内河水上交通事故时有发生,对水路运输安全、高效发展带来威胁。研究提出一种基于自适应参数的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法,用于识别内河事故黑点水域。该方法支持对邻域半径ε和邻域中...内河水上交通事故时有发生,对水路运输安全、高效发展带来威胁。研究提出一种基于自适应参数的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法,用于识别内河事故黑点水域。该方法支持对邻域半径ε和邻域中数据对象数目阈值P_(min)参数的自动选取,可提高聚类分析的精度和效率。基于2010—2019年长江干线下游散货船舶事故数据开展案例研究,对各典型事故黑点段的事故特征和事故原因进行分析,得到8个事故黑点。此外,采用Getis-Ord General G聚类识别事故黑点中的高等级事故区域,得到事故黑点及高等级事故主要分布于江心洲、桥区、港口码头区域。研究结果与实际情况基本吻合,一定程度上表明了该方法在内河水上交通事故分布特征分析上的科学性和实用性。展开更多
船舶驾驶台人员包括按照规定要求的常规值班人员和特殊情况下额外的瞭望人员或船长、引航员等,驾驶台人员活跃度是判断其工作状态的重要指标之一。传统的基于计算机视觉的人员检测方法在面对船舶驾驶台遮挡物多、夜间或恶劣天气下光线...船舶驾驶台人员包括按照规定要求的常规值班人员和特殊情况下额外的瞭望人员或船长、引航员等,驾驶台人员活跃度是判断其工作状态的重要指标之一。传统的基于计算机视觉的人员检测方法在面对船舶驾驶台遮挡物多、夜间或恶劣天气下光线不足等问题时,精度明显降低。为解决该问题,提出了1种基于普通商用Wi-Fi设备的活跃度感知方法。由于船体材质、结构特点以及变化的运动状态导致动态多径多、信号噪声强,对Wi-Fi设备造成干扰,为此设计了值班高关联度数据(duty high correlation data,DHCD)选择模块及基于信道状态信息(channel state information,CSI)的多层级特征提取模块。DHCD选择模块分析驾驶台人员不同航行、值班情况下的CSI特点,对比0~5人在驾驶台内值班、工作时的信道变化,利用模糊C-means聚类算法提取CSI中对值班人员行为反应最灵敏的信道,去除对信号噪声反应敏感的信道信息;通过多层级特征提取模块计算去噪后CSI数据的幅值与相位离散度、多链路融合离散度、变异指数等多层特征,作为活跃度评价基础参数。依据驾驶台值班要求设计了驾驶台人员活跃度评价模块,采用支持向量机算法判断驾驶台人员数量,采用客观赋权法得到基础参数权重,结合人数信息与权重信息评价驾驶台人员活跃度。实验结果表明:使用DHCD选择模块和多层级模块处理后的多层级特征将驾驶台人员数量检测精度提升至89.6%,对比直接使用原始数据时检测精度提升7.1%。在夜间、雨雾天气等光照不足情况下,基于计算机视觉方法的检测精度会由光线充足时的96.2%降至60.3%,而该方法监测精度不会降低。因此,基于CSI的驾驶台人员活跃度检测方法丰富了驾驶台人员检测算法,能有效识别船舶驾驶台人员是否符合安全值班的基本要求。展开更多
文摘内河水上交通事故时有发生,对水路运输安全、高效发展带来威胁。研究提出一种基于自适应参数的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法,用于识别内河事故黑点水域。该方法支持对邻域半径ε和邻域中数据对象数目阈值P_(min)参数的自动选取,可提高聚类分析的精度和效率。基于2010—2019年长江干线下游散货船舶事故数据开展案例研究,对各典型事故黑点段的事故特征和事故原因进行分析,得到8个事故黑点。此外,采用Getis-Ord General G聚类识别事故黑点中的高等级事故区域,得到事故黑点及高等级事故主要分布于江心洲、桥区、港口码头区域。研究结果与实际情况基本吻合,一定程度上表明了该方法在内河水上交通事故分布特征分析上的科学性和实用性。
文摘船舶驾驶台人员包括按照规定要求的常规值班人员和特殊情况下额外的瞭望人员或船长、引航员等,驾驶台人员活跃度是判断其工作状态的重要指标之一。传统的基于计算机视觉的人员检测方法在面对船舶驾驶台遮挡物多、夜间或恶劣天气下光线不足等问题时,精度明显降低。为解决该问题,提出了1种基于普通商用Wi-Fi设备的活跃度感知方法。由于船体材质、结构特点以及变化的运动状态导致动态多径多、信号噪声强,对Wi-Fi设备造成干扰,为此设计了值班高关联度数据(duty high correlation data,DHCD)选择模块及基于信道状态信息(channel state information,CSI)的多层级特征提取模块。DHCD选择模块分析驾驶台人员不同航行、值班情况下的CSI特点,对比0~5人在驾驶台内值班、工作时的信道变化,利用模糊C-means聚类算法提取CSI中对值班人员行为反应最灵敏的信道,去除对信号噪声反应敏感的信道信息;通过多层级特征提取模块计算去噪后CSI数据的幅值与相位离散度、多链路融合离散度、变异指数等多层特征,作为活跃度评价基础参数。依据驾驶台值班要求设计了驾驶台人员活跃度评价模块,采用支持向量机算法判断驾驶台人员数量,采用客观赋权法得到基础参数权重,结合人数信息与权重信息评价驾驶台人员活跃度。实验结果表明:使用DHCD选择模块和多层级模块处理后的多层级特征将驾驶台人员数量检测精度提升至89.6%,对比直接使用原始数据时检测精度提升7.1%。在夜间、雨雾天气等光照不足情况下,基于计算机视觉方法的检测精度会由光线充足时的96.2%降至60.3%,而该方法监测精度不会降低。因此,基于CSI的驾驶台人员活跃度检测方法丰富了驾驶台人员检测算法,能有效识别船舶驾驶台人员是否符合安全值班的基本要求。
