一、船舶领域边界的量化分析（论文文献综述）
王路遥[1]（2021）在《通气空腔两相流动及其减阻增稳效应研究》文中研究表明船舶装备的节能、增速和增稳问题是船舶运输领域重要的研究课题,以船底通气流动控制为手段的减阻增稳技术是提升运载体性能与能耗指标的重要途径之一。其中,由主动通气形成一定尺度的通气空腔能显着影响近壁面边界层流体的流动特征,可有效降低船舶运输装备的摩擦阻力,并提升运载体整体的纵向动稳性,在高性能船舶方向具有重要的应用价值。本文面向高速船舶的通气流动控制增效增稳需求,基于两相流数值模拟、水洞通气平板实验和静水拖曳水池通气船模实验,探索通气空腔流动、减阻及船体动稳定性问题,以期探究通气空腔两相流的流动机理问题,为工程应用提供理论支撑。本文的主要工作包括以下几个方面:1.面向水洞实验和静水拖曳实验,搭建了包含阻力测量、两相流动可视化等功能的平板实验机构和通气船模实验装置,建立了通气平板和拖曳船模两相流数值计算模型。2.针对通气空腔流的边界层特征及减阻机理问题,研究发现可以将中高弗鲁德数来流下形成的空腔划分为三个具有明显流动差异的区域,即连续空腔区,过渡空腔区和混流空腔区。这三个空腔区在流向的流动状态、密度、粘度和壁面剪应力上表现出显着的区域化差异。在此基础上,建立了阻力降低同空腔边界层特征值之间的量化关系,并构建了半经验预测模型,能较好地预测流动方向连续空腔和混流空腔区的壁面剪切应力值。3.针对通气空腔流的两相流动问题,梳理了在水洞实验中出现的三种稳定几何形态的空腔和水池实验发现的七种不同流动模式的空腔结构,分析了通气空腔的生成演化特征、形态（拓扑）分布及其转变机理,研究了空腔闭合脱落规律。探究了气体射流动量和气液相之间的压差力在影响空腔形态上的主导性问题。4.针对通气空腔流的减阻增稳问题,建立了包含附加能耗的净节省功率估算方程,得到了净节省功率关于弗鲁德数的关系曲线,研究得到的船模最大减阻率范围为10%-30%。发现了通气空腔对船模高速纵向失稳（海豚运动失稳）的抑制作用,并揭示了中/高弗鲁德数下空腔增稳效应的作用机制,即纵倾值的降低致使的船体排水体积的增加直接导致了海豚运动失稳现象的消失。本文在现有通气减阻理论和应用研究成果的基础上,研究通气空腔流的两相流动机理,研究发现了空腔流型的转变机制、空腔边界层区域化的流动特征以及空腔对海豚运动失稳现象的抑制作用,阐明了通气空腔流的减阻增稳机理,成果可为高性能水面运输装备的减阻、提速、增稳设计即工程应用提供支撑。
李冰[2]（2021）在《基于船舶操纵对船舶领域的量化研究》文中提出每条船舶周围应该都存在一个区域,驾驶员会把其他船舶及危险目标保持在该区域之外,该区域称为船舶领域,我们可以理解成每条船舶的安全距离。因为操纵特点及国际海上避碰规则,船舶在不同方向上的领域长度不一样。本文根据避碰规则要求及驾驶员习惯采用的避碰方式,对船舶不同方向的领域长度进行量化分析。
何妤如[3]（2021）在《渔业伦理视角下的现代渔业治理研究》文中认为中国渔业经过数年发展,先后解决了“捕鱼难”、“养鱼难”及“吃鱼难”等问题,奠定了渔业持续稳定发展的经济基础,相关治理手段也不断完善。渔业领域主要矛盾已从基本温饱和生计问题,转向更高层次的生境、人权、产权和公平等维度。然而,作为上层建筑的渔业伦理研究并尚未得到应有重视。我国现代渔业治理体系中更强调管理和法律等“硬”手段,忽视了伦理道德的“软法”作用。当前政府和民间推行的多项渔业活动已呈现出鲜明的伦理特征,现代多目标治理场景需要引入价值判断加以权衡。如果说关涉伦理的讨论在中国过去的渔业治理中只是镜花水月、空中楼阁,那么到了新时代,伦理研究就好比是万事俱备下的那股“东风”。传统渔业管理关注政策和法律层面的制度突破。政策和法律固然重要,但不能包治百病,尤其是充满不确定性的“现代病”。它可以将电鱼、毒鱼、偷渔者绳之以法,却无法强制要求渔民必须善待生态环境、关心鱼类福祉。它可以明示、预防、规范和校正渔业的行为和后果,却无法指导渔业利益相关方的道德行为选择。它可以为失海渔民提供各类政策保障,却无法弥合渔民海洋纽带被切断后的心理创伤。它可以依照科学模型和数据制定总可捕量（TAC）目标,却无法对渔家妇女在职业、情感和生活上的遭遇加以同情和关心。正如决定技术的往往是非技术因素,涉渔法律和政策不应被指望能解决所有问题。倘若文化、伦理不能发挥价值规训作用,那么政策和法律也终将失范。当前,养护渔业资源、维护渔业公正已为时代大势所趋,现代渔业治理不仅要务实,也要务虚,以便从战略全局高度推进治理措施的正当性和合法性。实际上,人们的道德伦理价值观影响会渗透到公共政策过程的各个环节。可持续、负责任渔业的发展依赖于一个具有明确性的规则指引,在治理中开展价值性分析显得十分重要。国内外渔业资源的衰退趋势,以及不断涌现的现代性社会问题,让形而上学的价值回溯变得更为必要而迫切:渔业行为的善恶是非是什么?伦理判断有哪些原则和标准?何种治理才是伦理意义上具备正当性和合法性的治理?如何破解渔业治理中存在的伦理困境?中国怎样利用已有道德资源和智慧应对渔业发展中的不确定性风险?基于此种认识,本文从伦理视角出发,反思当前出现渔业生态和社会危机的根本原因,尝试建构渔业伦理的理论体系,详述渔业伦理的由来、定义、主要原则和类别。将抽象的伦理考量运用于对治理问题的具体分析,提出符合渔业价值的治理范式,从渔业治理的“元层次”,谈到相关现代治理理论,再到针对治理实践的分析评估。现代渔业治理在追求各类目标时,容易陷入价值冲突的困境。本文针对治理实践中的普遍问题,提出“应然”层面的解决方案。伦理分析的最终目的是服务于我国现代渔业治理。因此,文章结合中国本土的涉渔道德资源和渔业实际状况,探索符合中国特色的现代渔业治理路径,以渔业领域的价值尺度和伦理基础为导向,为推动渔业的“天人合一”和协调发展提供了一种新视角、新理念和新思路。伦理学是哲学中关于道德的价值系统。生态伦理学的兴起从根本上触及了“为什么要对鱼谈伦理?”这一问题。“人类中心主义”和“自然中心主义”的论辩突破了传统伦理学的“人伦”语境,让“渔业”和“伦理”的结合有了学理上的支撑。道德共同体得到拓展,将包括渔业资源在内的自然资源纳入道德考量范畴。但完全以生态为中心又会减损人类福祉,人与自然应当被视作一个以人类为中心的价值整体。“为己利TA”的价值取向既能为己谋福,也能在此基础上考虑利TA（既有属人的“他/她”,又有属自然的“它”）因素,因而是渔业伦理所追求的最重要、最基本的善。渔业资源是渔业存在的基础,具有不确定性、波动性、竞争性、整体性、多样性等五大特性。从价值构成上看,它在使用、生态和选择等层面具有功效价值,在政治、社会、哲学、宗教、伦理、文化等层面具有非功效的内在价值。对渔业资源价值的充分认识是现代文明进步的标志,而鱼类为人类所提供的多元价值是人类养护渔业资源的基础。养护伦理强调的是如何科学人道地利用水生动植物资源。鱼类是否能够成为道德主体、权利主体甚至是诉讼主体成为环境伦理学讨论的重要内容之一,而鱼的道德地位与福利越来越被认为是一个重要的社会问题。渔业的伦理维度涉及“渔业”和“伦理”的互动关系。鱼类依次满足了人类基本需要、安全需要、社交需要、尊重需要和自我实现需要。人类在享受水生动物开发权利的同时,理应履行与之对等的责任和义务。为了人类自身和生态系统的长期福祉,须建立一套指导渔业行为、受到大众认可、经得起实践检验的渔业伦理规范。渔业伦理以渔业现象的合理性和正当性为研究对象,是指导渔业行为的规范和原则的总和。涉渔法律和伦理可共同为基于价值的渔业治理策略提供依据。渔业伦理学主要任务是通过得到普遍认可并经过实践检验的道德原则,对渔业行为的善恶是非开展事前指导和事后评判。在渔业伦理中,渔业正义是最高原则;渔业福祉、渔业自由和渔业公平是三大基本原则;而以《负责任渔业行为守则》为代表的伦理性国际文书,以及符合国家/地区具体渔况的纲要构成了具体原则。根据渔业伦理学研究对象的关系属性和所涉问题的不同特征,可将其分为生态伦理、社会伦理、产业伦理和科技伦理四大类别,这四大类在伦理要求上存在差异、各具特色,但都应服从上述伦理原则。将伦理原则和要求融合进现代渔业战略管理过程,可能会产生“为善者诸事顺”的良心效应,从而实现治理的最终目的——“善治”。为克服多元价值冲突带来的治理障碍,元治理理论应运而生。该理论研究治理现象背后的治理逻辑,寻求协同发展科层、市场和网络治理组合的最优解:当参与式治理导致监管过于复杂、进入无休止协商状态时,就启动科层模式;当科层模式无法触及所有渔业问题或获得渔业利益相关方广泛接受时,就开启市场或参与式模式;在此过程中,政府应当承担起作出最终决策的元治理者的角色。可持续渔业治理研究中涌现出诸多符合伦理的现代渔业治理理论,其中基于“生态整体主义”的管理和基于“价值平衡原则”的管理成为研究热点,前者主要聚焦渔业生态系统方法、预防性原则等整体思维,而后者主要涉及管理策略评估,正当性理论,系统治理等理念工具。在构建起理念框架的基础上,根据新生物技术的实践伦理发展出的伦理分析矩阵,以及Rapfish评估工具,促进了对伦理原则遵守情况的考察,有助于为负责任渔业实践提供“良善之策”。现代渔业治理时常陷入一种伦理意义上的权利困境,众渔业利益相关方不得不在多项行动方针之间艰难行使选择权。遵循特定伦理原则选择其中任何一项,都可能涉及违反其他某项伦理原则。可持续渔业发展面临的挑战主要出现在追求“天时”、“地利”、“人和”三大目标的决策选择过程之中。如何平衡现代人和未来人的资源利益是最首要、最核心的议题;渔业所涉水陆空间差异和相关社会生态问题构成了空间正义研究的一个典型样本;而人际关系中整体、长远利益与个体、短期利益的冲突影响到资源的公平分配,渔家妇女和小型渔业等弱势参与方应当得到更多的道德注意力。导致上述困境的原因既有人与人因抢夺野生资源所导致的公地悲剧或囚徒困境,又有在人与鱼道德地位孰高孰低的辩难中掉入的激进环保主义陷阱,还有理论与实践脱节的执行障碍。上述困境的破解之道不仅具有制度属性,也深刻地蕴含着价值属性。从制定目标,到开展决策,再到执行、监督和评估,伦理视角可渗透至治理的全部流程。治理者和被治理者可从制定伦理目标和开展伦理决策着手。作为社会主义国家,中国全面深化改革的根本目标是增进民生福祉。我国的渔业发展取得了举世瞩目的成就,这些成就离不开丰富道德资源的支持。生态方面,我国渔业治理史就是一部鱼类资源养护史,古今实践中折射出关怀鱼类福利、师法自然等生态感悟。社会方面,我国传统乡土社会文化里蕴含着包括群体意识和互助伦理、涉渔组织的参与式伦理在内的道德及礼俗规范。“三渔”问题是中国渔业发展面临的伦理性挑战,其本质是渔业的过密化,渔民的过溺化,以及渔村的过疏化。为解决渔业渔民渔村的问题,新中国开展了各项改革措施。新中国绿色渔业治理制度体系构建历程大体上可分为萌芽探索、改革攻坚与走向成熟三大阶段。在气候变化、疫情冲击、渔业资源衰退、全球不确定性风险日益增加的背景下,我国渔业治理者迎难而上,实现生计型治理→发展型治理→可持续治理的价值飞跃,积极探索出一条符合伦理的中国特色可持续渔业发展道路,培育出政府元治理者主导下,科层、市场和参与式治理协同开合的多元治理形态,形成了顺应自然、生态优先、以养为主、立体复合、科技导向、体系健全、应兜尽兜的发展模式。随着治理能力和治理体系的不断提升,中国渔业发展在收获伟大果实的同时,也为未来可持续、负责任渔业发展积累了大量可贵的实践经验。在今后的渔业治理中,我国各渔业利益相关方应本着福祉、自由和公正的原则,进一步促进渔业的绿色转型发展。
谷丰[4]（2021）在《基于深度学习的SAR图像去噪及弱监督地物分割研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）影像地物分割是SAR影像解译的一个基本环节。传统的地物分割算法存在大量人工干预,复杂度高,在泛化性和时效性上都无法达到要求。近年来,深度学习算法因其强大的特征提取能力在图像分割领域发展迅速。在SAR大数据背景下,深度学习网络模型可以依托海量的标注数据进行权重迭代更新,使得模型输出能够逼近标注结果。深度学习模型的产生是专家知识与经验积累的结果,其推断准确度受限于训练样本库的体量和质量,依赖于劳动密集型的数据标注工作。SAR影像强度信息受相干斑噪声的干扰,同时具有顶底位移、透视收缩等成像特点。特殊的成像机制使得SAR影像样本标注相较于照片或光学遥感影像要复杂得多,难以保证标注的效率和精度。因此,依托SAR大数据进行地物分割任务,需要耗费大量的时间成本来换取准确的全监督像素级地物标签。为解决上述问题,需要降低全监督地物标注的完整程度,改用在地物位置和轮廓信息上均有所损失的弱监督标注方式,如边界框标注,全局类别标注等,这势必会影响地物分割精度。本文既希望借助弱监督标注以大幅减少人工标注成本,又希望弱监督地物分割模型的精度能逼近全监督分割算法。为此,本文在分析SAR图像成像特性的前提下,开展了基于深度学习的SAR图像去噪以及弱监督地物分割研究。其中,前者为弱监督分割提供基础的数据支持,使弱监督分割算法在边界回归上不受噪声影响。后者将具体针对建筑以及船舶两类人造地物展开研究,在超像素聚类算法、概率图模型以及极坐标射线掩膜回归的辅助下得到精确的地物分割掩膜。主要研究内容及创新点如下:1.针对流行去噪方法性能固化的问题,提出基于纹理量化图的深度学习SAR图像去噪方法。在充分分析SAR噪声的空间相干性以及图像局部纹理特性的前提下,提出纹理量化图的概念并设计了一种新颖的二组分深度学习去噪网络。该网络可自动量化纹理特征,并自适应决定局部区域是平滑噪声还是保持细节。利用高分三号超精细条带模式数据进行实验,所提方法获得了29.23的等效视数,0.1183的噪声图均匀性指标以及0.0307的噪声图结构性指标。此外,多源机载和星载SAR数据去噪实验表明所提方法具有较好的泛化性能。与现阶段流行去噪方法相比,所提方法在主观目视评价以及客观指标评价上具备更优异的性能。同时,其为后续弱监督地物分割方法提供有效的数据支持,提升了分割边界的准确性和平滑连续性。2.针对全监督建筑区标注费时的问题,提出基于超像素分割和卷积神经网络（Convolutional Neural Network,CNN）的全极化SAR建筑区弱监督提取方法。该方法首先利用改进简单线性迭代算法自适应决定紧凑度因子以生成贴合地物边界的超像素,然后基于CNN对每个超像素的代表场景进行多尺度特征提取和分类。所提方法在仅依靠图像全局标签的情况下,将基本分割单元从像素上升为超像素,同时充分考虑极化分解特征和像素空间上下文特征,有效提升建筑区提取的效率和精度。基于高分3号全极化条带模式数据进行实验,所提方法的建筑区提取结果达到平均93.25%的总体精度,91.55%的检测率以及7.19%的虚警率。3.针对复杂场景下船舶定位困难的问题,提出一种基于类激活图和条件随机场的船舶弱监督分割算法。受到计算机视觉类激活图注意力机制的启发,着重验证了基于船舶全局标签进行船舶候选区提取的可行性,并深入分析了候选区的多尺度性和弱监督性。同时,引入全连接条件随机场对船舶候选区进行边界回归,形成精细分割掩膜。以高分3号精细条带模式数据作为实验数据,所提方法在多种背景下对船舶目标进行像素级分割,获得了88.54%的船舶检测率,8%的船舶虚警率以及90.412的F1分数。4.针对并排多目标无法进行准确单目标定位的问题,提出基于伪标签与极坐标射线回归的靠泊船舶弱监督分割方法。首先基于3中所提方法对靠泊船舶进行伪标签制作,结合少量全监督标注数据形成训练数据集;然后,把船舶实例分割问题分解为中心回归和射线回归两个子问题;最后构建极坐标下的交并比损失函数和焦点损失函数对网络进行综合训练。所提方法主要基于伪标签进行网络训练,有效解决了样本制作费时费力以及靠泊船舶样本稀少的问题。同时,通过船舶中心回归与掩膜射线回归机制显着提升密集排列船舶的分割能力。利用高分三号超精细条带模式数据进行实验,所提方法获得了90.75%的船舶检测率以及9.24%的虚警率,在对比方法中精度最高。同时对于训练集增广方式的控制变量消融实验表明,在使用了所提训练集扩增方式之后,网络检测率将得到显着提升,且虚警率会有明显下降。
李晓恩[5]（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》文中指出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。
贾旭强[6]（2021）在《基于深度学习的船舶目标检测方法研究》文中研究指明船舶作为海上重要的运输载体和军事目标,对船舶进行精确的定位和识别,有助于改善航行安全,提高工作效率,对监视海运交通、维护国家海洋权益和海洋安全具有重要的现实意义和战略意义。在过去的10年里,人们做了大量的工作,从卫星图像中自动提取目标,取得了一些成果,但在实际应用中存在许多不足。随着深度学习的发展,目标检测技术在多个领域都取得了突破性的进展,因此使用基于深度学习的目标检测方法来进行船舶检测的研究具有现实可行性及重要的学术意义。本文基于深度学习的方法对船舶检测识别展开了以下几点研究:1.广泛调研了主流的船舶检测算法和目标检测算法,分析研究了每个方法的检测思路和创新点。然后对船舶检测的数据集进行了分析,并制作训练数据集,使用多种方法对数据进行增强。实验表明,使用数据增强能够有效的提高模型的泛化能力。2.使用RetinaNet模型进行船舶目标检测,构建了RetinaNet检测网络,实验发现,原本的RetinaNet进行船舶检测的性能不佳,有待改善。本文在原有RetinaNet网络的基础上,加入了SSH模块,来加强特征的提取,通过调整正负样本的比例,来降低负样本的影响,使用了聚类获取的预选框,让预测框的定位更加精准。然后提出了针对船舶目标检测的模型RetinaShip,实验表明,RetinaShip能有效的提高船舶目标检测的准确率,平均精度可达到93.28%。3.对经典的YOLOv3算法进行了深入的研究,并进行了改进。用聚类算法重新设计符合船舶数据集的预选框,使用CIoU改进了损失函数,结果表明,优化后的检测模型能够明显提高检测的精度,使得检测的平均精度达到了93%以上。本文还实现了YOLOv4船舶目标检测算法,使得检测的平均精度达到了95%。然后用更轻量的Mobile Net网络代替YOLOv4算法的骨干网络,减少了参数量,在保证准确率的前提下,提高了检测的速度。也实现了一个轻量级的YOLOv4-Lite网络,参数量更少,检测速度更快,可以用在一些实时性要求很高的场景中。
高邈[7]（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》文中研究表明在“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[8]（2020）在《面向自主船舶的危险分析方法研究》文中进行了进一步梳理继蒸汽技术革命、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。
董俊红[9]（2020）在《面向汽车高频噪声分析的不确定性理论与应用研究》文中进行了进一步梳理汽车NVH（Noise,Vibration,Harshness）性能按照频率可以划分为低频、中频和高频性能,其中,高频NVH性能对汽车车内声品质有着非常显着的影响。目前,汽车高频NVH性能的开发主要采用统计能量分析（Statistical Energy Analysis,SEA）方法进行求解,统计能量模型中的材料、结构和性能参数均设定为确定性参数。然而,在工程实际问题中,激励和环境条件不断变化,制造、装配和测量误差无法消除,汽车尤其是其声学包系统的不确定性无法避免。这些不确定性因素相互影响和耦合,导致整车高频NVH实际性能相对于设计性能出现较大偏差,从而对大规模产品性能造成不可忽略的影响,一定程度上限制了统计能量分析方法在汽车高频噪声性能分析和优化中的应用效果。针对整车高频NVH性能开发过程中存在的问题,本文将不确定性理论引入SEA分析过程中,对不确定性条件下的汽车高频NVH性能开发理论和应用进行了系统性的研究。首先,在理论层面,提出了汽车声-固耦合模型不确定性分析的随机统计能量方法和区间统计能量方法;其次,为了克服变量不确定性所引起的区间扩张现象,提出了一种考虑不确定性变量间耦合关系的区间摄动分析方法,并采用该方法对汽车关键总成高频性能进行了分析和优化;再次,为了预测材料参数不确定性传播所引起的整车高频噪声响应偏差,基于区间模型对汽车整车高频NVH性能的不确定性进行了分析;最后,针对不确定性条件下的整车高频NVH性能优化问题,引入了一种高效区间稳健性优化方法。基于此思路,本论文开展和完成了如下研究工作:（1）针对汽车声-固耦合系统中难以获取关键SEA参数分布信息的问题,参考随机有限元与区间有限元理论,将不确定性理论引入SEA分析过程中,分别采用随机模型、区间模型来描述结构和声腔材料参数的不确定性,提出了汽车声-固耦合模型不确定性分析的随机统计能量方法和区间统计能量方法;选择有物理意义的结构和声腔材料参数作为不确定性参数,这既使设计初期不确定性参数的描述变得更加直接和容易,也避免了SEA参数之间的相互关系对不确定性分析结果产生影响;在统计能量方程基础上,采用解析方法推导了损耗因子矩阵关于结构、声腔材料参数的偏导数方程,建立了子系统能量波动与材料参数不确定性之间的数量关系,相对于数值方法具有更高的精度和更广泛的适用性;分别以简单的平板-立方体声腔耦合模型和汽车发动机舱-防火墙-车内声腔模型为例,通过对比Monte-Carlo法的计算结果,验证了所提方法的准确性与普适性,有效预测了不确定条件下声-固耦合系统的高频响应特性。（2）提出了一种汽车关键总成高频隔声性能不确定性分析的相关区间摄动方法。该方法考虑了不确定参数间的线性不等式约束关系,引入了不确定性参数灵敏度排序机制,克服了传统区间模型中不确定性参数之间相互独立的假设限制,有效的抑制了不确定性分析过程中的系统响应区间扩张现象。以汽车防火墙总成为例,基于统计能量分析法建立了防火墙总成的SEA模型,通过试验获取了声学包及过孔零件的吸隔声性能,并基于测试数据对SEA模型进行了调校;采用相关区间摄动方法对防火墙总成的隔声性能进行了计算,数值算例结果显示,该方法可以有效的收窄防火墙总成隔声性能的上、下界范围;最后,以内前围的质量为目标函数,以防火墙总成隔声性能为约束条件,基于多岛遗传算法对内前围参数进行优化,在实现内前围轻量化目标的同时仍保证了防火墙总成隔声性能的提升。（3）针对多孔材料参数的不确定性,提出了汽车整车高频噪声性能的区间不确定性分析方法。首先,通过试验测试得到整车声学包零件的吸隔声性能,并在整车半消声实验室对汽车声载荷进行测试,分析特定工况下的车内噪声响应;建立汽车整车SEA模型,在车身外表面加载特定工况下的声载荷激励,预测驾驶员耳边噪声响应并与实车测试结果进行对比,验证模型的准确性;引入区间模型对内前围结构和材料参数进行描述,采用区间摄动方法对车内噪声响应进行预测,对不确定参数影响下系统的稳健性进行了分析。（4）提出了汽车整车高频性能的高效区间稳健性优化方法。建立了整车SEA模型,并通过声学传递函数（Acoustic Transfer Function,ATF）验证模型的准确性;选择关键声学包零件的吸隔声性能作为不确定性参数,计算不确定参数的灵敏度;通过引入区间可能度方法,将不确定性约束转化为确定性约束;推广区间可能度的概念,引入一种高效的解耦方法,将双层嵌套的稳健性优化模型转化为确定性的单层优化模型进行求解,对某SUV车型声学包系统进行了分析和优化,在实现汽车声学包轻量化目标的同时大幅度提升系统性能的稳健性。
王永明[10]（2020）在《基于大规模AIS数据的船舶异常行为检测与预警》文中研究说明随着AIS的广泛应用,海事监管部门能够获取海量的AIS数据,船舶行为检测进入了大数据时代。但是,由于种种原因,AIS数据还存在丢失和大量错误,当前AIS数据质量还不能适应海事监管与服务的需要。提高船舶时空轨迹数据的可用性,自动地检测港口和敏感水域内船舶异常行为并实现预警,对保障水上交通安全具有重要意义。因此,本文围绕船舶异常行为检测这一主题,从异常AIS数据甄别、港口水域和敏感水域船舶异常行为检测等方面开展研究工作,具体研究内容如下:在异常AIS数据甄别方面,结合一段时间内相邻各条AIS数据的特征,构建了基于BP神经网络的异常AIS数据甄别模型。通过动态调整神经网络的学习速率参数,提升了网络模型的学习效率,并利用AIS数据对模型进行了训练和验证,准确率达到95.16%。同时,通过实验分析了甄别模型中AIS数据段长度和隐含层节点数量对准确率的影响。实验结果表明,不合理的数据段长度和隐含层节点数量均会降低甄别模型的准确率,数据段长度为4,隐含层节点数量为6时,甄别模型的准确率达到最高。在港口水域船舶异常行为检测方面,根据船舶进出港特点,将异常行为划分为船舶间距异常、船舶进离港异常、船舶轨迹异常三类,针对船舶间距异常,提出了基于船舶领域的异常行为检测方法。应用统计学的方法,结合船舶AIS数据,构建了船舶领域模型,并通过历史数据进行了验证,实现了对单船舶领域入侵、连续船舶领域入侵和区域船舶领域入侵的检测;针对船舶进离港行为异常,根据船舶位置、航速、航向等运动特性,提出了可对船舶进离港和停泊等行为进行准确判断的高效算法,并通过实际数据进行了验证。通过先验的全球港口地理信息数据,结合AIS数据,设计算法实现了船舶与港口快速匹配,以满足在线预警的实时性需要;针对船舶航行轨迹异常,提出了综合K-means和DBSCAN算法优点的混合聚类算法,提高了船舶AIS轨迹异常检测效率和准确率。在充分考虑船舶起点和终点特征的基础上,首先采用K-means算法对船舶轨迹进行初步聚类。通过提取多个轨迹特征属性,构建轨迹组合距离,采用DBSCAN对子轨迹进行聚类。设定了对DBSCAN算法在船舶轨迹聚类中参数的选择规则,通过选择不同的领域半径值分别实现船舶子轨迹聚类和异常轨迹识别。通过实际数据,验证了方法的有效性。在敏感水域的船舶异常行为检测方面,选取核心识别因子构建了层次分析模型。结合研究水域特点,利用Delphi专家调查法,设定了层次模型内各层元素的权重。根据不同异常因子对不同敏感水域的船舶异常行为进行了检测,实现了 981平台、春晓油气田和黄岩岛附近水域船舶异常行为的检测,并通过实际数据进行了验证。本文解决了异常AIS数据甄别、港口水域船舶异常行为检测和敏感水域船舶异常行为检测3方面的问题,研究成果为AIS更加广泛的的应用提供了基础条件,有利于提升AIS数据适用范围,在海事监管方面具有重要的实际应用价值和现实意义。
二、船舶领域边界的量化分析（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、船舶领域边界的量化分析（论文提纲范文）
（1）通气空腔两相流动及其减阻增稳效应研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 符号表 |
| 第1章 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 通气减阻方法 |
| 1.2.2 二维空腔势流理论 |
| 1.2.3 通气空腔两相流体动力学研究现状 |
| 1.2.4 通气减阻机理研究现状 |
| 1.2.5 船模高速纵向失稳研究现状 |
| 1.3 目前研究中存在的问题 |
| 1.4 研究目标和内容 |
| 第2章 实验和数值模拟方法 |
| 2.1 平板通气水洞实验和数值模拟 |
| 2.1.1 平板通气水洞实验 |
| 2.1.2 平板通气水洞数值模拟 |
| 2.1.3 数值模拟方法验证 |
| 2.2 船模拖曳水池实验和数值模拟 |
| 2.2.1 船模拖曳水池实验 |
| 2.2.2 船模拖曳水池数值模拟 |
| 2.2.3 数值模拟方法验证 |
| 2.3 本章小结 |
| 第3章 平板通气空腔两相流动及其减阻机理 |
| 3.1 通气空腔两相流动特征 |
| 3.1.1 空腔形成及其演化特征 |
| 3.1.2 空腔流型分布特征及其形成机理 |
| 3.2 通气空腔减阻机理 |
| 3.2.1 边界层解析方程 |
| 3.2.2 边界层速度分布 |
| 3.2.3 边界层密度和粘度分布 |
| 3.2.4 壁面剪切应力分布特征及其半经验预测模型 |
| 3.3 本章小结 |
| 第4章 船模通气空腔两相流动及减阻效应 |
| 4.1 通气空腔两相流动特征 |
| 4.1.1 空腔流型特征 |
| 4.1.2 空腔闭合和脱落特征分析 |
| 4.1.3 空腔拓扑特征及其形成转变机理分析 |
| 4.2 通气空腔气量需求分析 |
| 4.2.1 空腔生长曲线量化分析 |
| 4.2.2 空腔气量需求相关性分析 |
| 4.3 船模减阻效果及能耗节省分析 |
| 4.3.1 船模净减阻特征 |
| 4.3.2 船模能耗节省分析 |
| 4.4 本章小结 |
| 第5章 通气空腔对船模纵向运动失稳的抑制作用 |
| 5.1 船模固有的水动力特征 |
| 5.2 通气空腔对船模海豚运动的抑制特征 |
| 5.3 船模纵向增稳机理 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 本文总结 |
| 6.2 创新点 |
| 6.3 不足与展望 |
| 参考文献 |
| 作者简历 |
（2）基于船舶操纵对船舶领域的量化研究（论文提纲范文）
| 1 问题的提出 |
| 2 船舶领域量化 |
| 2.1 对遇 |
| (1)旋回 |
| (2)停车 |
| (3)倒车 |
| 2.2 交叉会遇 |
| 2.3 追越 |
| 2.4 船舶领域模型 |
| 3 结 语 |
（3）渔业伦理视角下的现代渔业治理研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 问题的提出 |
| 1.2 国内外研究现状评述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状评述 |
| 1.3 研究方法及内容框架 |
| 第二章 渔业伦理的理论建构 |
| 2.1 渔业伦理的立论基础 |
| 2.1.1 逻辑起点 |
| 2.1.2 资源养护 |
| 2.1.3 可持续利用 |
| 2.2 渔业伦理的概念、地位和原则 |
| 2.2.1 概念溯源及研判 |
| 2.2.2 学科关联 |
| 2.2.3 相关原则 |
| 2.3 基本分类 |
| 2.3.1 渔业生态伦理 |
| 2.3.2 渔业社会伦理 |
| 2.3.3 渔业产业伦理 |
| 2.3.4 渔业科技伦理 |
| 第三章 基于伦理的渔业治理范式分析 |
| 3.1 渔业治理的元层次 |
| 3.1.1 合法性与正当性 |
| 3.1.2 渔业元治理 |
| 3.2 符合伦理的现代渔业治理理论 |
| 3.2.1 基于“生态整体主义”的治理理论 |
| 3.2.2 基于“价值平衡原则”的治理理论 |
| 3.3 渔业伦理分析和评估 |
| 3.3.1 伦理分析矩阵 |
| 3.3.2 伦理评估工具 |
| 第四章 现代渔业治理的伦理进程 |
| 4.1 可持续渔业中的维度指向 |
| 4.1.1 时间维度 |
| 4.1.2 空间维度 |
| 4.1.3 人际维度 |
| 4.2 渔业治理之伦理难题 |
| 4.2.1 人与人的博弈 |
| 4.2.2 人与鱼的博弈 |
| 4.2.3 知与行的脱节 |
| 4.3 渔业治理之伦理突围 |
| 4.3.1 制定渔业伦理目标 |
| 4.3.2 开展渔业伦理决策 |
| 第五章 中国渔业治理的伦理议题 |
| 5.1 中国渔业道德基础与现代问题 |
| 5.1.1 中国传统智慧中的渔业伦理元素 |
| 5.1.2 中国现代渔业问题的伦理之维 |
| 5.2 中国现代渔业治理的绿色转型 |
| 5.2.1 发展阶段与模式进化 |
| 5.2.2 基于伦理的转型实践 |
| 5.2.3 未来发展的伦理展望 |
| 结论 |
| 参考文献 |
| 附录:缩略语 |
| 博士期间科研成果 |
| 致谢 |
（4）基于深度学习的SAR图像去噪及弱监督地物分割研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习神经网络研究现状 |
| 1.2.2 SAR图像去噪研究现状 |
| 1.2.3 SAR图像地物分割方法研究现状 |
| 1.2.4 现有不足分析 |
| 1.3 研究内容及技术路线 |
| 1.4 论文组织结构 |
| 第2章 卷积神经网络基本组件及训练 |
| 2.1 卷积神经网络组件 |
| 2.2 梯度下降优化算法 |
| 2.3 本章小结 |
| 第3章 基于纹理量化图的深度学习SAR图像相干斑去除 |
| 3.1 SAR图像噪声建模与深度学习去噪范式分析 |
| 3.1.1 SAR图像噪声建模 |
| 3.1.2 深度学习去噪范式 |
| 3.2 噪声去相干 |
| 3.3 SAR图像噪声动态建模与二阶段去噪网络 |
| 3.3.1 基于纹理量化图的噪声动态建模 |
| 3.3.2 二阶段去噪网络 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据和训练数据设置 |
| 3.4.2 模拟SAR图像去噪实验 |
| 3.4.3 真实SAR图像去噪实验 |
| 3.5 本章小结 |
| 第4章 基于超像素分割和卷积神经网络的全极化SAR建筑区弱监督提取方法 |
| 4.1 基于场景分类的建筑区提取模式 |
| 4.2. 基于卷积神经网络的弱监督建筑区提取框架 |
| 4.2.1 极化分解特征集成 |
| 4.2.2 分类网络结构 |
| 4.2.3 改进简单线性迭代超像素聚类算法 |
| 4.2.4 建筑区提取总流程 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据 |
| 4.3.2 极化分解特征对建筑区提取的影响 |
| 4.3.3 改进SLIC超像素生成 |
| 4.3.4 训练细节与CNN结构设置 |
| 4.3.5 窗口大小对建筑区提取的影响 |
| 4.3.6 建筑区提取精度评价 |
| 4.3.7 与全监督建筑区提取算法的比较 |
| 4.4 本章小结 |
| 第5章 基于类激活图和条件随机场的船舶弱监督分割算法 |
| 5.1 SAR图像船舶场景切片分类 |
| 5.2 类激活图算法 |
| 5.3 基于条件随机场的类激活图边界细化 |
| 5.3.1 概率图模型 |
| 5.3.2 全连接条件随机场边界细化过程 |
| 5.4 实验数据 |
| 5.5 实验结果与分析 |
| 5.5.1 类激活图生成 |
| 5.5.2 类激活图池化层的选择 |
| 5.5.3 条件随机场边界细化结果分析 |
| 5.5.4 船舶检测精度评价 |
| 5.6 本章小结 |
| 第6章 基于伪标签与极坐标射线回归的靠泊船舶弱监督分割方法 |
| 6.1 基于极坐标射线回归的船舶掩膜回归方法 |
| 6.1.1 多尺度融合特征金字塔 |
| 6.1.2 极坐标掩膜回归方式 |
| 6.1.3 极坐标损失函数设计 |
| 6.2 弱监督靠泊船舶数据集制作方法 |
| 6.3 实验结果与分析 |
| 6.3.1 实验区与实验数据 |
| 6.3.2 网络中间结果 |
| 6.3.3 整景影像检测结果分析 |
| 6.3.4 网络敏感性测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）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 |
（6）基于深度学习的船舶目标检测方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测研究现状 |
| 1.2.2 船舶检测研究现状 |
| 1.3 本文研究内容和方法 |
| 1.3.1 本文的研究内容和创新点 |
| 1.3.2 本文结构 |
| 第二章 深度学习与目标检测概述 |
| 2.1 深度学习与目标检测 |
| 2.2 基础概念和评价指标 |
| 2.2.1 边界框和锚框 |
| 2.2.2 交并比:IoU、DIoU和CIoU |
| 2.2.3 非极大值抑制:NMS |
| 2.2.4 评价指标:Precision、Recall、mAP和FPS |
| 2.3 经典目标检测方法概述 |
| 2.3.1 两阶段经典检测方法:R-CNN系列 |
| 2.3.2 单阶段经典检测器:YOLO系列 |
| 2.3.3 单阶段多层检测器:SSD系列 |
| 2.4 本章小结 |
| 第三章 数据分析与预处理 |
| 3.1 船舶图像数据分析 |
| 3.2 船舶图像数据处理 |
| 3.2.1 数据集标签制作 |
| 3.2.2 数据增强 |
| 3.3 K-Means聚类获取锚框 |
| 3.4 实验环境 |
| 3.5 本章小结 |
| 第四章 基于RetinaNet算法的船舶检测方法研究 |
| 4.1 样本不均衡问题与聚焦损失函数 |
| 4.1.1 船舶图像样本不均衡问题分析 |
| 4.1.2 聚焦损失函数:Focal Loss |
| 4.2 特征金字塔网络:FPN |
| 4.3 基于RetinaNet算法的船舶检测算法设计与实现 |
| 4.3.1 RetinaNet检测思想 |
| 4.3.2 RetinaNet网络模型设计 |
| 4.3.3 损失计算与训练 |
| 4.4 船舶目标检测模型RetinaShip |
| 4.4.1 RetinaShip网络模型设计 |
| 4.4.2 难样本挖掘与锚框设计 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于YOLO算法的船舶检测方法研究 |
| 5.1 YOLO算法介绍 |
| 5.1.1 YOLO算法发展 |
| 5.1.2 YOLO检测思想 |
| 5.1.3 边界框回归 |
| 5.2 YOLOv3目标检测算法 |
| 5.2.1 YOLOv3的新特性 |
| 5.2.2 YOLOv3的检测思想 |
| 5.3 YOLOv4目标检测算法 |
| 5.3.1 骨架网络结构:CSPDarknet53 |
| 5.3.2 特征融合网络:PAN |
| 5.3.3 YOLOv4的优化策略 |
| 5.4 基于YOLOv3算法的船舶检测方法设计与实现 |
| 5.4.1 YOLOv3网络模型设计 |
| 5.4.2 YOLOv3船舶检测损失计算与改进 |
| 5.4.3 实验结果与分析 |
| 5.5 基于YOLOv4算法的船舶检测方法设计与实现 |
| 5.5.1 YOLOv4网络模型设计 |
| 5.5.2 船舶检测损失计算与训练 |
| 5.5.3 实验结果与分析(1) |
| 5.5.4 模型改进:使用MobileNet作为骨干网络 |
| 5.5.5 模型改进:网络轻量化YOLOv4-Lite |
| 5.5.6 实验结果与分析(2) |
| 5.6 实验结果总结 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（7）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 |
（8）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 |
（9）面向汽车高频噪声分析的不确定性理论与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 统计能量分析方法研究现状 |
| 1.2.1 统计能量分析方法理论研究概述 |
| 1.2.1.1 模态密度 |
| 1.2.1.2 内损耗因子 |
| 1.2.1.3 耦合损耗因子 |
| 1.2.2 统计能量分析方法在噪声控制中的应用 |
| 1.3 不确定性理论研究现状 |
| 1.3.1 不确定性模型 |
| 1.3.2 不确定性数值计算方法 |
| 1.3.3 不确定性优化方法 |
| 1.3.4 不确定性理论在车辆开发领域的应用研究现状 |
| 1.4 本文的主要研究内容 |
| 1.4.1 汽车车内高频噪声开发存在的问题 |
| 1.4.2 本文的研究内容 |
| 第2章 汽车声-固耦合模型的随机统计能量和区间统计能量理论 |
| 2.1 引言 |
| 2.2 声-固耦合模型的统计能量方法 |
| 2.2.1 声-固耦合模型的统计能量方程 |
| 2.2.2 声-固耦合模型SEA参数分析 |
| 2.3 不确定声-固耦合模型的随机统计能量和区间统计能量方法 |
| 2.3.1 随机统计能量方法理论 |
| 2.3.2 区间统计能量方法理论 |
| 2.4 材料参数偏导数分析 |
| 2.4.1 结构弹性模量偏导数 |
| 2.4.2 结构泊松比偏导数 |
| 2.4.3 结构密度偏导数 |
| 2.4.4 声腔声速偏导数 |
| 2.4.5 声腔密度偏导数 |
| 2.5 算例 |
| 2.5.1 平板-立方体声腔模型 |
| 2.5.1.1 随机SEA分析 |
| 2.5.1.2 区间SEA分析 |
| 2.5.2 汽车发动机舱-防火墙-车内声腔模型 |
| 2.5.2.1 随机SEA分析 |
| 2.5.2.2 区间SEA分析 |
| 2.6 本章小结 |
| 第3章 汽车防火墙总成高频性能的相关区间不确定性分析 |
| 3.1 引言 |
| 3.2 汽车防火墙总成SEA模型的建立 |
| 3.2.1 汽车防火墙总成结构 |
| 3.2.2 汽车防火墙总成SEA模型建立 |
| 3.2.2.1 汽车防火墙钣金SEA模型建立 |
| 3.2.2.2 声学包材料的吸隔声性能评价 |
| 3.2.2.3 外前围吸声性能测试 |
| 3.2.2.4 内前围和过孔零件隔声性能测试 |
| 3.3 汽车防火墙总成隔声性能测试、分析与调校 |
| 3.3.1 防火墙总成隔声性能测试 |
| 3.3.2 防火墙总成隔声性能分析和调校 |
| 3.3.2.1 防火墙总成隔声性能分析 |
| 3.3.2.2 防火墙总成隔声性能调校 |
| 3.4 基于相关区间模型的SEA不确定性分析理论 |
| 3.4.1 相关区间模型的声-固耦合系统描述 |
| 3.4.2 相关区间模型的SEA不确定性分析 |
| 3.5 基于相关区间模型的汽车防火墙内前围不确定性分析及优化 |
| 3.6 本章小结 |
| 第4章 汽车整车高频噪声性能的区间不确定性分析 |
| 4.1 引言 |
| 4.2 整车统计能量分析模型的建立 |
| 4.3 车内高频噪声试验测试与仿真分析 |
| 4.3.1 声载荷测试 |
| 4.3.2 整车车内高频噪声测试与仿真分析 |
| 4.3.3 声学包子系统对车内声腔的贡献量分析 |
| 4.4 车内高频噪声的不确定性分析 |
| 4.4.1 不确定参数及模型的选择 |
| 4.4.2 车内噪声的区间摄动计算 |
| 4.5 本章小结 |
| 第5章 汽车整车高频噪声性能的高效区间不确定性优化 |
| 5.1 引言 |
| 5.2 稳健性设计与区间优化理论 |
| 5.2.1 稳健优化设计基本原理 |
| 5.2.2 基于可能度的区间优化方法 |
| 5.3 整车高频噪声稳健性模型建立与分析 |
| 5.3.1 整车统计能量模型的建立与验证 |
| 5.3.1.1 整车SEA模型的建立 |
| 5.3.1.2 整车SEA模型验证 |
| 5.3.2 车内高频噪声稳健性分析 |
| 5.3.2.1 不确定性参数的选择和描述 |
| 5.3.2.2 车内噪声的稳健性分析 |
| 5.4 基于区间可能度方法的整车高频噪声高效稳健性优化 |
| 5.4.1 稳健性优化模型的建立 |
| 5.4.2 高效区间稳健性优化设计方法 |
| 5.4.3 车内噪声稳健性优化结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.1.1 汽车声-固耦合模型的随机统计能量和区间统计能量理论 |
| 6.1.2 汽车关键总成高频性能的相关区间摄动分析 |
| 6.1.3 汽车整车高频噪声性能的区间不确定性分析研究 |
| 6.1.4 汽车整车高频噪声性能的高效区间不确定性优化研究 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（10）基于大规模AIS数据的船舶异常行为检测与预警（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 船舶自动识别系统及其应用现状 |
| 1.2.2 船舶AIS数据可靠性研究现状 |
| 1.2.3 船舶行为模式和异常行为识别研究现状 |
| 1.2.4 研究现状分析 |
| 1.3 研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本文的组织结构 |
| 1.5 本文依托项目情况 |
| 2 基于BP神经网络的异常AIS数据甄别方法研究 |
| 2.1 研究实验数据平台 |
| 2.1.1 实验数据平台简介 |
| 2.1.2 实验平台数据规模 |
| 2.1.3 实验区域选取 |
| 2.2 BP神经网络理论 |
| 2.3 异常AIS数据甄别模型 |
| 2.3.1 模型构建 |
| 2.3.2 AIS数据归一化处理 |
| 2.3.3 学习速率动态调整 |
| 2.4 异常AIS数据甄别模型可靠性验证 |
| 2.4.1 实验数据准备 |
| 2.4.2 实验结果 |
| 2.4.3 实验结果分析 |
| 2.5 实例分析 |
| 2.5.1 AIS数据预处理 |
| 2.5.2 异常AIS数据甄别结果 |
| 2.5.3 结果分析 |
| 2.6 结论 |
| 2.7 本章小结 |
| 3 基于船舶领域的船舶间距异常识别方法研究 |
| 3.1 船舶领域研究和异常识别算法流程 |
| 3.2 基于AIS数据的船舶领域研究 |
| 3.2.1 船舶领域构建流程 |
| 3.2.2 长江武汉段船舶领域验证 |
| 3.3 基于船舶领域的异常行为检测 |
| 3.3.1 船舶领域入侵异常行为检测 |
| 3.3.2 基于船舶领域的异常行为统计和分析 |
| 3.4 本章小结 |
| 4 基于AIS的船舶进离港识别方法研究 |
| 4.1 船舶行为分析 |
| 4.1.1 船舶行为分类 |
| 4.1.2 船舶进离港行为 |
| 4.1.3 船舶靠泊行为 |
| 4.1.4 船舶间的避碰行为 |
| 4.2 船舶的异常行为分析 |
| 4.3 船舶进离港识别方法 |
| 4.3.1 基于AIS的船舶进离港的定义 |
| 4.3.2 船舶进离港算法研究 |
| 4.3.3 基于船舶位置的港口匹配方法 |
| 4.3.4 进离港捕获算法正确性验证 |
| 4.4 本章小结 |
| 5 基于综合聚类的船舶轨迹异常识别方法研究 |
| 5.1 轨迹特征 |
| 5.1.1 轨迹属性 |
| 5.1.2 轨迹相异度计算 |
| 5.2 轨迹聚类算法和流程 |
| 5.2.1 K-means算法 |
| 5.2.2 DBSCAN算法 |
| 5.2.3 轨迹聚类和异常识别流程 |
| 5.3 实验分析 |
| 5.3.1 实验对象及数据 |
| 5.3.2 湛江港AIS数据实验分析 |
| 5.3.3 武汉轮渡AIS数据实验分析 |
| 5.4 本章小结 |
| 6 基于AIS的敏感水域船舶异常行为检测方法研究 |
| 6.1 层次分析法 |
| 6.2 Delphi专家调查法 |
| 6.3 敏感水域船舶异常行为检测框架 |
| 6.3.1 异常因子 |
| 6.3.2 敏感区域 |
| 6.3.3 船舶异常得分 |
| 6.4 实例验证 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及在读期间的科研成果 |
| 致谢 |
四、船舶领域边界的量化分析（论文参考文献）
- [1]通气空腔两相流动及其减阻增稳效应研究[D]. 王路遥. 浙江大学, 2021(01)
- [2]基于船舶操纵对船舶领域的量化研究[J]. 李冰. 武汉船舶职业技术学院学报, 2021(02)
- [3]渔业伦理视角下的现代渔业治理研究[D]. 何妤如. 上海海洋大学, 2021(01)
- [4]基于深度学习的SAR图像去噪及弱监督地物分割研究[D]. 谷丰. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [5]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)
- [6]基于深度学习的船舶目标检测方法研究[D]. 贾旭强. 兰州大学, 2021(09)
- [7]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)
- [8]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)
- [9]面向汽车高频噪声分析的不确定性理论与应用研究[D]. 董俊红. 吉林大学, 2020(03)
- [10]基于大规模AIS数据的船舶异常行为检测与预警[D]. 王永明. 大连海事大学, 2020