排序方式： 共有4条查询结果，搜索用时 9 毫秒
1
1.
针对目前广泛使用的AIS基站发射天线的不足，提出将等离子体八木天线应用到海事智能通信领域，作为船舶定线制水域AIS基站的发射天线.该方法根据等离子体介电常数与电子密度的关系，利用HFSS构建AIS基站等离子体八木天线模型.通过改变该模型等离子体参数、无源振子个数等，对其进行方向图仿真.仿真结果表明：当关闭无源振子时，天线可作为全向天线；当增加无源振子个数和电子密度时，该天线定向性增强，方向图主瓣变窄.用该方法建立的天线可快速实现全向与定向之间的转换，显示出良好的可重构性.仿真结果证明了船舶定线制水域AIS基站使用等离子体八木天线的可行性.该方法可改善定线制水域的通信效果和海事监管能力. 相似文献
2.
为快速、准确地检测船舶目标,提出一种基于YOLOv3算法的船舶双目视觉检测与定位方法。在特征学习时针对样本中不同船舶长宽比例,重新聚类样本中心锚点框,增强对船舶检测的准确性;利用SURF算法进行特征匹配,并引入双目测距算法,实现目标的测距与定位。实验结果表明,该方法在每秒传输图片30帧的情况下,平均检测精度达到94%,在1 n mile内的目标平均定位误差为11 m左右,与现有检测算法相比,具有更好的实时性、准确性。该方法对智能船舶视觉感知信息与雷达、AIS信息的融合,以及避碰辅助决策具有非常重要的作用。 相似文献
3.
针对船舶交通流量预测模型对船舶流量数据空间特征考虑较少的问题,建立一种由切比雪夫网络(Chebyshev network, ChebNet)和长短期记忆网络(long short-term memory, LSTM)组成的深度学习预测模型ChebNet-LSTM。ChebNet的K阶卷积算子有利于提取船舶流量数据的空间特征,而LSTM用于学习船舶流量数据的时间特征。选取舟山水域中船舶流量不同的3个区域进行船舶流量预测实验。结果表明,所提出的ChebNet-LSTM模型可以有效地提取船舶流量数据的时空特征,在各项评价指标上的表现均优于对比模型,预测精度得到较大提高,可以为水上交通智能航行提供数据支撑。 相似文献
4.
为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。 相似文献
1