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。
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.
2022,44(3): 67-70 收稿日期：2021-08-22
DOI：10.3404/j.issn.1672-7649.2022.03.013
分类号：TP392
作者简介：顾梦霞(1980-)，女，硕士，副教授，主要研究方向为人工智能、专家系统及软件工程
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
[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
[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
[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
[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
[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
