安全性协同分析方法。以远程控制船舶为例,使用所提出的方法对其进行了危险分析,并利用模型检测工具UPPAAL验证了危险分析结果的正确性。本文的主要研究工作及成果如下。（1）自主船舶的定义及自主水平分级方法研究。从自主船舶的历史沿革和发展历程入手,在明确自主船舶的定义及其中英文表述的基础上,分析了现有自主水平分级标准存在的局限性,并提出了一种基于航海实践的自主水平分级方法。研究结果表明,划分自主水平的关键在于能否独立于人的干预完成相应的任务或实现相应的功能,而非取决于船舶自动化水平和/或决策地点。以2艘搭载自主航行技术的测试船舶为例,相较于现有自主水平分级标准,所提出的自主水平分级方法有效避免了由于单一功能的自主实现导致船舶整体自主水平认定不准确的弊端,得出的分级结果更符合客观事实。（2）危险分析方法的适用性研究。为筛选出一种或多种能够捕获自主船舶运行特点的危险分析方法,面向自主船舶提出了一种基于系统工程的适用性评估方法。该方法依据制定的适用性评估程序,生成了以功能方式描述的系统级安全需求和与自主船舶设计目标相联系的评估准则。适用性评估过程面向29种广泛使用的危险分析方法展开,结果表明,系统理论过程分析（System-Theoretic Process Analysis,STPA）方法满足了所有的评估准则,其能够更好地理解系统行为、识别危险,并揭示危险致因因素,是目前适用于自主船舶的、最具潜力和发展前途的危险分析方法之一。（3）面向自主船舶的安全性协同分析方法研究。在明确自主船舶运行特点的基础上,考虑到日益增加的网络威胁对自主船舶系统安全性的负面影响,提出了一种基于STPA 的安全性协同分析方法,即 STPA-SynSS（STPA-based analysis methodology that Synthesizes Safety and Security）。该方法在STPA的基础上提出了 6项改进,并提供了一个识别危险并揭示危险致因因素的综合过程,有效实现了对潜在危险的持续跟踪和闭环管理。以远程控制船舶的避碰场景为例,使用所提出的方法对该场景进行了详细的危险分析,并生成了具体的危险控制策略。危险分析结果的对比分析表明,相较于STPA,STPA-SynSS能够识别出更多的不安全控制行为和损失场景,同时,能够生成更具针对性的危险控制策略,证明了该方法的有效性和先进性。（4）考虑退化组件的自主船舶安全性建模研究。使用STPA-SynSS生成损失场景时,需要考虑因组件性能退化导致的不安全控制行为。为表征自主船舶的系统安全性状态随时间退化的特性,将系统安全性分析由“二态假设”扩展为多状态。根据STPA-SynSS实例分析中构建的控制结构,对远程控制船舶的安全性进行建模,构建了服从指数分布的安全性函数和描述系统达到安全性极限状态的时间分布函数。该模型可用于指导设计人员将更有针对性的安全性设计纳入到系统中,并面向退化组件建立相应的保护机制,以避免危险从潜在状态向可能导致损失的现实事故状态转移。（5）自主船舶的形式化建模与危险分析结果验证研究。为克服危险分析结果的正确性和完整性无法得到验证的限制,创新性地将形式化方法引入危险分析过程,提出了一种基于时间自动机的STPA-SynSS扩展流程。在构建时间自动机网络模型的基础上,通过利用模型检测工具UPPAAL对系统模型的有穷状态空间进行穷尽搜索,以检验语义模型与其性质规约间的满足关系,从而验证系统建模的活性和危险分析结果的正确性。验证结果表明,远程控制船舶时间自动机网络模型无死锁且运行正确,STPA-SynSS识别的不安全控制行为均会发生,即验证了 STPA-SynSS危险分析结果的正确性,同时,证明了所提出的STPA-SynSS扩展流程的有效性。本文的研究结论为识别、控制自主船舶的潜在危险奠定了较为坚实的理论基础,在一定程度上满足了航运业对于明确并提高自主船舶安全性的迫切需求。同时,可为自主船舶的安全性设计提供参考,有力保障自主船舶的安全运营。
胡旭[6]（2020）在《基于VDES的海上船舶自组网接入协议研究》文中提出随着国际贸易的不断增长,船舶数量和消息种类与之激增,为保障海上船舶通信的可靠性,本文以原始自组织时分多址接入（Self-organized Time Division Multiple Access,SOTDMA）协议为基础,设计适用于下一代海上船舶通信系统——甚高频（Very High Frequency,VHF）数据交换系统（VHF Data Exchange System,VDES）的媒体接入控制（Media Access Control,MAC）协议,为VDES中接入协议标准的制定提供了理论参考和技术支撑。首先,本文对VDES不同信道中的消息类型进行重新梳理,并针对原始SOTDMA协议中时隙冲突率随消息数量增加而激增的问题,基于概率公式对其产生的原因进行理论研究。随后,为了降低VDES信道中的时隙冲突,本文在SOTDMA协议基础上提出一种适用于 VDES 的自组织时分多址接入（VDES based Self-organized Time Division Multiple Access,VSOTDMA）协议。在VSOTDMA协议中,通过设置了一种消息类型定向迁移方案,来保障高优先级消息传输的可靠性。本文搭建了 VDES协议仿真系统,分析了报文报告率、船舶数量和时隙冲突率三者之间的关系。此外,为了全面降低时隙冲突,本文又提出一种面向船舶自组网的新型VDES媒体接入控制协议,即基于时隙冲突反馈的时分多址接入（Feedback based Time Division Multiple Access,FBTDMA）协议。通过在协议中增加冲突反馈机制,使船舶逐渐减少时隙冲突,并在VDES协议仿真系统中分析其在时隙冲突率、信道利用率和成功传输的信息量等方面的性能。最后,本文依据海上船舶运动状态的实际情况,在VDES协议仿真系统中模拟了大场景下海上船舶通信中可能产生的冲突情况,并比较了 SOTDMA协议、VSOTDMA协议和FBTDMA协议的优缺点及适用范围。
向琛[7]（2020）在《基于孤立森林算法的船舶异常行为集成检测》文中进行了进一步梳理船舶异常行为检测是海上航行安全的重要保障,因此对船舶异常行为进行检测研究不仅能够协助海事部门对水域进行更有效的实时监管,而且能够帮助管理人员对水域内的船舶行为进行更清晰的识别,及时发现船舶的异常运动轨迹与船舶异常运动的位置点,提高水域监管效率。本文主要以船舶异常行为为研究对象,采用孤立森林算法来对船舶异常行为检测的问题进行研究。主要研究方法是先对船舶自动识别系统（Automatic Identification System,AIS）提供的原始数据进行预处理,对船舶轨迹点进行简化、分割后利用基于密度的聚类算法（Density-Based Spatial Clustering of Application with Noise,DBSCAN）对船舶轨迹段进行聚类,从聚类结果中选择出异常的轨迹类、把远离正常类典型轨迹的路线判定为异常轨迹。然后在聚类结果的正常类中加工出表征船舶运动特征的六组特征数据,将孤立森林（Isolation Forest,iForest）算法引入船舶异常行为检测。利用iForest算法模型分别计算六组特征数据的异常分值,再运用集成分析和熵权法综合不同的运动特征得分算出最终分值。最后采用测试集评估指标来设定异常运动判断标准,导入验证集数据检验算法有效性。结果表明:实验中已知异常轨迹和异常点的查全率为100%,查全率与查准率受阈值选取的影响较大,算法性能的接收者操作特征曲线（Receiver Operating Characteristic Curve,ROC）较优,曲线下面积（Area Under the Curve,AUC）的值为 0.9883。该方法综合了船舶间的相互影响,使异常检测更加全面,算法更适合海量数据的数据集,能够更好地提高海事部门对船舶的监管效率。本文主要工作成果:（1）从船舶异常行为检测研究结果的角度对船舶异常行为检测进行综述并分类,发现当前船舶异常行为检测的研究中存在异常检测结果单一、大量研究未考虑船舶间相互作用、误报率高等问题。（2）提出了一种结合DBSCAN算法和iForest算法的船舶异常行为检测框架,将检测结果清晰地分为轨迹位置异常、航速异常、航向异常、转向异常、转向率异常、相对距离异常、相对速度异常及其他异常这8种。（3）首次将iForest算法应用于海上交通领域,探讨了这种不用对“正常”行为建模,而是针对异常数据在数据集中的特征来进行船舶异常行为检测的可行性。
陈嘉怡[8]（2020）在《《国际海上避碰规则》对无人船适用的障碍与对策》文中研究指明海上航行将长期处于混合航海模式下,无人船与载人船并行于海面须共同遵守《1972年国际海上避碰规则》（以下简称“《避碰规则》”）,然而《避碰规则》中大量条款直接对“人为因素”的发挥进行了规定,导致对无人船适用存在障碍。本文立足于海上航行环境、无人船的操纵模式、无人船驾驶和避碰系统及设备技术发展,就《避碰规则》对无人船适用的障碍与对策进行了研究,共包括五个部分。第一部分阐述了《避碰规则》对无人船适用的问题概述,肯定了《避碰规则》对无人船适用,并将《避碰规则》中的条款根据“人为因素”导致对无人船适用的障碍性进行了概括性论述,总结存在适用障碍且需要进行修改和研究的核心条款。第二部分研究了“良好船艺”条款对无人船适用的障碍与对策。分析和研究了无人船基于“人为因素”的缺失导致实现“良好船艺”存在障碍的原因,因此导致实现“良好船艺”的要求及作出背离行动存在障碍,提出了引入“功能等效原则”和重新定义“良好船艺”条款的解决对策。第三部分研究了了望条款对无人船适用的障碍与对策。明确了无人船的航行须遵守了望条款,就了望条款对无人船基于未搭载船员、对“人为因素”依赖程度高、助航设备局限性导致适用存在障碍的原因,及由此引发实现“直接了望”和“充分有效的了望”的障碍,提出厘清了望主体、扩大解释了望条款及利用“功能等效原则”实现“正规的了望”的对策。第四部分研究了“互见”条款对无人船适用的障碍与对策。明确了“互见”条款对无人船航行的重要意义,基于“互见”的固有缺陷、未搭载船员、会遇情况复杂化等原因分析了“互见”条款对无人船适用的障碍,提出引入“电子互见”条款、增加无人船显示条款的对策。第五部分研究了“失控船”条款对无人船适用的障碍与对策。明确了无人船并非当然为“失去控制的船”（以下简称“失控船”）,并就无人船被认定为“失控船”及识别他船失控的障碍进行分析,提出了明确无人船的“失控认定”、正确显示无人船失控状态等对策。
彭殊龙[9]（2020）在《海上宽带无线自组网路由协议的研究与实现》文中研究说明随着人类海洋活动的日益频繁,人们对海上宽带通信的需求也越来越大。当前海上无线通信系统存在带宽窄、速率低、成本高等问题,无法满足现代海上互联网通信业务的需求,人们迫切地需要一个支持宽带、高速率通信、低成本的海上无线通信系统。本文结合海上通信环境的特殊性,对海上宽带无线自组织网络的路由协议进行研究,并设计开发海上自组织网通信节点的路由协议软件,实现多跳组网功能。本文的主要工作内容如下:路由协议是影响无线自组织网络（Ad Hoc Network）性能的关键协议之一,不同的路由协议针对不同的应用场景具有不同的优势。针对海上通信环境,对DSR（Dynamic Source Routing,DSR）、OLSR（Optimized Link State Routing,OLSR）和 AODV（Ad hoc On-Demand Distance Vector Routing,AODV）路由协议进行原理分析和对比,并通过仿真软件对三种协议的包投递率和平均端到端时延进行仿真。选择AODV路由协议作为海上宽带无线自组网的路由协议,结合海上船舶特性,利用AIS（Automatic Identification System,AIS）报文提取出船舶位置信息,对AODV路由发现过程进行改进,降低路由开销,提出 AIS 辅助 AODV路由协议（AIS-aided AODV,A-AODV）。基于嵌入式软件开发环境,开发A-AODV路由协议软件,设计软件整体架构,将整个协议功能根据不同消息类型分为多个功能模块,其中包括路由请求模块、路由应答模块、路由错误模块、MAC（Medium Access Control,MAC）层上传数据处理模块和本机上层数据处理模块,对设计难点提出解决方案,接着对路由表和位置表格进行程序实现,对各个功能模块进行详细设计,最后是辅助功能设计,主要有多线程同步、环形缓冲区设计、消息标志位和以太网通信等。程序编译后运行在基于软件无线电的海上自组织网通信节点上,对物理层参数进行配置,搭建实验环境,设计了模块功能验证实验、多跳宽带数据传输、链路中断时重新发现路由实验和包投递率统计。实验结果表明,所设计实现的A-AODV路由协议软件能够实现自组织网通信节点的路由发现与维护、多跳数据传输等功能,可以满足现代海上互联网业务对高速率、多跳传输的需求,对发展海上宽带无线自组织网络的应用具有一定的现实意义。
赵延鹏[10]（2020）在《基于AIS数据的VLCC入泊安全预警系统研究》文中进行了进一步梳理我国是世界上的原油进口大国,有90%以上是通过船舶运输完成,而VLCC船舶在其中承担着重要的角色。VLCC船舶的运营对社会的经济发展和人员安全,以及海洋生态环境保护都有着重要的影响,其一旦发生事故,后果将是灾难性的。针对VLCC运输安全中的入泊环节,现有的研究重点都集中于VLCC船舶的港内安全操纵,尚未有利用AIS数据全面的对其入泊过程进行船舶轨迹分析的研究,因此,利用AIS数据分析出船舶入泊过程的船位、航速及航向的安全控制范围,建立VLCC入泊安全预警系统就显得很有必要。本文选取世界第一大港——宁波舟山港中的算山码头1#VLCC泊位为研究对象,首先,结合算山码头1#泊位VLCC入泊操纵要点,确定VLCC船舶信息实态调查的范围和内容,以及统计门线设置的基本标准;其次,通过船讯网AIS信息服务平台收集了2016-2018年的135份入泊算山码头1#泊位的VLCC船舶AIS历史轨迹数据,根据轨迹数据特点细分船舶位置、航向、航速统计门线,并对各个门线区域的船舶入泊位置、航向、航速进行统计分析。基于对统计数据分析总结,结合算山码头1#泊位的操纵规范和当地引航站的建议,确定了 VLCC入泊位置、航向、航速的安全控制范围;再次,根据AIS轨迹数据的航迹宽度、航速、航向的特点,利用MATLAB对船位-航向、船位-航速对应的点进行曲线拟合,得出了 VLCC在入泊监控范围内任意位置的实时航速及航向控制模型。最后,利用与AIS数据兼容度较高的ECDIS,设计开发了 VLCC入泊安全预警系统,对入泊的VLCC的航速、航向控制以及轨迹合理性进行实时全面的监控,保证VLCC的入泊安全。本文分析的VLCC入泊轨迹特征,如航迹宽度、航速和航向的统计特点,对VLCC的实际靠泊操作有一定的指导意义,开发的VLCC入泊安全预警系统可有效地对VLCC入泊进行监控和预警,从而提高VLCC入泊作业的安全性。
二、AIS——未来海上航行的安全保障（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、AIS——未来海上航行的安全保障（论文提纲范文）
（1）VDES系统可视化场景仿真和物理层关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.4 论文主要工作与内容安排 |
| 第二章 VDES系统基础 |
| 2.1 VDES系统架构 |
| 2.2 VDES信道频率划分 |
| 2.3 VDES系统接入协议介绍 |
| 2.3.1 VDES系统工作流程 |
| 2.3.2 SOTDMA协议 |
| 2.4 VDES物理层关键技术 |
| 2.4.1 AIS链路 |
| 2.4.2 ASM链路 |
| 2.4.3 VDE链路 |
| 2.5 本章小结 |
| 第三章 自适应的信道选择和可视化场景仿真 |
| 3.1 VDES消息类型 |
| 3.1.1 ASM消息类型 |
| 3.1.2 VDE消息类型 |
| 3.2 自适应的信道选择设计方案 |
| 3.2.1 消息分类 |
| 3.2.2 自适应信道选择 |
| 3.3 基于自适应信道选择的场景仿真 |
| 3.3.1 单个密集小区场景仿真 |
| 3.3.2 基于岸基场景仿真 |
| 3.3.3 星载环境场景仿真 |
| 3.4 基于场景仿真的可视化数据展示 |
| 3.5 本章小结 |
| 第四章 VDES信号接收算法研究 |
| 4.1 VDES系统信号的产生 |
| 4.2 信号检测 |
| 4.2.1 匹配滤波检测算法 |
| 4.2.2 循环特征检测算法 |
| 4.2.3 能量检测法 |
| 4.2.4 仿真结果分析 |
| 4.3 帧同步 |
| 4.3.1 经典帧同步算法 |
| 4.3.2 抗大频偏的基于相位变化量的信号检测算法 |
| 4.4 频率相位估计 |
| 4.4.1 信息相位剥离 |
| 4.4.2 经典频率相位估计方法 |
| 4.4.3 FFT |
| 4.4.4 仿真结果分析 |
| 4.5 信号解调 |
| 4.5.1 非相干检测算法 |
| 4.5.2 基于高精度频偏估计的ML解调算法 |
| 4.5.3 QAM的相干解调方法 |
| 4.6 检错与纠错 |
| 4.6.1 CRC校验原理 |
| 4.6.2 基于置信度标定的强力纠错算法 |
| 4.7 仿真结果与分析 |
| 4.8 本章小结 |
| 第五章 VDES信号接收算法测试 |
| 5.1 测试平台介绍 |
| 5.2 硬件模块功能介绍 |
| 5.2.1 AD9361 芯片配置 |
| 5.2.2 FPGA模块介绍 |
| 5.3 硬件验证测试 |
| 5.3.1 测试环境 |
| 5.3.2 不同频偏下的灵敏度测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）多源船位数据南海北部2018年渔业捕捞强度空间特征挖掘（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 AIS/VMS轨迹数据 |
| 1.2.2 夜间灯光遥感数据 |
| 1.2.3 其他数据 |
| 1.2.4 多源船位数据渔业捕捞研究 |
| 1.3 当前研究现状评述 |
| 1.4 研究思路与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.4.3 文章结构 |
| 2 研究区及数据源简介 |
| 2.1 研究区概况 |
| 2.1.1 研究区位置 |
| 2.1.2 研究区气候及环境 |
| 2.1.3 其他 |
| 2.2 数据源 |
| 2.2.1 船舶轨迹数据 |
| 2.2.2 渔船夜间灯光VBD数据 |
| 2.2.3 其他数据源 |
| 2.3 数据预处理及平台简介 |
| 2.3.1 预处理内容 |
| 2.3.2 处理平台简介 |
| 2.4 本章小结 |
| 3 基于渔船AIS的海洋渔业捕捞强度空间特征挖掘 |
| 3.1 研究背景 |
| 3.2 技术路线与研究方法 |
| 3.2.1 技术路线 |
| 3.2.2 渔船作业分析 |
| 3.3 渔船捕捞强度空间特征分析 |
| 3.3.1 渔船捕捞强度制图及特征分析 |
| 3.3.2 捕捞强度整体分布特征 |
| 3.3.3 捕捞强度数据对比与分析 |
| 3.3.4 各月间捕捞强度数据对比 |
| 3.4 结论与讨论 |
| 3.5 本章小结 |
| 4 多源船位数据融合下的海洋渔业捕捞强度分析 |
| 4.1 研究背景 |
| 4.2 研究方法 |
| 4.2.1 研究思路及框架 |
| 4.2.2 卫星过境研究区时刻插值 |
| 4.2.3 矢量点数据匹配与融合 |
| 4.2.4 数据融合拟合关系建立 |
| 4.2.5 融合矢量数据点核密度分析 |
| 4.3 数据融合及捕捞强度分析 |
| 4.3.1 AIS与 VBD匹配分析 |
| 4.3.2 海洋渔业捕捞强度特征 |
| 4.3.3 各月间捕捞强度比较分析 |
| 4.4 讨论与结论 |
| 4.4.1 讨论 |
| 4.4.2 结论 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 不同方法比较、分析 |
| 5.2 主要工作及创新性 |
| 5.3 研究结论 |
| 5.4 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间研究成果 |
（3）基于机器学习和AIS数据的船舶轨迹预测模型的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 缺失值处理技术 |
| 1.2.2 轨迹聚类方法 |
| 1.2.3 轨迹预测方法 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 相关理论基础 |
| 2.1 AIS相关技术 |
| 2.1.1 AIS概念 |
| 2.1.2 AIS设备组成 |
| 2.1.3 AIS信息数据类型 |
| 2.1.4 AIS信息解码方式 |
| 2.1.5 AIS应用领域 |
| 2.2 船舶航行轨迹建模方法 |
| 2.3 轨迹间距离度量 |
| 2.4 循环神经网络 |
| 2.4.1 长短期记忆网络 |
| 2.4.2 门控递归单元网络 |
| 2.5 Seq2Seq模型 |
| 2.6 本章小结 |
| 第三章 船舶轨迹预测模型的设计 |
| 3.1 模型设计的需求分析与目标 |
| 3.2 轨迹预测模型的整体架构 |
| 3.3 船舶轨迹提取模块设计 |
| 3.3.1 利用船舶状态提取轨迹数据 |
| 3.3.2 利用船舶航速和AIS数据时间提取轨迹数据 |
| 3.4 AIS数据处理模块设计 |
| 3.4.1 缺失值处理 |
| 3.4.2 现有缺失值插补算法 |
| 3.4.3 双向加权平均插值法 |
| 3.4.4 异常数据处理 |
| 3.5 船舶轨迹聚类模块设计 |
| 3.5.1 船舶轨迹聚类定义与描述 |
| 3.5.2 基于区域相似度的轨迹聚类算法 |
| 3.6 船舶轨迹预测模块设计 |
| 3.6.1 数据归一化 |
| 3.6.2 聚类再回归 |
| 3.6.3 改进Seq2Seq的预测模型 |
| 3.7 本章小结 |
| 第四章 船舶轨迹预测模型的实现 |
| 4.1 船舶轨迹预测模型实现和执行流程 |
| 4.2 船舶轨迹提取实现 |
| 4.2.1 轨迹提取实现 |
| 4.2.2 提取后的船舶航行轨迹数据 |
| 4.3 AIS数据处理实现 |
| 4.3.1 缺失值插补算法对比及选择 |
| 4.3.2 缺失值插补实现 |
| 4.3.3 异常数据处理实现 |
| 4.4 船舶轨迹聚类实现 |
| 4.4.1 航行区域网格编号 |
| 4.4.2 轨迹序列转换区域序列 |
| 4.4.3 基于区域相似度聚类过程实现 |
| 4.4.4 聚类参数设置 |
| 4.5 船舶轨迹预测实现 |
| 4.5.1 改进Seq2Seq模型的船舶轨迹预测模型 |
| 4.5.2 轨迹预测过程实现 |
| 4.6 本章小结 |
| 第五章 模型测试与对比结果分析 |
| 5.1 测试对比环境与数据集 |
| 5.1.1 硬件环境 |
| 5.1.2 数据集 |
| 5.2 船舶轨迹聚类测试对比 |
| 5.2.1 聚类算法对比 |
| 5.2.2 聚类时间对比 |
| 5.3 船舶轨迹预测测试对比 |
| 5.3.1 输入序列结构 |
| 5.3.2 评价指标 |
| 5.3.3 聚类再回归测试 |
| 5.3.4 不同模型的比较 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（4）基于Seq-CGAN与操纵行为基拼接的船舶智能避碰决策结构化学习（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 海上航行安全保障研究背景 |
| 1.1.2 智能/无人/自主船研究背景 |
| 1.1.3 大数据背景 |
| 1.2 国内外相关研究现状及进展 |
| 1.2.1 自动避碰 |
| 1.2.2 智能避碰 |
| 1.3 研究目的和研究意义 |
| 1.4 本文主要研究思路及技术路线 |
| 1.5 研究内容及方法 |
| 2 基于SVC的船舶会遇方位区域划分 |
| 2.1 基于AIS数据的船舶会遇数据提取 |
| 2.1.1 船舶会遇要素计算 |
| 2.1.2 对遇局面数据提取 |
| 2.1.3 追越局面数据提取 |
| 2.1.4 交叉相遇局面数据提取 |
| 2.2 基于SVC的船舶会遇方位区域划分 |
| 2.3 船舶避碰海上会遇方位图谱以及会遇模式识别 |
| 2.4 本章小结 |
| 3 基于改进的变尺度Sliding window算法的船舶时空特性关键特征点提取 |
| 3.1 原始Sliding window算法 |
| 3.2 时空距离偏移改进 |
| 3.3 角度偏移改进 |
| 3.4 改进的变尺度Sliding window算法提取关键特征点 |
| 3.5 算法阈值选定 |
| 3.6 关键特征点算法提取效率对比 |
| 3.7 本章小结 |
| 4 基于T-SNE和谱聚类的船舶操纵行为降维与识别 |
| 4.1 船舶操纵行为单元筛选 |
| 4.1.1 船舶AIS子轨迹段七元组 |
| 4.1.2 船舶AIS轨迹单元筛选 |
| 4.2 基于T-SNE的船舶轨迹单元降维与可视化 |
| 4.3 基于谱聚类算法识别船舶操纵行为基 |
| 4.3.1 谱聚类算法 |
| 4.3.2 聚类算法对比 |
| 4.4 船舶操纵行为基 |
| 4.5 本章小结 |
| 5 基于Bi-LSTM RNN的有人船航行行为预测 |
| 5.1 RNN网络结构 |
| 5.2 LSTM细胞结构 |
| 5.3 双向循环神经网络 |
| 5.4 Bi-LSTM RNN船舶航行行为预测模型 |
| 5.5 本章小结 |
| 6 基于Seq-CGAN的船舶智能避碰拟人化决策的结构化学习 |
| 6.1 训练数据准备 |
| 6.2 训练数据标准化 |
| 6.3 GAN网络及改进策略 |
| 6.3.1 GAN网络 |
| 6.3.2 GAN网络的缺点以及相应的改进策略 |
| 6.4 基于Encoder - Decoder的自动应答网络的结构化船舶避碰模式学习 |
| 6.4.1 结构化学习 |
| 6.4.2 seq2seq模型 |
| 6.4.3 基于Encoder-Decoder的船舶避碰模式结构化学习 |
| 6.4.4 迁移学习 |
| 6.5 船舶操纵行为基拼接规则 |
| 6.5.1 胶囊化结构拼接 |
| 6.5.2 拼接阈值选择 |
| 6.6 基于Seq-CGAN的船舶智能避碰拟人化决策的结构化学习模型 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（5）面向自主船舶的危险分析方法研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的必要性及意义 |
| 1.3 国内外相关研究现状及进展 |
| 1.3.1 自主船舶的安全性研究 |
| 1.3.2 危险分析方法的发展与演变 |
| 1.3.3 系统理论过程分析的应用 |
| 1.4 自主船舶安全性研究中存在的问题及解决思路 |
| 1.5 主要研究内容与结构框架 |
| 1.5.1 主要研究内容 |
| 1.5.2 结构框架 |
| 1.6 本章小结 |
| 2 自主船舶的定义及其自主水平的界定 |
| 2.1 自主船舶的历史沿革 |
| 2.2 自主船舶的发展历程 |
| 2.3 自主船舶的定义与自主化演变 |
| 2.3.1 自主船舶的定义 |
| 2.3.2 船舶自主化的演变 |
| 2.4 自主水平分级标准 |
| 2.4.1 LR自主水平分级标准 |
| 2.4.2 NFAS自主水平分级标准 |
| 2.4.3 DMA自主水平分级标准 |
| 2.4.4 MASRWG自主水平分级标准 |
| 2.4.5 BV自主水平分级标准 |
| 2.4.6 IMO自主水平分级标准 |
| 2.5 自主水平分级标准的划分依据 |
| 2.6 基于航海实践的自主水平分级方法 |
| 2.7 实例分析 |
| 2.7.1 “Folgefonn”号渡轮自主水平分级 |
| 2.7.2 “Falco”号渡轮自主水平分级 |
| 2.8 本章小结 |
| 3 面向自主船舶的危险分析方法适用性评估 |
| 3.1 危险分析方法的选取与概述 |
| 3.1.1 基于事件链的危险分析方法 |
| 3.1.2 基于能量转移的危险分析方法 |
| 3.1.3 基于状态迁移的危险分析方法 |
| 3.1.4 基于系统理论的危险分析方法 |
| 3.1.5 其他危险分析方法 |
| 3.2 基于系统工程的适用性评估方法 |
| 3.2.1 文献综述的数据准备 |
| 3.2.2 危险分析方法的筛选 |
| 3.2.3 评估程序的确定 |
| 3.2.4 评估准则的生成 |
| 3.3 适用性评估过程 |
| 3.3.1 聚类分析 |
| 3.3.2 适用性评估结果 |
| 3.4 适用性评估结果分析 |
| 3.4.1 存在局限性的危险分析方法 |
| 3.4.2 STPA的适用性分析 |
| 3.5 本章小结 |
| 4 面向自主船舶的危险分析与安全性建模 |
| 4.1 自主船舶的系统安全描述 |
| 4.1.1 自主船舶的运行特点 |
| 4.1.2 自主船舶面临的系统风险 |
| 4.2 危险分析的基本原理 |
| 4.2.1 危险及其相关术语的定义 |
| 4.2.2 危险的转化 |
| 4.2.3 危险分析过程 |
| 4.3 基于STPA的安全性协同分析方法 |
| 4.3.1 STPA及其扩展方法的局限性 |
| 4.3.2 STPA-SynSS的提出 |
| 4.4 考虑退化组件的自主船舶安全性建模 |
| 4.5 实例分析 |
| 4.5.1 基于STPA-SynSS的远程控制船舶危险分析 |
| 4.5.2 考虑退化组件的远程控制船舶安全性建模 |
| 4.6 STPA-SynSS与STPA危险分析结果的对比分析 |
| 4.7 本章小结 |
| 5 面向自主船舶的形式化建模与危险分析结果验证 |
| 5.1 形式化方法概述 |
| 5.2 基于时间自动机的模型检测方法 |
| 5.2.1 模型检测的基本原理 |
| 5.2.2 时间自动机理论 |
| 5.2.3 时间自动机网络 |
| 5.2.4 模型检测工具UPPAAL概述 |
| 5.3 基于时间自动机的STPA-SynSS扩展流程 |
| 5.4 远程控制船舶时间自动机网络模型的构建 |
| 5.5 STPA-SynSS危险分析结果的验证 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（6）基于VDES的海上船舶自组网接入协议研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 VDES发展现状 |
| 1.2.2 VDES接入协议研究现状 |
| 1.3 论文主要内容及结构安排 |
| 2 VDES系统概述及理论基础 |
| 2.1 VDES系统架构 |
| 2.2 VDES信道划分方案 |
| 2.3 VDES相关技术 |
| 2.3.1 VDES调制解调技术 |
| 2.3.2 VDES时隙层级与结构 |
| 2.3.3 TDMA协议 |
| 2.4 本章小结 |
| 3 VDES时分多址接入技术设计 |
| 3.1 VDES消息类型 |
| 3.2 SOTDMA协议工作原理 |
| 3.3 SOTDMA协议理论建模与分析 |
| 3.3.1 SOTDMA协议时隙冲突建模 |
| 3.3.2 SOTDMA协议时隙冲突理论分析 |
| 3.3.3 理论结果及分析 |
| 3.4 VSOTDMA协议设计 |
| 3.4.1 AIS消息类型定向迁移方案 |
| 3.4.2 改进后网络运行流程 |
| 3.5 本章小结 |
| 4 VDES时分多址接入协议仿真与性能分析 |
| 4.1 VDES协议仿真系统搭建 |
| 4.1.1 VDES仿真建模流程 |
| 4.1.2 VDES协议运行流程 |
| 4.2 协议仿真及结果分析 |
| 4.2.1 仿真性能指标 |
| 4.2.2 仿真参数设置 |
| 4.2.3 仿真结果与分析 |
| 4.3 本章小结 |
| 5 VDES改进的时分多址接入协议设计与性能分析 |
| 5.1 FBTDMA协议设计 |
| 5.2 FBTDMA协议运行流程 |
| 5.3 FBTDMA协议仿真与性能分析 |
| 5.3.1 仿真性能指标与参数设置 |
| 5.3.2 仿真结果分析 |
| 5.4 大场景下FBTDMA协议仿真分析 |
| 5.4.1 船舶比例设置 |
| 5.4.2 仿真结果对比分析 |
| 5.5 三种协议比较分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（7）基于孤立森林算法的船舶异常行为集成检测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 船舶异常行为的定义及分类 |
| 1.3 船舶异常行为检测研究综述 |
| 1.3.1 检测结果仅为轨迹位置异常 |
| 1.3.2 检测结果为轨迹位置及航向、航速异常 |
| 1.3.3 检测结果为特定情境异常 |
| 1.3.4 只有研究框架而无具体结果 |
| 1.3.5 综述小结 |
| 1.4 孤立森林算法研究现状及发展 |
| 2 AIS数据及iForest算法模型的数据基础 |
| 2.1 AIS数据介绍 |
| 2.2 AIS数据预处理 |
| 2.3 iForest算法模型的数据基础 |
| 3 船舶异常行为的孤立森林检测算法 |
| 3.1 船舶轨迹分割 |
| 3.2 船舶轨迹相似性度量 |
| 3.3 基于DBSCAN算法的船舶运动模式识别 |
| 3.4 基于孤立森林算法的检测模型 |
| 3.4.1 孤立森林的构造 |
| 3.4.2 子采样数据量φ,iTree数量与树高限制l |
| 3.4.3 异常评分 |
| 3.4.4 异常集成检测算法 |
| 3.4.5 组合权重的确定 |
| 3.5 异常分值阈值的确定 |
| 4 实例验证与结果分析 |
| 4.1 研究区域的选取及实验数据量的选取 |
| 4.1.1 老铁山水道简介 |
| 4.1.2 数据量的选取 |
| 4.2 异常数据的选取 |
| 4.3 实验结果分析 |
| 4.4 方法评估 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（8）《国际海上避碰规则》对无人船适用的障碍与对策（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 第一章 《避碰规则》对无人船适用的问题概述 |
| 第一节 《避碰规则》对无人船适用的原因 |
| 一、无人船属于《避碰规则》调整的“船舶” |
| 二、混合航海模式下《避碰规则》须对船舶统一调整 |
| 第二节 《避碰规则》中对无人船适用存在障碍的条款梳理 |
| 一、《避碰规则》中基于人为因素对无人船适用存在障碍的条款梳理 |
| 二、《避碰规则》中需修改方可对无人船适用的条款 |
| 第二章 “良好船艺”条款对无人船适用的障碍与对策 |
| 第一节 “良好船艺”条款对无人船适用存在障碍的原因 |
| 一、无人船未搭载船员违反“良好船艺”条款对船员数量的要求 |
| 二、无人船航行缺乏“感知-决策”循环链的利用 |
| 第二节 “良好船艺”条款对无人船适用的障碍 |
| 一、无人船符合“良好船艺”条款中“早、大、清、宽”要求的障碍 |
| 二、无人船利用“感知-决策”循环链实现“良好船艺”的障碍 |
| 三、无人船利用“良好船艺”作出背离行动的障碍 |
| 第三节 “良好船艺”条款对无人船适用之障碍的对策 |
| 一、在《避碰规则》总则中引入“功能等效原则”条款 |
| 二、在《避碰规则》总则中重新定义“良好船艺”条款 |
| 第三章 了望条款对无人船适用的障碍与对策 |
| 第一节 了望条款对无人船适用存在障碍的原因 |
| 一、无人船未搭载船员下了望主体的缺失 |
| 二、助航设备的局限性引发了技术实现了望的疑问 |
| 三、“正规的了望”对“人为因素”依赖程度高 |
| 第二节 了望条款对无人船适用的障碍 |
| 一、无人船实现“直接了望”的障碍 |
| 二、无人船实现“充分有效的了望”的障碍 |
| 第三节 了望条款对无人船适用之障碍的对策 |
| 一、厘清了望条款的主体 |
| 二、对了望条款进行扩大解释 |
| 三、利用“功能等效原则”认定“正规的了望”义务的履行 |
| 第四章 “互见”条款对无人船适用的障碍与对策 |
| 第一节 “互见”条款对无人船航行的影响 |
| 一、“互见”条款在《避碰规则》中的涵义 |
| 二、“互见”条款是无人船避碰责任划分的重要依据 |
| 第二节 “互见”条款对无人船适用的障碍 |
| 一、“互见”固有缺陷下对无人船适用的障碍 |
| 二、未搭载船员下“互见”条款对无人船适用的障碍 |
| 三、显示义务履行障碍引发“互见”条款对无人船适用的障碍 |
| 四、会遇情况复杂化导致“互见”条款对无人船适用的障碍 |
| 五、基于“正规的了望”下“互见”条款对无人船适用的障碍 |
| 第三节 “互见”条款对无人船适用之障碍的对策 |
| 一、在《避碰规则》中引入“电子互见” |
| 二、在《避碰规则》中增加无人船的特殊显示义务 |
| 第五章 “失控船”条款对无人船适用的障碍与对策 |
| 第一节 无人船并非当然为“失控船” |
| 一、无人船的自主航行并非“失去控制” |
| 二、未搭载船员下的自动驾驶并非“异常因素” |
| 第二节 “失控船”条款对无人船适用的障碍 |
| 一、不同操纵模式下无人船认定为“失控船”的障碍 |
| 二、未搭载船员的无人船对“失控船”的识别障碍 |
| 第三节 “失控船”条款对无人船适用之障碍的对策 |
| 一、明确无人船的“失控”认定 |
| 二、提高无人船通讯技术和自动驾驶避碰系统 |
| 三、正确显示无人船的失控状态 |
| 结论 |
| 参考文献 |
| 攻读学位期间公开发表论文 |
| 致谢 |
| 作者简介 |
（9）海上宽带无线自组网路由协议的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 典型海上无线通信系统 |
| 1.2.1 海上无线电通信系统 |
| 1.2.2 海上卫星通信系统 |
| 1.3 海上宽带无线网络发展现状 |
| 1.4 本文研究内容及安排 |
| 2 Ad Hoc网络路由协议的研究 |
| 2.1 Ad Hoc网络概述 |
| 2.1.1 Ad Hoc网络的特点 |
| 2.1.2 Ad Hoc网络的关键技术 |
| 2.2 路由协议的研究 |
| 2.3 经典路由协议 |
| 2.3.1 DSR路由协议 |
| 2.3.2 OLSR路由协议 |
| 2.3.3 AODV路由协议 |
| 2.4 路由协议的分析和仿真 |
| 2.4.1 路由协议对比分析 |
| 2.4.2 路由协议的仿真 |
| 2.5 AODV路由协议改进 |
| 2.6 小结 |
| 3 A-AODV路由协议软件设计 |
| 3.1 软件设计整体架构 |
| 3.2 路由表和位置表格的设计 |
| 3.3 A-AODV路由协议消息格式 |
| 3.3.1 路由请求RREQ |
| 3.3.2 路由应答RREP |
| 3.3.3 路由错误RERR |
| 3.4 路由模块程序设计 |
| 3.4.1 RREQ消息处理模块 |
| 3.4.2 RREP消息处理模块 |
| 3.4.3 RERR消息处理模块 |
| 3.4.4 MAC层上传数据处理模块 |
| 3.4.5 本机上层数据处理模块 |
| 3.5 辅助功能设计 |
| 3.5.1 多线程设计 |
| 3.5.2 定时器 |
| 3.5.3 缓冲区和消息标志位的设计 |
| 3.5.4 以太网通信设计 |
| 3.5.5 本地ARP表设计 |
| 3.6 小结 |
| 4 实现和实验验证 |
| 4.1 海上自组织网通信节点介绍 |
| 4.1.1 硬件平台介绍 |
| 4.1.2 软件编译环境 |
| 4.1.3 开发工作流程 |
| 4.2 实验环境搭建 |
| 4.3 路由协议软件功能验证 |
| 4.3.1 协议功能模块验证 |
| 4.3.2 多跳传输 |
| 4.3.3 包投递率 |
| 4.4 实验分析和结论 |
| 4.5 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（10）基于AIS数据的VLCC入泊安全预警系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义中 |
| 1.2 国内外研究现状 |
| 1.2.1 靠泊安全研究现状 |
| 1.2.2 AIS数据应用研究现状 |
| 1.3 研究内容 |
| 2 基础知识 |
| 2.1 AIS系统概述 |
| 2.2 AIS系统组成和技术原理 |
| 2.3 ECDIS与AIS技术的结合 |
| 2.4 AIS数据及船讯网简介 |
| 3 算山1#泊位VLCC船舶入泊信息实态调查 |
| 3.1 算山码头1#泊位概况 |
| 3.1.1 算山码头地理位置 |
| 3.1.2 码头建设规模 |
| 3.1.3 码头总平面布置 |
| 3.1.4 码头设计船型 |
| 3.2 算山1#泊位VLCC船舶入泊操纵要点 |
| 3.2.1 入泊操纵水域概况 |
| 3.2.2 入泊操纵节点 |
| 3.2.3 入泊操纵方案 |
| 3.3 算山码头1#泊位VLCC船舶入泊信息实态调查方案 |
| 3.3.1 调查水域范围和调查内容 |
| 3.3.2 船舶位置统计门线设置 |
| 3.3.3 航向与航速统计门线设置 |
| 3.3.4 统计时间与数据来源 |
| 3.4 算山码头1#泊位VLCC船舶入泊信息实态调查结果 |
| 3.4.1 AIS数据处理 |
| 3.4.2 船舶入泊航向、航速信息调查结果 |
| 3.4.3 船舶入泊航迹信息调查结果 |
| 3.5 本章小结 |
| 4 算山码头1#泊位VLCC入泊预警控制信息研究 |
| 4.1 VLCC入泊信息统计及分析 |
| 4.1.1 入泊位置统计及分析 |
| 4.1.2 入泊航向统计及分析 |
| 4.1.3 入泊航速统计及分析 |
| 4.2 VLCC入泊预警控制信息研究 |
| 4.2.1 入泊位置控制 |
| 4.2.2 入泊航向控制 |
| 4.2.3 入泊航速控制 |
| 4.3 本章小结 |
| 5 VLCC入泊预警系统实现 |
| 5.1 系统主要功能介绍 |
| 5.2 系统整体结构及技术架构设计 |
| 5.2.1 系统整体结构 |
| 5.2.2 技术架构设计 |
| 5.3 功能实现流程 |
| 5.3.1 航迹偏离报警功能实现流程 |
| 5.3.2 航速报警功能实现流程 |
| 5.3.3 航向报警功能实现流程 |
| 5.4 系统可视化界面 |
| 5.5 系统验证 |
| 5.5.1 航迹偏离预警功能验证示例 |
| 5.5.2 航速预警功能验证示例 |
| 5.5.3 航向偏离预警功能验证示例 |
| 5.6 实际使用效果 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
四、AIS——未来海上航行的安全保障（论文参考文献）
- [1]VDES系统可视化场景仿真和物理层关键技术研究[D]. 朱继飞. 电子科技大学, 2021(01)
- [2]多源船位数据南海北部2018年渔业捕捞强度空间特征挖掘[D]. 李晓恩. 兰州交通大学, 2021(02)
- [3]基于机器学习和AIS数据的船舶轨迹预测模型的设计与实现[D]. 叶文哲. 电子科技大学, 2021(01)
- [4]基于Seq-CGAN与操纵行为基拼接的船舶智能避碰决策结构化学习[D]. 高邈. 大连海事大学, 2021(04)
- [5]面向自主船舶的危险分析方法研究[D]. 周翔宇. 大连海事大学, 2020(04)
- [6]基于VDES的海上船舶自组网接入协议研究[D]. 胡旭. 大连海事大学, 2020(01)
- [7]基于孤立森林算法的船舶异常行为集成检测[D]. 向琛. 大连海事大学, 2020(01)
- [8]《国际海上避碰规则》对无人船适用的障碍与对策[D]. 陈嘉怡. 大连海事大学, 2020(01)
- [9]海上宽带无线自组网路由协议的研究与实现[D]. 彭殊龙. 大连海事大学, 2020(01)
- [10]基于AIS数据的VLCC入泊安全预警系统研究[D]. 赵延鹏. 大连海事大学, 2020(01)