基于LabVIEW的雷达与AIS航迹关联的研究

现代船舶交通管理系统中，雷达与AIS航迹的关联处在一个非常重要的位置上。结合LabVIEW图形化编程特点和MATLAB强大的矩阵运算能力，应用二者混合编程和BP网络算法的改进，实现雷达与AIS的航迹关联。利用图形化编程工具LabVIEW开发平台与神经网络相结合，能更直观地分析关联模型，拓宽了二者的应用领域，并为提高航迹关联技术和开发效率提供了新的思路。 在现代船舶交通管理系统中，雷达与自动识别系统（AIS）航迹的关联技术是确保交通安全和效率的关键。本文探讨了一种基于LabVIEW和MATLAB混合编程以及改进的BP神经网络算法来实现雷达与AIS航迹的关联方法。LabVIEW因其图形化编程界面而便于分析和设计关联模型，而MATLAB则以其强大的矩阵运算能力为算法计算提供支持。 航迹关联的主要目的是将来自不同传感器的数据正确匹配，以识别同一艘船的信息。在VTS系统中，雷达和AIS数据的融合至关重要，但同时也会遇到数据重复或错误融合的问题，因此需要有效的关联算法来解决。传统的关联方法包括模糊数学和统计理论，如最邻近方法、多因素模糊综合评判法和模糊聚类法。尽管这些方法有一定的效果，但仍有待优化，比如关联门限的自适应问题。 本文提出了一种利用神经网络的新方法，尤其是改进的BP神经网络。基本的BP神经网络通过误差反向传播来更新权重，以最小化网络总误差。在实际应用中，为了避免网络陷入局部最小值，加入了动量因子，这使得网络在训练过程中能更好地调整权重，提高性能。通过LabVIEW平台，可以直观地构建和调试神经网络模型，提高了开发效率。 关联算法采用了两级门限判定。神经网络的输出作为第一级门限，当其值超过阈值（如0.85）时，认为雷达和AIS航迹可能存在关联。接着，通过多时刻多次判断，统计关联次数，设置第二级门限，以确保关联的准确性。如果多个AIS目标的关联次数相同且超过门限，可以通过计算它们与雷达目标的距离差（dij）来进一步确定最佳匹配。 这种方法的创新之处在于它结合了LabVIEW的可视化编程优势和神经网络的自适应学习特性，为航迹关联技术提供了新的视角。通过这种方式，不仅可以提高关联的精确度，还能够提升开发效率，为未来的VTS系统开发提供了有价值的参考。