| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 AIS的应用现状 | 第12-14页 |
| 1.2.2 船舶轨迹预测模型研究现状 | 第14-15页 |
| 1.3 论文主要研究内容和创新点 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关基础理论 | 第17-33页 |
| 2.1 AIS关键技术 | 第17-25页 |
| 2.1.1 AIS消息类型和设备结构 | 第17-19页 |
| 2.1.2 AIS数据传输与接收 | 第19-20页 |
| 2.1.3 AIS解包技术 | 第20-23页 |
| 2.1.4 AIS信息数据结构 | 第23-25页 |
| 2.2 神经网络与深度学习 | 第25-29页 |
| 2.2.1 神经学启示及理论依据 | 第25-26页 |
| 2.2.2 典型的深度学习结构 | 第26-27页 |
| 2.2.3 深度学习的应用现状 | 第27-29页 |
| 2.3 船舶轨迹分析的一般方法 | 第29-32页 |
| 2.3.1 航迹预处理 | 第29-30页 |
| 2.3.2 船舶轨迹建模 | 第30-31页 |
| 2.3.3 预测轨迹的分析方法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于BP神经网络的航迹预测模型 | 第33-56页 |
| 3.1 BP神经网络及算法 | 第33-41页 |
| 3.1.1 BP神经网络简介 | 第33-35页 |
| 3.1.2 BP神经网络算法 | 第35-38页 |
| 3.1.3 改进BP神经网络 | 第38-41页 |
| 3.2 结合遗传算法的GA-BP神经网络船舶预测模型 | 第41-47页 |
| 3.2.1 遗传算法介绍 | 第41-43页 |
| 3.2.2 结合遗传算法的GA-BP神经网络计算流程 | 第43-45页 |
| 3.2.3 GA-BP神经网络航迹预测模型 | 第45-47页 |
| 3.3 实验与结果分析 | 第47-55页 |
| 3.3.1 实验环境与数据 | 第47-49页 |
| 3.3.2 实验设置与评价指标 | 第49-51页 |
| 3.3.3 实验结果及分析 | 第51-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 基于RNN-LSTM的船舶轨迹预测模型 | 第56-67页 |
| 4.1 循环神经网络RNN简介 | 第56-57页 |
| 4.2 长短期记忆LSTM模型 | 第57-62页 |
| 4.2.1 长短期记忆LSTM简介 | 第57-58页 |
| 4.2.2 LSTM训练算法 | 第58-61页 |
| 4.2.3 基于LSTM的船舶轨迹预测模型 | 第61-62页 |
| 4.3 实验与结果分析 | 第62-66页 |
| 4.3.1 实验环境与数据 | 第62页 |
| 4.3.2 实验设置与评价指标 | 第62-63页 |
| 4.3.3 实验结果及分析 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 船舶轨迹预测模型的应用研究 | 第67-77页 |
| 5.1 模型集成到海图平台 | 第67-69页 |
| 5.2 轨迹检测 | 第69-73页 |
| 5.2.1 轨迹检测方案 | 第69-71页 |
| 5.2.2 轨迹检测流程 | 第71-72页 |
| 5.2.3 轨迹检测仿真模拟 | 第72-73页 |
| 5.3 安防预警 | 第73-76页 |
| 5.3.1 安防预警的定义 | 第74页 |
| 5.3.2 安防预警流程及仿真 | 第74-76页 |
| 5.4 航路规划 | 第76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 本文总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 攻读硕士学位期间取得的成果 | 第86页 |