| 致谢 | 第5-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 研究现状 | 第17-21页 |
| 1.2.1 船舶碰撞风险 | 第17-19页 |
| 1.2.2 船舶航行异常风险 | 第19-20页 |
| 1.2.3 本文工作 | 第20-21页 |
| 第二章 基于隐性交通流的系统碰撞风险 | 第21-43页 |
| 2.1 引言 | 第21页 |
| 2.2 问题建模 | 第21-23页 |
| 2.3 风险计算和拓扑分层化简 | 第23-32页 |
| 2.3.1 基于单船舶碰撞危险度的风险计算和拓扑分层化简 | 第23-28页 |
| 2.3.2 基于船舶对碰撞风险的系统碰撞风险计算和拓扑分层化简 | 第28-32页 |
| 2.4 碰撞风险效用函数 | 第32-33页 |
| 2.5 碰撞风险控制策略 | 第33-35页 |
| 2.6 实验评估 | 第35-42页 |
| 2.6.1 仿真数据场景 | 第36-40页 |
| 2.6.2 AIS数据环境 | 第40-42页 |
| 2.7 本章小结 | 第42-43页 |
| 第三章 基于隐性交通流的船舶航行异常事件的风险 | 第43-61页 |
| 3.1 引言 | 第43-44页 |
| 3.2 基于GMM的模态划分、及风险计算 | 第44-48页 |
| 3.2.1 GMM基本理论 | 第44-46页 |
| 3.2.2 模态划分 | 第46-47页 |
| 3.2.3 风险计算 | 第47-48页 |
| 3.3 基于PCA的模态划分、及风险计算 | 第48-51页 |
| 3.3.1 PCA基本理论 | 第48-50页 |
| 3.3.2 模态划分 | 第50-51页 |
| 3.3.3 风险计算 | 第51页 |
| 3.4 GMM-PCA检测方法 | 第51-52页 |
| 3.5 实验评估 | 第52-59页 |
| 3.5.1 高斯混合模型对航行特征向量的建模 | 第52-56页 |
| 3.5.2 船舶的搁浅、走锚和漂航风险识别与评估 | 第56-59页 |
| 3.6 本章小结 | 第59-61页 |
| 第四章 基于显性交通流的神经网络整体风险模型学习 | 第61-73页 |
| 4.1 引言 | 第61-62页 |
| 4.2 显性交通流的统计方法 | 第62-63页 |
| 4.3 神经网络的基本概念 | 第63-66页 |
| 4.3.1 BP神经网络 | 第64页 |
| 4.3.2 BP学习算法 | 第64-66页 |
| 4.4 神经网络风险学习 | 第66页 |
| 4.5 实验评估 | 第66-71页 |
| 4.6 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-77页 |
| 5.1 主要工作总结 | 第73-74页 |
| 5.2 展望 | 第74-77页 |
| 参考文献 | 第77-81页 |
| 附录A | 第81-87页 |
| 附录B | 第87页 |