舰船科学技术  2022, Vol. 44 Issue (3): 67-70    DOI: 10.3404/j.issn.1672-7649.2022.03.013   PDF    
人工智能的船舶航行数据自动采集系统
顾梦霞     
湖北工业大学 工程技术学院,湖北 武汉 430068
摘要: 为提升船舶航行数据自动采集的实时性、完整性,并保证采集数据的质量,设计人工智能的船舶航行数据自动采集系统。数据感知设备采集船舶航行相关数据,采用卷积神经网络部署动态网络节点,利用时间反转镜方法控制网络信道的均衡程度,数据管理模块通过执行器下达执行指令,控制数据的读写、交互缓存等,并对数据实行滤波处理后,再次利用卷积神经网络获取船舶航行数据识别的关键字,并将该数据并存储至数据库中。测试结果表明:该系统的信道均衡偏差波动范围小,信道干扰率低,连通性好,能够采集多维度船舶航行数据,数据质量高;采集数据能够为船舶航行提供可靠依据。
关键词: 人工智能     船舶航行数据     自动采集系统     动态网络节点     均衡程度     数据识别    
Design of automatic acquisition system for ship navigation data by artificial intelligence
GU Meng-xia     
Hubei University of Technology Engineering and Technology College, WuHan 430068, China
Abstract: In order to improve the real-time and integrity of ship navigation data automatic collection and ensure the quality of collected data, an artificial intelligence ship navigation data automatic collection system is designed. The data sensing device collects ship navigation related data, deploys dynamic network nodes using convolutional neural network, uses the time reversal mirror method to control the balance degree of network channel, and the data management module issues execution instructions through the actuator to control data reading and writing, interactive cache, etc. after filtering the data. Thirdly, the convolution neural network is used to obtain the key words of ship navigation data recognition, and the data is stored in the database. The test results show that the system has small fluctuation range of channel equalization deviation, low channel interference rate and good connectivity. It can collect multi-dimensional ship navigation data with high data quality; The collected data can provide a reliable basis for ship navigation.
Key words: artificial intelligence     ship navigation data     automatic acquisition system     dynamic network node     equilibrium degree     data to identify    
0 引 言

船舶航行数据指的是船舶在日常航行过程中需要参考的重要数据,该类数据对于船舶的航行安全具备重要作用,包括地理坐标数据、所在位置数据、天气数据、通信数据等[1]。船舶航行过程中,需要依据这些数据,调整航行姿态、环境判断等。当下,计算机和网络的快速发展,航运领域也逐渐向智能化发展,航行数据的采集已经被多种传感设备以及网络取代,实现信息的采集和交互[2],极大程度提升船舶对数据的采集和处理能力,为船舶的安全航行提供更为可靠的数据依据[3]。人工智能作为一种高性能的计算机技术,其包含多个领域,如机器学习、计算机视觉等,该技术能够在多个领域内完成复杂的工作和运算,该技术在实现过程中常用的方法可分为两类,一种是工程学方法,另一种是模拟法,后者则是应用普遍的一种方法,包含遗传算法以及人工神经网络等。船舶航行数据在采集过程中,会受到周围环境和天气的影响,导致采集到的数据可用性降低,并且受到网络通信性能的影响[4],数据采集效率较低。因此,易志强等[5]针对数据采集效率的提升展开研究,基于FPGA设计多通道采集系统,实现船舶航行数据的实时、同步、高效采集;王威等[6]则基于FPGA和TCP/IP设计的多路采集系统,实现航行数据的采集。上述系统在采集实现过程中,均是以数据的采集效率为出发点,但是对于网络的覆盖水平、采集数据的调用仍旧需要进一步验证。本文考虑数据采集过程中不同天气情况对于数据采集的影响以及智能化的发展目标,设计基于人工智能的船舶航行数据自动采集系统,将人工智能与物联网充分结合,完成航行数据的自动采集,并且将采集的结果传送至船载终端,存储至数据库中。

1 船舶航行数据自动采集系统 1.1 系统架构

基于人工智能的船舶航行数据自动采集系统包含3个模块,分别为数据采集模块、通信模块和数据管理模块,系统架构如图1所示。

图 1 系统架构 Fig. 1 System architecture
1.2 硬件设计 1.2.1 控制器结构

为了实现多通道的并行采集,在感知模块中部署数据控制器,用于与系统内其他硬件之间的连接,结构如图2所示。

图 2 系统硬件结构 Fig. 2 System hardware structure
1.2.2 执行器结构

数据管理模块是系统对航行数据实行利用、管理的最终模块,其中,执行器是系统发布相应指令的核心,其能够完成逻辑指令下达,本文采用嵌入式逻辑芯片作为执行器的控制核心部分,将下达指令传送至其他模块。

1.3 视频数据采集流程

该系统在实行数据采集过程中,能够通过摄像头采集船舶航行视频数据。视频数据采集时,通过执行器发送采集指令后,系统启动视频采集摄像系统,由于视频的采集会受到环境、光照等因素的影响,因此在采集过程中,可对采集控制器的参数实行调整,保证视频数据采集的质量。

1.4 软件设计 1.4.1 基于卷积神经网络的通信动态节点部署

系统在获取船舶航行数据后,需通过通信模块完成感知数据的传送,因此需保证网络良好的通信性能。为实现良好的通信效果,以实现轻量化通信网络为前提,利用卷积神经网络模型完成网络动态节点的部署。动态节点在部署时,结合不规则三角网络完成,则基于卷积神经的动态节点部署模型公式为:

$ \varphi {\text{ = }}\arccos \left( {\frac{{\overline {{{\left( {{p_0}{s_j}} \right)}^2}} + \overline {{{\left( {{s_j}{s'}} \right)}^2}} - \overline {{{\left( {{p_0}{s'}} \right)}^2}} }}{{2\overline {\left( {{s_j}{s'}} \right)} \times \overline {\left( {{p_0}{s_j}} \right)} }}} \right) 。$ (1)

式中: $ \varphi $ 表示部署参数,对应动态节点; $ {p_0} $ $ {s_j} $ $ {s'} $ 均表示动态顶点,对应三角网络的3个动态顶点分别为 $ p $ $ {p_1} $ $ p' $

$ L $ 表示特征分布集,对应跨层链路,为获取 $ L $ ,转发通信网络路由动态数据[10],并结合补偿机制完成, $ L $ 的计算公式为:

$ L = \sqrt {\overline {{{\left( {{p_0}{s'}} \right)}^2}} + \overline {{{\left( {{p_0}{s_j}} \right)}^2}} - 2\overline {\left( {{p_0}{s'}} \right)} \overline {\left( {{p_0}{s_j}} \right)} \cos \angle {s_j}{p_0}{s'}}。$ (2)

为获取网络的覆盖区域集 $ \Delta A{\text{ = }}p{p_1}p' $ ,计算覆盖密度,其对应网络节点;对网络的连通性实行测试,获取节点参数,且为移动性,以此降低干扰率,保证采集数据传输输出后的真实性,其公式为:

$ \overline {p{s'}} = \overline {p{p_1}} \cos \angle {s'}p{p'} + \sqrt {\overline {{{\left( {{p_1}{s'}} \right)}^2}} + \overline {{{\left( {p{p_1}} \right)}^2}} {{\sin }^2}\angle {s'}p{p'}} 。$ (3)

数据通信过程中,除了保证网络的连通性之外[11],还要保证网络信道的均衡性,因此,对网络信道实行均衡控制,采用时间反转镜完成。如果通过动态节点发送脉冲信号,以脉冲带宽为参照,该信号占据的比例计算公式为:

$ y\left( k \right) = a\left( k \right)h\left( k \right) + n\left( k \right)。$ (4)

式中:n(k)表示频谱分量,h(k)表示对应脉冲信号;船舶航行数据传输时延,a(k)表示对应第 $ i $ 条信道冲击响应。

由于通信网络的信道中存在空变和时变2种影响因素[12],所以属于信道的时间反转镜公式为:

$ {J_{MDMMA}} = \rho \cdot E\left[ {\left( {{{\left| {z\left( k \right)} \right|}^2} - {R_{MDMMA}}\left( k \right){}^2} \right)} \right]。$ (5)

式中: $\ \rho $ 表示衰减系数,对应时间反转镜;展宽为 $ {R_{MDMMA}}\left( k \right) $ $ \left| {z\left( k \right)} \right| $ 表示谱密度。

为获取网络信道均衡控制迭代公式,通过反转技术完成,且属于被动时间镜,迭代公式为:

$ f\left( {k + 1} \right) = f\left( k \right) - \mu \cdot {e_{MDMMA}}\left( K \right){y^ * }\left( k \right) 。$ (6)

式中: $ {e_{MDMMA}}\left( K \right) = z\left( k \right)\left[ {{{\left| {z\left( k \right)} \right|}^2} - {R_{MDMMA}}\left( k \right)} \right] $

通过上述步骤即可完成信道自适应均衡处理,此时信道的冲击响应为 $ {R_{MDMMA - i}} $ ,信道传播损失计算公式为:

$ {R_{\tilde c\tilde c}}\left( {{h_1}\left( k \right),{h_2}\left( k \right),a} \right) = {R_{\tilde c\tilde c}}\left( {{h_1}\left( k \right),a} \right)\delta \left( {{h_1}\left( k \right) - {h_2}\left( k \right)} \right) 。$ (7)

式中: $ a $ 表示传递损失; $ {h_1}\left( k \right) $ $ {h_2}\left( k \right) $ 分别表示均衡控制前后的时延。

完成网络信道的均衡控制后,获取优化参数控制模型,在此基础上计算邻居动态节点的适应度,其公式为:

$ PathWeight = \frac{{\alpha \times PathEtx + \beta \times PathBattery}}{{PathEtx + PathBattery}}。$ (8)

式中: $ PathEtx $ $ PathBattery $ 均表示船舶航行数据,前者对应额外,后者对应存储; $ \alpha + \beta = 1 $ ,均表示适应度。通过适应度值的计算结果,可完成动态节点部署结构。

1.4.2 船舶航行数据自动识别

为保证船舶航行数据的最大调用程度以及判断数据的完整性,避免发生数据丢失现象,再次采用卷积神经网络完成数据分类识别。设船舶航行数据自动识别偏差为 $ \varepsilon $ ,其计算公式为:

$ \varepsilon = \frac{r}{{{B^d}}} 。$ (9)

式中: $ r $ 表示形式值,对应数据自动识别; $ d $ 表示特征维数,对应船舶航行数据;逻辑矢量用 $ B $ 表示。

卷积神经网络在数据识别时,需设定船舶航行数据识别的关键字 $ c $ ,其计算公式为:

$ c = \frac{g}{n}{u^2}。$ (10)

式中: $ g $ 表示关键字向量; $ n $ 表示关键字维数; $ u $ 表示关键字参数。

2 测试结果与分析

为测试本文系统的应用性能和效果,将数据感知设备部署在某船舶上,感知船舶航行数据,感知时间间隔为5 s,收集10天航行感知数据结果,并将该数据用于测试中。该数据中感知到收集的数据为500个,包含位置数据、风力数据、温度数据、速度数据、水流数据共5种航行数据。结合实际船舶航行情况,设定网络覆盖区域为2500×2500,因此,通信网络动态节点部署的通信半径为120 m。卷积神经网络隐含层数量为5层,卷积层数量为2层。

为判断本文系统的网络通信性能和效果,测试本文系统在不同通信频率下,不同带宽下数据通信时信道均衡偏差结果(期望偏差结果低于0.1),以此衡量本文系统的通信性能,结果如图3所示。可知,在不同的带宽下,随着通信频率的逐渐增加,信道均衡偏差均在0.03~0.06的偏差范围内波动,即使通信频率达到800 MHz以上时,波动范围依旧没有扩大。这是由于本文系统充分考虑信道中存在空变和时变2种影响因素,并且结合反转技术完成信道均衡控制,因此极大程度保证信道均衡性能,使其可在期望偏差内完成数据通信。

图 3 系统均衡偏差测试结果 Fig. 3 Test results of system equilibrium deviation

船舶航行数据在实行通信过程中,需保证信道的干扰率低于0.25,同时移动连通性高于0.85,因此,测试本文系统在不同传输链路数量下,干扰率和连通性的测试结果,如图4所示。可知:在不同的传输链路数量下,信道的干扰率均在0.2以下;干扰率越低,对数据的影响越低,通信输出的数据的真实性越高,并且连通性均在0.85以上,表示数据通信过程中时延较低。因此该结果表明,本文方法通过卷积神经网络实行网络动态节点部署,并且控制信道的均衡性,较大程度提升系统的通信性能,使系统在极小的时延以及不影响数据真实性的情况下,完成数据通信。

图 4 通信性能测试结果 Fig. 4 Communication performance test results

为测试本文系统的数据采集性能,以系统的平均负载作为衡量标准,获取本文系统在进行不同传播速率下,完成不同维度数据采集的读入时的负载结果(期望值低于20 kps),如图5所示。可知:在相同的传输速率下,传输不同维度的船舶航行数据时,系统的数据读入负载结果呈现小幅度缓慢上升趋势,但是即使数据维度达到10维的情况下,平均负载结果依据低于期望值;在相同维度下,传播速率的增加对于平均负载结果没有造成明显影响,3种传输速率之间的负载结果差距较小,均在低于期望值的、相对平稳的范围内波动。因此,本文系统具备良好的数据采集性能。

图 5 数据采集性能测试结果 Fig. 5 Data acquisition performance test results

为测试本文系统的数据采集效果,以视频数据采集为例,采用清晰度作为评价指标,判断视频数据采集效果,清晰度的计算公式为:

$ Q{\text{ = }}\frac{Z}{D} \times 100\text{%} 。$ (11)

式中:Q表示清晰度,用于描述采集的视频图像质量; $ Z $ $ D $ 均表示数量,前者对应视频图像内的噪点,后者对应像素点。

不同天气环境下采集的视频图像清晰度结果如图6所示。可知,在4种环境下,在不同的能见度下,本文系统采集视频数据的清晰度高,能见度的下降并没有对系统的视频采集效果造成干扰和影响。这是由于本文系统可对采集控制器的参数实行调整,能够在依据采集需求实行调整,保证采集的视频数据具备较高质量。

图 6 视频数据清晰度测试结果 Fig. 6 Video data definition test results
3 结 语

船舶航行信息的采集对于船舶的行驶状态、方向判断存在直接关联,由于船舶航行环境的特殊性,对于航行数据的采集造成较大影响。数据采集的实时性也是决定行驶安全性的重要因素,实时较差则会导致船舶航行状态和位置无法及时判断,存在一定安全风险。因此,本文设计基于人工智能的船舶航行数据自动采集系统,并对该系统展开相关测试。结果表明,本文系统具备较佳的数据通信性能,信道均衡性能良好,能够完成不同维度数据的采集,采集的航行数据能够为船舶的安全行驶提供可靠依据。

参考文献
[1]
罗彩君. 嵌入式数据的船舶航行数据采集系统[J]. 舰船科学技术, 2019, 41(12): 61-63+108.
[2]
张静, 于艳华. 船舶航行数据存储系统设计[J]. 舰船科学技术, 2020, 42(6): 49-51.
[3]
刘波, 臧爱清, 徐继男. 基于船舶航行的海洋环境信息数据库设计[J]. 舰船科学技术, 2019, 41(11): 129-132. DOI:10.3404/j.issn.1672-7649.2019.11.026
[4]
徐婷, 戴文伯, 鲁嘉俊. 基于自动识别系统大数据的船舶施工轨迹识别与预测[J]. 水运工程, 2019(12): 119-122+126. DOI:10.3969/j.issn.1002-4972.2019.12.021
[5]
易志强, 韩宾, 江虹, 等. 基于FPGA的多通道同步实时高速数据采集系统设计[J]. 电子技术应用, 2019, 45(6): 70-74.
[6]
王威, 张秋云, 江虹, 等. 基于FPGA和TCP/IP的多路采集与切换系统设计与实现[J]. 电子技术用, 2019, 45(6): 125-129.
[7]
袁子文. 基于船舶自动识别系统数据的多汊航道船舶流量预测[J]. 水运工程, 2020(9): 152-157.
[8]
鲁文帅, 严晓芳. 基于数据挖掘的科技情报采集分析平台设计与实现[J]. 中国电子科学研究院学报, 2019, 14(8): 818-822. DOI:10.3969/j.issn.1673-5692.2019.08.007
[9]
李锦明, 刘梦欣, 成乃朋, 等. 基于FPGA的多路无线数据采集系统设计[J]. 中国测试, 2019, 45(12): 102-105+118. DOI:10.11857/j.issn.1674-5124.2019030018
[10]
查雄, 彭华, 秦鑫, 等. 基于多端卷积神经网络的调制识别方法[J]. 通信学报, 2019, 40(11): 30-37. DOI:10.11959/j.issn.1000-436x.2019206
[11]
王文涛, 吴淋涛, 黄烨, 等. 基于密集连接卷积神经网络的链路预测模型[J]. 计算机应用, 2019, 39(6): 1632-1638.
[12]
王斐, 徐湛, 职如昕, 等. 基于卷积神经网络的OFDM-UWB信道环境识别[J]. 计算机工程, 2021, 47(7): 161-167.