一、以改进的BP神经网络计算开阔水域船舶碰撞危险度（论文文献综述）
李永杰,张瑞,魏慕恒,张羽[1]（2021）在《船舶自主航行关键技术研究现状与展望》文中研究指明船舶自主航行作为智能船舶的显着特征,日益受到工业与海事企业的关注。为把握船舶自主航行现状和发展方向,开展相关关键技术研究调研与综述。分析近三年国内外船舶自主航行技术的发展现状,针对航行态势感知、认知计算、避碰决策、航行控制、赛博安全等关键技术,剖析其技术内涵、研究现状与应用情况。针对智能航行关键技术现状与技术需求,从态势感知、认知与决策、控制与安全3个方面对船舶自主航行的未来发展进行了展望。
杲飞[2]（2020）在《基于粒子群算法的多船避碰策略研究》文中认为由于海上交通环境越来越复杂以及船舶航行愈加密集,导致了船舶碰撞事故时有发生。因此加强对多船避碰策略的研究已经刻不容缓。当前对多船避碰策略的研究较少考虑航行规则的约束和实际的航海习惯,且避碰策略的避碰效率不高、安全性较低。因此,本文以宽海域多船会遇为背景,将航行规则融入到改进的粒子群路径规划算法中,设计了基于全局路径规划算法和确定性算法结合的多船避碰策略。主要解决了多船避碰策略存在的与实际航行规则和航行习惯不符、避碰效率低、安全性低等几个主要问题。本文的主要研究内容如下:首先,为了加深对多船避碰问题的理解,对多船避碰问题进行分析。研究了宽阔水域与复杂水域多船会遇复杂程度的不同,得到了在宽阔水域多船避碰分解为三船会遇的结论,进一步确定了研究的范围;对船舶碰撞危险度的表示方法、常用的船舶避碰安全领域进行了研究,确定了采用的安全领域和危险度模型;对粒子群算法、遗传算法的优缺点进行了分析比较,确定了粒子群算法为本次研究的根本算法。其次,本文针对粒子群路径规划算法本身存在的易陷入局部最优值和在多船避碰应用中存在的规划路径与实际航行习惯不符的问题,分析了粒子群算法的改进策略。采用自适应和启发式的方法对粒子群算法进行了改进;从粒子的进化速度和粒子的聚集度两个方面增强粒子的自适应能力,解决了算法易陷入局部最优值的问题;将航行规则、路径安全性、和经济性加入到粒子群路径规划算法的适应度函数中,设计了基于轨迹斜率变化的规则评价方法,解决了与实际航行不符的问题。最后,对多船避碰策略进行了研究。设计了粒子群全局路径规划算法与确定性算法结合的分步多船避碰策略,在避碰策略中设计了基于船舶航行历史的危险性判断方法,能够对不符合航行规则航行的障碍船进行判断。在MATLAB仿真环境中与实时在线路径规划的避碰策略进行了对比,结果证明将路径规划算法与确定性算法结合的避碰策略在一定程度上能提高避碰策略的避碰效率,且更符合航行规则和航海习惯的要求、航行安全性更高。
李春泽[3]（2019）在《基于多目标遗传算法的船舶自动避碰决策研究》文中进行了进一步梳理为了对开阔水域中船舶的自动避碰决策进行研究,保证船舶的安全航行。在对船舶碰撞危险度进行研究时,本文对基于SCR和TCR的CRI计算方法进行了一定的改进,解决了其在计算CRI时的“过大化”问题。为了提高船舶碰撞危险度的计算效率,分别应用BP神经网络、GA-BP神经网络、自适应模糊神经网络对CRI进行预测分析。为了保证避碰决策的合理性,本文分别建立了基于安全性、经济性、避碰规则、避碰时机的适应度函数。根据船舶自动避碰中多目标决策的性质,将多目标决策理论应用到遗传算法中对船舶的自动避碰进行研究。文中解决了各目标函数因相互矛盾而无法求解问题的最优解,只能得到非劣解集的问题。本文具体的研究成果如下所示。（1）船舶碰撞危险度计算。基于空间碰撞危险度和时间碰撞危险度的船舶碰撞危险度模型,以两者都不为0的最大值为该局面下的船舶碰撞危险度,这种方法在一定程度上会将船舶碰撞危险度的计算结果“过大化”,在避碰决策时容易引起误解。本文在此基础上对其进行了一定的改进,避免了“过大化”现象,使计算结果更符合实际情况。并进一步地通过遗传算法、自适应模糊算法对BP神经网络进行优化,来计算碰撞危险度。为了避免因以DCPA,TCPA计算时的网络不能较好的涵盖所有影响CRI的因素,将随机产生的航速（V）、航向（C）、相对方位（Tr）、距离（D）作为网络的输入来预测CRI,结果显示自适应的模糊神经网络预测结果较好。（2）确定重点避碰船舶。为了处理多船会遇问题,本文将其进行简化,通过确定“重点避让船舶”,优先对重点避让船舶进行避让。本文建立的确定重点避让船舶的模型为:当本船周围存在多艘目标船时,以每一艘目标船的碰撞危险度占总的船舶碰撞危险度之和的比值来作为该目标船的危险程度。使船舶能够时刻以危险度的高低来进行优先避让目标船。（3）构建多目标决策理论的遗传算法。本文分别建立了基于安全性、经济性、避碰规则、避让时机的适应度函数:f1（x）,f（x）,f3（x）,f4（x）。由于各目标函数的相互矛盾性,无法同时使各目标函数达到最优解。鉴于此,根据各目标函数的特性综合考虑权重法、约束法来进行求解。由此而构建基于多目标遗传算法的船舶自动避碰决策研究。（4）自动避碰决策仿真实验。本文的仿真实验以Matlab2018b为实验平台。分别建立了对遇局面、交叉相遇局面、追越局面、多船会遇局面下的仿真实验。仿真结果显示,基于多目标遗传算法的船舶避碰决策能够快速、有效地实现船舶间的自动避碰。
勾翔宇[4]（2019）在《基于动态环境的船舶碰撞危险度模型的研究》文中提出尽管IMO（国际海事组织）和各国相关单位采取了制定船舶避碰规则,强制船舶配备各种通信、导航设备,强制一些大型船舶安装船舶自动识别系统,建立港口船舶交通管理系统等一系列有利于船舶避碰的措施,但船舶碰撞事故还是时有发生。1995年国际海事组织通过了对《国际海上人命安全公约》的修正案,即《船舶营运安全管理规则》,在大会的决议中明确指出:所有水上发生的交通事故,其中百分之八十的海上交通事故都是由于驾驶员在主观上判断失误,采取错误的避碰决策而造成的。这就表明在船舶航行中,依然依靠驾驶员判断来完成避碰是不完备的。因此,国内外专家及学者早已对船舶避碰这一问题进行了研究。在研究船舶避碰决策时,碰撞危险度为其提供了依据且具有一定的指导作用。因此,需要对碰撞危险度进行合理且正确的计算,从而综合分析与他船碰撞的可能性,降低船舶驾驶员的主观影响,进而为后续的避碰决策提供清晰且直观的判断依据。达到更佳的避让效果,降低船舶碰撞的可能性。本文通过对众多船舶避碰领域相关文献的学习和研究,提出了以动态环境为基础的船舶碰撞危险度模型的研究。从对碰撞危险度的影响因素出发,分别分析了 CPA、TCPA、船间距离、航向、航速、风、流、能见度、船舶密度等对碰撞危险度的影响,将动态环境信息进行整合,从而提出了一种基于动态环境的碰撞危险度模型。作者将风、流、能见度与船舶密度归为环境危险度进行研究,利用船舶的抗风等级,划分出了对于每艘船的危险度等级,并利用风速作为白化权函数的拐点;着重分析了流与船舶航向夹角的不同对环境压力值的影响,结合日本学者井上欣三的实验结果,给出了流因素的环境压力值确定方法,并根据环境压力值构造出了水流的白化权函数;总结了前人对能见度的研究,并分析了随着能见距离的减少,危险程度逐渐增高且成非线性,结合环境压力值与操船者承受度表给出了各能见距离下大致的环境压力值;对会遇局面下船舶的疏密程度进行了划分,从而得到船舶密度的白化权函数;运用灰色聚类方法对每艘船的航行环境危险度进行综合评价,通过整理前人对权重的确定方法,给出各环境因素的权值,从而利用分别计算各因素的危险程度,最后进行赋权求和比较大小的方式来确定船舶航行环境危险度。利用此评价结果,结合船舶的运动参数对碰撞危险度进行计算。运用改进的模糊优选模型,从而达到通过一次矩阵计算求得当前会遇局面下所有船舶的碰撞危险度的目的。利用信息熵的思想来判断特征值的离散程度从而选用正确的优属度计算公式;通过主观与客观相结合的方法确定各影响因素的权重;考虑到碰撞危险度应对避碰行动作为指导,本文提出了一种需采取行动的阈值的确定方法。本研究通过对动态信息进行分析,运用改进的、针对此问题的模糊优选模型进行碰撞危险度的运算,以期对碰撞危险程度进行描述,并且为船舶避碰提供参考的依据。
朱庆辉[5]（2019）在《基于MCTS算法的船舶智能避让模型的研究》文中研究指明船舶碰撞事故的发生不仅会造成极大经济损失,而且会对海洋等水系的生态环境造成严重的破坏,更重要的是容易造成重大的人员伤亡。因此,降低和防止船舶碰撞事故的发生一直以来都是航海界的首要问题,而其中的关键问题是减少船舶操纵人员在船舶避让时的判断和操作失误,从而减少船舶碰撞事故的发生以保证船员的人身安全和船舶的航行安全。本文主要是以蒙特卡洛树搜索算法为核心,结合不同的碰撞危险度计算方法建立船舶智能避让模型,指导船舶操纵人员进行安全、有效的船舶避让决策,保障船员和船舶的安全。本文的主要研究内容如下:首先,在船舶避让基本原理的基础上,利用模糊数学方法建立与单船会遇的碰撞危险度计算方法,利用可变模糊优选理论结合综合权重建立与多船会遇的最优先避让船舶确定方法,实验结果表明了两种方法的有效性。其次,本文将人工智能中的蒙特卡洛树搜索算法作为船舶智能避让模型的核心算法。在分析MCTS算法及其实现算法（UCT算法）的基础上,将其与经典的决策寻优方法贪婪算法进行对比,验证了该方法的适用性。最后,综合考虑船舶转向避让的安全性、经济性因素及不同影响因素之间的差异,建立较为合理的适合于MCTS算法的回报值函数。利用蒙特卡洛树搜索算法进行决策寻优,得到最佳的转向避让幅度。利用MATLAB软件对船舶的智能避让进行仿真计算并验证转向避让的有效性,最终结果现实该算法具有良好的适用性,能够为船舶操纵人员提供一定的避碰决策支持。
石韬[6]（2019）在《基于机器学习的无人艇自主避碰方法研究》文中研究表明随着军事、资源、科研等领域的需要,人们对海洋的探索意识愈加强烈,无人水面艇（Unmanned Surface Vehicle,USV）是一种在海面上可以进行自主规划决策航行的水面平台,可以自主决策完成对于人来讲比较枯燥和危险的任务。无论在军用、民用还是科研领域都有着广阔的发展前景。船舶碰撞事故是海上交通事故的主要组成部分,而无人艇的自主避碰是海上安全航行的基础。本文以无人艇的海上航行安全作为所要考虑的首要因素,使用机器学习算法对静态障碍物进行聚类对动态障碍物进行轨迹预测,静态障碍物的聚类使原本数量较多需要进行大量计算来进行避碰的障碍变为数量较少的障碍,动态障碍物的轨迹预测,可得出动态障碍物未来一段时间的航行轨迹,减轻无人艇避碰复杂度,提高避碰的准确度,以安全避碰为中心,研究障碍物的位置与航行轨迹,主要完成了以下工作内容:首先,对无人艇规避障碍的知识建立框架。深入研究无人艇对障碍的的避碰过程与无人艇与动静态障碍物之间的会遇态势,确定了规避障碍的基本流程和避碰阶段,并根据会遇态势的不同将会遇细分为不同的角度。建立无人艇运动学模型,对船舶航行中的各种参数进行计算。建立了无人艇碰撞危险度模型,使无人艇在有碰撞危险时,有具体的参数依据判断何时做出反应。其次,利用机器学习算法对无人艇的静态障碍物进行聚类处理。聚类所选择的机器学习算法为密度峰值算法,使用密度峰值算法对静态障碍进行聚类可以使零散分布的礁石、小型岛屿等小面积的障碍分成一类,看作一个障碍,把障碍密集的区域简单化,减轻避碰难度,使无人艇海上航行更加安全。然后,对无人艇的动态障碍物航行轨迹进行预测。预测所选择的机器学习算法为RBF神经网络。深入研究了RBF神经网络的原理,采用K均值算法确定RBF神经网络的径向基函数参数,深入研究狼群算法原理,并对狼群算法提出改进,利用改进的狼群算法优化径向基神经网络学习过程,确定RBF神经网络权值。对非线性的轨迹进行预测,并对改进后与改进之前狼群算法进行对比,说明了改进的作用。对动态障碍物的航行轨迹预测,可以使无人艇避碰对避碰时机与动作更加准确。最后,对无人艇的动静态障碍物进行避碰。研究了无人艇避碰的时机与具体的行动,确定会遇障碍时应该做出的动作。以障碍物的速度进行区分,建立无人艇避碰几何模型,计算出进行避碰动作和恢复航向时的转向角。算法的整个流程均可由无人艇自主完成,实现了无人艇海上航行的智能化。
袁宇祺[7]（2019）在《多目标下的船舶智能避碰方法研究》文中研究指明随着人类对海洋环境的开发和利用,海上交通变得越来越繁忙。从上世纪50年代人们开始有意识地规划海上交通规则开始,人们已经意识到船舶交通安全与其他交通工具同等重要。在海上意外事故中,碰撞事故占一半以上,虽然现如今人们给船舶配备了各类避碰辅助系统,但碰撞事故仍然层出不穷。其根本原因是虽然驾驶者得到了更多的信息,但最终做出避碰机动决策的依旧是驾驶者本身。然而往往在紧急时刻,尤其是在多目标的复杂水面环境下,即使是经验丰富的驾驶者也很难快速的做出正确的判断。这时开发一种能够辅助驾驶者甚至能够代替驾驶者做出避碰决策的系统就变得尤为重要。本文是针对多目标环境设计一种新的避碰方法。首先,介绍了船舶避碰领域的相关知识,分析船舶避碰基本方法。特别是对海上交通规则进行详细分析,并确定了船舶对各种会遇姿态的避碰责任。对于多目标会遇的情况,划分相应的避碰责任。其次,使用碰撞危险度的概念来量化船舶之间的碰撞风险。并且针对传统BP神经网络的缺点进行了改进,如收敛速度慢,容易陷入局部最小等。应用Matlab软件对改进后的神经网络进行仿真,并对其收敛速度、精度与传统BP神经网络进行比较。最后,是基于分布式遗传算法的避碰路径规划算法。利用前文建立的危险度估算模型,结合遗传算法,设计一套针对多目标的船舶智能避碰方法。在设计遗传算法时,考虑的因素是安全性、经济性和对海上交通规则的符合性。在此基础上设计合适的适应度函数与目标函数。最终,在Visual C++6.0的开发环境下设计程序,该程序能够最多设置三个避碰目标并且能对目标船的航行参数进行调整。也可以验证在不同遗传算法参数的条件下,遗传算法的收敛情况。在最后对整个系统进行仿真,验证了整个系统的可行性与可靠性。
李碧晗[8]（2019）在《水面无人艇航迹规划及危险评估研究》文中提出水面无人艇（Unmanned Surface Vehicle,USV）具有高速化与无人化等优势,可以搭载不同设备完成各种高难度任务,使其在军事领域得到了广泛的应用。USV航迹规划技术一直是USV研究的核心技术,USV航迹规划主要包括全局航迹规划与局部航迹规划。碰撞危险度一直是航海领域关注的热点,准确的碰撞危险度可以为USV提供有效的辅助信息,保障USV安全航行。航迹规划及危险评估是保障USV航行安全及任务完成的重要前提,相关研究具有重要的理论意义及应用价值。首先,介绍了USV航迹规划与危险评估相关的理论基础。描述了USV航迹规划基本概念与一般步骤,给出了环境建模的几种常见方法。同时具体阐述了危险评估的流程以及常见的评估方法。其次,针对基本遗传算法在解决USV全局航迹规划问题存在的缺点,提出了一种基于改进遗传算法的USV全局航迹规划方法。为克服基本遗传算法收敛速度慢的缺点,该方法选取一种新的交叉算子,将传统交叉算子只比较每个单个节点,改进为比较两个非承载节点从而提高了算法收敛速度。为解决规划出的航迹距离长以及平滑度低等问题,给出了基于基因重组航迹优化算法的改进方法,该方法利用基因重组算法的三种算子对航迹进行优化,缩短航迹长度并提高航迹平滑度。仿真结果表明该方法可以很好的应用于USV全局航迹规划,提高了规划效率,降低USV的能源消耗。再次,针对基本快速扩展随机树（Rapidly-exploring Random Tree,RRT）算法解决USV局部航迹规划的不足,提出了一种基于改进RRT算法的USV局部航迹规划方法。为克服基本RRT算法的随机性与不确定性,给出了优化生长点与扩展点选择的新方法,该方法通过加入度量节点扩展失败次数的抑制因子,优化生长点的选择,通过增加约束条件限制扩展点的选择,提高了算法性能。为解决规划出的航迹中多余航点过多的问题,该方法利用Dijkstra算法对航迹进行优化。仿真结果表明该方法可以很好的应用于USV的局部航迹规划,减小USV航行过程中的旋转角度,提高可操作性。最后,针对USV危险评估进行了研究,以USV碰撞危险度为切入点,分析了碰撞危险度与航迹规划决策之间的联系。基于模糊综合评估法与BP神经网络算法对碰撞危险度进行评估确定。仿真结果表明,不同条件下的模糊综合评估法与BP神经网络算法所得结果精度均较高,符合实际情况,满足USV对碰撞危险度的精度要求。
卢志远[9]（2018）在《基于BP神经网络的钻井平台拖航安全评价研究》文中研究指明海洋中蕴藏着大量海洋新能源,主要包括石油和天然气。海洋钻井平台是开采海洋新能源的主要设备,承担着钻井、人员居住及其他多种功能。由于钻井平台建造周期长、造价高、体型大等特点,在建造完成后到正式使用前的每一个环节都显得格外重要。远洋拖航中往往采用将钻井平台从船坞拖航至锚地,由半潜船运输至工作海域。本文主要以拖航225FT（英尺）自升式钻井平台“MOSCOL”工程项目为依据,首先对钻井平台拖航安全评价指标体系的构建原则和风险分析的基本理论进行阐述,并通过安全管理中的“人-机-环境-管理”系统分析方法梳理出拖航作业中的风险因素,结合10次钻井平台拖航作业中的实际情况,利用头脑风暴法对安全影响因素指标进行筛选,最终确立了4项一级评价指标以及24项二级评价指标的钻井平台拖航安全评价指标体系。其次采用BP神经网络方法建立模型,利用MATLAB工具对该模型进行学习和训练,建立基于BP神经网络的钻井平台拖航安全评价模型。最后,选取某10次拖航作业为样本,通过专家打分的形式对选择的10个样本进行量化。利用MATLAB工具将获取的9个样本作为BP神经网络的训练数据,将拖航225FT自升式钻井平台MOSCOL数据作为验证数据,测试结果表明该模型是有效的,为钻井平台拖航作业的风险控制防范措施的制定提供了方向。
梁浩[10]（2017）在《基于数据挖掘的船舶碰撞危险度研究》文中研究说明国际海事组织在IMO MSC 105（73）会议上,通过了船舶强制安装自动识别系统（Automatic Identification System,AIS）的议案。每天世界各地的AIS数据库会记录海量的AIS数据信息,船舶自动识别系统在航海中的技术性及应用性也在不断增强。近年来,数据挖掘技术的成熟与发展,极大地适应了爆炸性增长的数据态势,且数据挖掘技术能够快速高效的分析处理繁多且复杂的AIS数据。本研究将AIS数据库中船舶碰撞相关参数进行整理、归纳,研究船舶在特定海域航行时的碰撞危险。通过参考现有的船舶碰撞危险度模型,引入新的变量,改进了船舶碰撞危险度模型。本研究选取老铁山水道的船舶AIS数据记录库为验证数据库,进行模型实验验证,并基于结论绘制图表以直观反映出船舶在老铁山水道航行中碰撞危险度的时空分布规律,进而为在特定的时间及水域中减少事故的发生,减轻值班驾驶员的工作强度以及提高海事监管的科学性,提供决策和参考依据。本文通过对众多学者专家相关文献的学习和研究,以一种基于模糊模式识别方法的碰撞危险度识别方法为基础建立船舶碰撞危险度模型。此模型考虑船舶之间的DCPA,TCPA,他船与本船之间船速比值V三个碰撞危险度影响因素基础上,根据不同航行水域的航行环境条件,海事管理部门交通管制措施等,考虑了不同通航水域对船舶碰撞危险度可能产生的影响,探究了在考虑不同通航水域的船舶碰撞危险度等级,进行具体的不同航行水域船舶之间碰撞危险度的调查分析,并以DCPA为分析参考标准,初步得出不同航行水域内的碰撞危险度等级划分。本研究通过完善传统的模糊模式识别碰撞危险度模型,以期为保障船舶航行安全减少海上船舶交通事故提供参考依据。
二、以改进的BP神经网络计算开阔水域船舶碰撞危险度（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、以改进的BP神经网络计算开阔水域船舶碰撞危险度（论文提纲范文）
（2）基于粒子群算法的多船避碰策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 船舶避碰策略的研究 |
| 1.2.2 粒子群算法的研究 |
| 1.3 论文的研究内容及章节安排 |
| 2 船舶避碰的基本理论研究 |
| 2.1 船舶避碰参数计算 |
| 2.1.1 船舶碰撞危险度 |
| 2.1.2 船舶避碰安全领域 |
| 2.1.3 船舶相对运动位置参数 |
| 2.1.4 船舶避碰的一般过程 |
| 2.2 多船避碰问题 |
| 2.2.1 多船避碰局面的定义 |
| 2.2.2 宽海域多船避碰 |
| 2.3 船舶避碰规则的解读 |
| 2.3.1 航行规则的主要内容 |
| 2.3.2 航行规则对避碰的要求 |
| 2.4 船舶智能避碰算法 |
| 2.4.1 船舶智能避碰算法的分析 |
| 2.4.2 智能算法的选择 |
| 2.5 本章小结 |
| 3 基于改进粒子群算法的船舶避碰路径规划 |
| 3.1 环境建模 |
| 3.2 改进粒子群算法 |
| 3.2.1 粒子群算法的改进策略 |
| 3.2.2 自适应粒子群算法 |
| 3.2.3 启发式粒子群算法 |
| 3.2.4 对比验证 |
| 3.3 适应度函数 |
| 3.4 多船避碰路径规划流程 |
| 3.4.1 基本粒子群路径规划流程 |
| 3.4.2 改进粒子群算法路径规划流程 |
| 3.5 本章小结 |
| 4 基于粒子群路径规划算法的多船避碰策略 |
| 4.1 实时在线路径规划的多船避碰策略 |
| 4.1.1 避碰策略流程 |
| 4.1.2 模块功能实现 |
| 4.1.3 仿真及结果分析 |
| 4.2 全局分步路径规划的多船避碰策略 |
| 4.2.1 避碰策略流程 |
| 4.2.2 模块功能实现 |
| 4.3 本章小结 |
| 5 仿真及结果分析 |
| 5.1 仿真环境的搭建 |
| 5.2 障碍船保速保向约束下的避碰仿真 |
| 5.2.1 本船避让两障碍船的操纵形式相同 |
| 5.2.2 本船避让两障碍船的操纵形式不同 |
| 5.2.3 仿真分析 |
| 5.3 障碍船T2自主航行的避碰仿真 |
| 5.3.1 本船避让两障碍船的操纵形式相同 |
| 5.3.2 本船避让两障碍船的操纵形式不同 |
| 5.3.3 仿真分析 |
| 5.4 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 |
（3）基于多目标遗传算法的船舶自动避碰决策研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究目的和研究意义 |
| 1.2 国内外现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究方法及内容 |
| 2 船舶避碰基本原理 |
| 2.1 船舶避碰阶段的划分 |
| 2.2 船舶会遇态势分析 |
| 2.3 安全会遇距离 |
| 2.4 船舶相对运动参数计算 |
| 2.5 本船改向后的运动参数计算 |
| 3 船舶碰撞危险度计算模型 |
| 3.1 基于空间碰撞危险度和时间碰撞危险度的碰撞危险度计算 |
| 3.1.1 空间碰撞危险度 |
| 3.1.2 时间碰撞危险度 |
| 3.1.3 最晚施舵点计算 |
| 3.1.4 船舶碰撞危险度CRI |
| 3.1.5 船舶碰撞危险度模型的改进 |
| 3.1.6 改进后模型对比分析 |
| 3.2 基于自适应模糊神经网络的船舶碰撞危险度模型 |
| 3.2.1 BP神经网络 |
| 3.2.2 遗传算法优化BP神经网络 |
| 3.2.3 自适应模糊神经网络 |
| 3.2.4 实例应用 |
| 4 基于多目标遗传算法的船舶避碰决策研究 |
| 4.1 多目标决策理论 |
| 4.1.1 非劣解 |
| 4.1.2 非劣解生成技术 |
| 4.2 遗传算法概述 |
| 4.2.1 遗传算法主要优点 |
| 4.2.2 遗传算法实现过程 |
| 4.2.3 遗传算法参数的选取 |
| 4.2.4 算法一般步骤 |
| 4.3 避碰问题的描述 |
| 4.4 适应度函数的选取 |
| 4.4.1 基于安全性的适应度函数 |
| 4.4.2 基于经济性的适应度函数 |
| 4.4.3 基于避碰规则的适应度函数 |
| 4.4.4 基于避让时机的适应度函数 |
| 4.5 多目标遗传算法求解方法 |
| 4.6 多船会遇问题 |
| 4.7 仿真结果分析 |
| 4.7.1 仿真实验基本参数 |
| 4.7.2 对遇态势下的船舶自动避碰 |
| 4.7.3 交叉相遇态势下的自动避碰 |
| 4.7.4 追越局面下的自动避碰 |
| 4.7.5 多船会遇局面下船舶自动避碰 |
| 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 |
（4）基于动态环境的船舶碰撞危险度模型的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 2 船舶碰撞危险度影响因素分析 |
| 2.1 引言 |
| 2.2 船舶避碰阶段分析 |
| 2.3 船舶运动参数 |
| 2.4 环境因素的选取 |
| 2.5 对动态环境因素的分析 |
| 2.5.1 风 |
| 2.5.2 流 |
| 2.5.3 能见度 |
| 2.5.4 船舶密度 |
| 2.6 船舶航行环境危险度 |
| 2.6.1 灰色理论概述及方法的可行性 |
| 2.6.2 灰色白化权函数聚类评估原理 |
| 2.6.3 船舶航行环境危险度的灰色聚类评估 |
| 2.7 本章小结 |
| 3 船舶碰撞危险度模型 |
| 3.1 船舶碰撞危险度概述 |
| 3.2 船舶运动参数分析 |
| 3.3 碰撞危险度模型 |
| 3.3.1 模糊优选模型 |
| 3.3.2 基于改进的模糊优选模型计算碰撞危险度 |
| 3.3.3 影响因素权重的确定方法 |
| 3.3.4 船舶碰撞危险度阈值(CRIr)的确定 |
| 3.4 本章小结 |
| 4 碰撞危险度模型的应用与验证 |
| 4.1 多船会遇案例 |
| 4.2 两船会遇案例 |
| 4.3 大风天气下多船会遇案例 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（5）基于MCTS算法的船舶智能避让模型的研究（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 |
| 1.3 研究内容和论文结构 |
| 2 船舶碰撞危险度的确定 |
| 2.1 船舶避让的基本原理 |
| 2.1.1 船舶会遇局面划分 |
| 2.1.2 安全会遇距离的确定 |
| 2.1.3 船舶避让责任划分 |
| 2.2 船舶运动参数计算 |
| 2.3 船舶碰撞危险度模型 |
| 2.3.1 基于模糊数学的单船会遇碰撞危险度模型 |
| 2.3.2 基于可变模糊优选的多船会遇中最优先避让船确定 |
| 2.4 本章小结 |
| 3 基于MCTS算法的船舶智能避让算法 |
| 3.1 蒙特卡洛树搜索算法的适用性 |
| 3.2 蒙特卡洛树搜索算法 |
| 3.2.1 蒙特卡洛方法 |
| 3.2.2 蒙特卡洛树搜索算法的原理 |
| 3.2.3 算法的寻优性能验证 |
| 3.3 基于MCTS算法的船舶避让决策 |
| 3.3.1 避让行动的生成 |
| 3.3.2 构造与单船会遇的回报值函数 |
| 3.3.3 构造与多船会遇的回报值函数 |
| 3.3.4 船舶智能避让过程 |
| 3.4 本章小结 |
| 4 船舶智能避让模型仿真 |
| 4.1 与单船会遇的船舶智能避让 |
| 4.1.1 对遇局面 |
| 4.1.2 交叉相遇局面 |
| 4.1.3 追越局面 |
| 4.2 与多船会遇的船舶智能避让 |
| 4.2.1 与两艘目标船会遇 |
| 4.2.2 与三艘目标船会遇 |
| 4.3 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 |
（6）基于机器学习的无人艇自主避碰方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 无人水面艇研究现状 |
| 1.2.1 无人水面艇国外研究现状 |
| 1.2.2 无人水面艇国内研究现状 |
| 1.3 机器学习简介及研究现状 |
| 1.3.1 机器学习简介 |
| 1.3.2 机器学习研究现状 |
| 1.4 船舶避碰研究现状 |
| 1.5 论文的主要研究工作及结构安排 |
| 第2章 船舶避碰理论基础 |
| 2.1 引言 |
| 2.2 无人艇避碰过程分析 |
| 2.3 无人艇会遇态势分析 |
| 2.4 无人艇运动学模型的建立 |
| 2.5 无人艇碰撞危险度模型的建立 |
| 2.5.1 空间碰撞危险度SRC |
| 2.5.2 时间碰撞危险度TCR |
| 2.5.3 综合碰撞危险度CRI |
| 2.6 本章小结 |
| 第3章 基于机器学习的静态障碍物聚类 |
| 3.1 引言 |
| 3.2 密度峰值聚类算法 |
| 3.3 基于改进密度峰值算法的研究 |
| 3.3.1 截断距离的改进 |
| 3.3.2 聚类中心选择的改进 |
| 3.4 算法仿真验证 |
| 3.4.1 未改进密度峰值的仿真验证 |
| 3.4.2 改进后的密度峰值算法的仿真验证 |
| 3.5 本章小结 |
| 第4章 基于机器学习的动态障碍物轨迹预测 |
| 4.1 引言 |
| 4.2 径向基神经网络基本原理 |
| 4.3 K均值算法 |
| 4.4 狼群算法 |
| 4.4.1 狼群算法的基本原理 |
| 4.4.2 本文对狼群算法提出的改进 |
| 4.5 动态障碍物轨迹预测模型设计 |
| 4.5.1 RBF神经网络模型设计 |
| 4.5.2 动态障碍物轨迹预测算法流程 |
| 4.6 动态障碍物轨迹预测算法仿真 |
| 4.6.1 狼群算法优化的RBF神经网络学习过程 |
| 4.6.2 RBF神经网络预测过程 |
| 4.7 本章小结 |
| 第5章 无人艇避碰仿真研究 |
| 5.1 引言 |
| 5.2 无人艇避碰主要环节 |
| 5.2.1 避碰时机 |
| 5.2.2 避碰行动 |
| 5.2.3 避碰幅度 |
| 5.2.4 复航时机 |
| 5.2.5 复航航向 |
| 5.3 避碰流程 |
| 5.4 无人艇避碰仿真 |
| 5.4.1 对静态障碍物的避碰仿真 |
| 5.4.2 对动态障碍物的避碰仿真 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（7）多目标下的船舶智能避碰方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 课题的主要工作及内容编排 |
| 第2章 船舶避碰基本方法分析 |
| 2.1 引言 |
| 2.2 船舶避让过程 |
| 2.3 船舶会遇姿态与责任判定 |
| 2.4 碰撞危险的识别与判定 |
| 2.4.1 “安全会遇”中的术语 |
| 2.4.2 “碰撞危险”的含义 |
| 2.5 紧迫局面与紧迫危险 |
| 2.6 船舶避让行动 |
| 2.6.1 碰撞危险度 |
| 2.6.2 避让行动的确定 |
| 2.7 多船会遇 |
| 2.7.1 多船会遇局面的定义 |
| 2.7.2 多船会遇局面的划分 |
| 2.8 本章小结 |
| 第3章 基于改进BP神经网络的船舶碰撞危险度估算方法 |
| 3.1 引言 |
| 3.2 人工神经网络基本原理 |
| 3.2.1 人工神经网络的概念 |
| 3.2.2 人工神经网络在船舶避碰领域的优势 |
| 3.2.3 人工神经网络估算船舶碰撞危险度 |
| 3.3 BP神经网络 |
| 3.3.1 传统BP神经基本思想 |
| 3.3.2 传统BP算法的数学描述 |
| 3.3.3 传统BP神经网络学习过程 |
| 3.4 改进BP神经网络 |
| 3.4.1 优化自适应学习率法 |
| 3.4.2 附加动量项法 |
| 3.4.3 改进后的神经网络 |
| 3.5 基于BP神经网络的碰撞危险度模型 |
| 3.5.1 研究基于BP算法的危险度模型的意义 |
| 3.5.2 BP神经网络危险度估算模型 |
| 3.6 仿真与结论 |
| 3.7 本章小结 |
| 第4章 基于分布式遗传算法的船舶避碰路径规划 |
| 4.1 引言 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法的应用 |
| 4.2.2 遗传算法原理 |
| 4.2.3 遗传算法的基本操作 |
| 4.3 分布式遗传算法 |
| 4.3.1 改进遗传算法 |
| 4.3.2 分布式遗传算法 |
| 4.4 多目标下智能避碰算法实现 |
| 4.4.1 智能避碰的基本思路 |
| 4.4.2 编码方法 |
| 4.4.3 交叉操作 |
| 4.4.4 目标函数的确定 |
| 4.5 本章小结 |
| 第5章 基于分布式遗传算法的船舶避碰路径规划仿真 |
| 5.1 引言 |
| 5.2 仿真系统设计 |
| 5.2.1 避碰算法决策流程 |
| 5.2.2 程序界面设计 |
| 5.3 分布式遗传算法参数优化 |
| 5.3.1 交叉概率参数优化 |
| 5.3.2 变异概率参数优化 |
| 5.4 多目标下会遇避碰仿真 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）水面无人艇航迹规划及危险评估研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外航迹规划和危险评估技术研究现状 |
| 1.2.1 全局航迹规划技术 |
| 1.2.2 局部航迹规划技术 |
| 1.2.3 危险评估技术 |
| 1.3 研究内容及结构安排 |
| 第2章 USV航迹规划及危险评估的理论基础 |
| 2.1 USV航迹规划 |
| 2.2 环境模型建立 |
| 2.3 USV航迹规划一般步骤 |
| 2.4 USV危险评估 |
| 2.4.1 危险评估方法 |
| 2.4.2 碰撞危险度 |
| 2.5 本章小结 |
| 第3章 基于改进遗传算法的USV全局航迹规划方法 |
| 3.1 基本遗传算法 |
| 3.1.1 基本遗传算法概述 |
| 3.1.2 基本遗传算法的优缺点 |
| 3.2 基于改进遗传算法的USV全局航迹规划方法 |
| 3.3 仿真实验及分析 |
| 3.4 本章小结 |
| 第4章 基于改进RRT算法的USV局部航迹规划方法 |
| 4.1 基本RRT算法 |
| 4.1.1 基本RRT算法概述 |
| 4.1.2 基本RRT算法的优缺点 |
| 4.2 基于改进RRT算法的局部航迹规划 |
| 4.3 仿真验证及分析 |
| 4.4 本章小结 |
| 第5章 USV危险评估研究 |
| 5.1 基于碰撞危险度的航迹规划决策分析 |
| 5.2 基于模糊综合评估法确定碰撞危险度 |
| 5.2.1 模糊碰撞危险度算法 |
| 5.2.2 仿真验证 |
| 5.3 基于BP神经网络算法确定碰撞危险度 |
| 5.3.1 BP神经网络碰撞危险度算法 |
| 5.3.2 仿真验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）基于BP神经网络的钻井平台拖航安全评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 拖航安全的研究现状 |
| 1.2.2 BP神经网络的应用研究现状 |
| 1.3 研究主要内容与技术路线 |
| 2 拖航 225FT自升式钻井平台工程分析 |
| 2.1 拖航钻井平台工程 |
| 2.1.1 拖航作业概况 |
| 2.1.2 拖航作业附近水域通航条件分析 |
| 2.2 拖船种类及拖航方式 |
| 2.2.1 拖船的种类 |
| 2.2.2 拖船的特点 |
| 2.2.3 拖航方式 |
| 2.3 钻井平台拖航风险种类 |
| 3 钻井平台拖航的安全评价指标体系的建立 |
| 3.1 拖航安全评价指标识别与评估评价方法 |
| 3.1.1 钻井平台拖航风险的分析 |
| 3.1.2 钻井平台拖航风险识别方法 |
| 3.1.3 钻井平台拖航风险评价方法 |
| 3.1.4 评价方法的比较和选择 |
| 3.2 拖航安全评价指标体系构建步骤及原则 |
| 3.2.1 拖航安全评价指标体系构建的步骤 |
| 3.2.2 拖航安全评价指标体系构建原则 |
| 3.3 拖航安全评价指标体系影响因素分析 |
| 3.3.1 人的因素 |
| 3.3.2 机器因素 |
| 3.3.3 环境因素 |
| 3.3.4 管理因素 |
| 3.4 钻井平台拖航安全评价指标体系 |
| 4 基于BP神经网络的拖航评价模型的建立 |
| 4.1 神经元 |
| 4.1.1 生物神经元 |
| 4.1.2 人工神经元 |
| 4.2 人工神经网络的分类 |
| 4.3 BP神经网络 |
| 4.3.1 BP神经网络评价的步骤 |
| 4.3.2 BP神经网络结构 |
| 4.3.3 BP神经网络算法 |
| 4.3.4 BP神经网络模型建立 |
| 4.4 BP神经网络安全评价模型的MATLAB实现 |
| 4.4.1 钻井平台拖航安全评价的网络结构 |
| 4.4.2 样本数据的选取 |
| 4.4.3 MATLAB实现 |
| 4.4.4 钻井平台拖航安全评价模型的训练和验证结果 |
| 4.4.5 实例验证 |
| 4.4.6 相应的建议与对策 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 在校期间主要科研成果 |
（10）基于数据挖掘的船舶碰撞危险度研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 船舶信息数据采集及分析 |
| 2.1 Sofrelog Sytar 2.0系统的简介 |
| 2.1.1 AIS系统 |
| 2.1.2 Sofrelog Sytar 2.0系统 |
| 2.1.3 数据挖掘综述 |
| 2.2 信息采集和数据分析 |
| 第3章 船舶数据挖掘处理 |
| 3.1 SPSS统计分析软件 |
| 3.1.1 数据信度分析 |
| 3.2 船舶碰撞危险分析 |
| 3.2.1 船舶避碰 |
| 3.2.2 碰撞危险度的等级划分 |
| 3.3 老铁山水道水域船舶DCPA统计分析 |
| 3.3.1 大连港及老铁山水道的简介 |
| 3.3.2 利用数据挖掘探究船舶在老铁山水道中碰撞危险度模型 |
| 3.3.3 基于数据挖掘探究船舶在老铁山水道中碰撞危险度模型 |
| 3.4 考虑不同航行水域的船碰撞危险度分析 |
| 3.4.1 分道通航区以及警戒区船舶DCPA统计分析 |
| 3.4.2 旅顺新港进出港航道区船舶DCPA统计分析 |
| 3.4.3 其他区域船舶DCPA统计分析 |
| 3.5 模糊模式识别 |
| 3.5.1 模糊模式识别原理 |
| 3.5.2 指标相对隶属度函数 |
| 3.5.3 指标相对隶属度函数 |
| 第4章 基于模糊模式识别模型的船舶碰撞危险判断 |
| 4.1 DCPA碰撞危险度等级划分 |
| 4.2 TCPA碰撞危险度等级划分 |
| 4.3 船舶速度比碰撞危险度等级划分 |
| 4.4 碰撞危险度示例分析 |
| 第5章 老铁山水道中船舶碰撞的时空分布 |
| 5.1 老铁山水道中船舶碰撞危险的时间分布 |
| 5.2 老铁山水道中船舶碰撞危险的空间分布 |
| 5.3 船舶碰撞危险的时间与空间分布因素分析 |
| 5.3.1 构成船舶碰撞危险的时间因素 |
| 5.3.2 构成船舶碰撞危险度较大的空间因素 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、以改进的BP神经网络计算开阔水域船舶碰撞危险度（论文参考文献）
- [1]船舶自主航行关键技术研究现状与展望[J]. 李永杰,张瑞,魏慕恒,张羽. 中国舰船研究, 2021(01)
- [2]基于粒子群算法的多船避碰策略研究[D]. 杲飞. 大连海事大学, 2020(01)
- [3]基于多目标遗传算法的船舶自动避碰决策研究[D]. 李春泽. 大连海事大学, 2019(06)
- [4]基于动态环境的船舶碰撞危险度模型的研究[D]. 勾翔宇. 大连海事大学, 2019(06)
- [5]基于MCTS算法的船舶智能避让模型的研究[D]. 朱庆辉. 大连海事大学, 2019(06)
- [6]基于机器学习的无人艇自主避碰方法研究[D]. 石韬. 哈尔滨工程大学, 2019(05)
- [7]多目标下的船舶智能避碰方法研究[D]. 袁宇祺. 哈尔滨工程大学, 2019(08)
- [8]水面无人艇航迹规划及危险评估研究[D]. 李碧晗. 哈尔滨工程大学, 2019(09)
- [9]基于BP神经网络的钻井平台拖航安全评价研究[D]. 卢志远. 山东交通学院, 2018(05)
- [10]基于数据挖掘的船舶碰撞危险度研究[D]. 梁浩. 大连海事大学, 2017(07)