基于无人船的雷达数据处理系统的制作方法
一种雷达任意航迹模拟的实现方法与流程
一种雷达任意航迹模拟的实现方法与流程下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!实现雷达任意航迹模拟的方法与流程详解雷达航迹模拟是一种重要的雷达系统测试和评估工具，它能够模拟各种复杂的飞行轨迹，以测试雷达系统的跟踪性能。
船载雷达海杂波去除算法研究及其应用
船载雷达海杂波去除算法研究及其应用船载雷达是一种重要的海洋观测设备，可以用于海洋探测、海情监测、船舶导航等领域。
然而，在使用船载雷达进行海洋探测时，由于海洋环境的复杂性，往往会受到海杂波的干扰，从而影响了雷达的探测效果。
因此，如何准确去除海杂波的干扰，是船载雷达应用研究的重要方向之一。
1. 船载雷达海杂波的特征船载雷达海杂波是由海洋环境的复杂性所引起的一种干扰，其特征是具有很宽的频率带宽、强度不均、杂乱无章、且随着时空变化而不断变化。
船载雷达常见的海杂波有以下几种类型：（1）表面波干扰：由于海洋表面的波浪运动而形成的一种干扰，在船载雷达的探测过程中，经常会被误判为目标信号。
（2）散射干扰：由海水中颗粒、气泡等物质所产生的散射信号，会与真实目标信号混淆在一起。
（3）多径干扰：由于雷达信号在传播过程中经历了反射、散射、绕射等多种路径，形成的一种多径信号干扰。
这些海杂波干扰会严重影响到船载雷达的探测效果，降低探测率和定位精度，因此需要研究相应的处理算法来去除海杂波干扰。
2. 船载雷达海杂波去除算法研究现状目前，船载雷达海杂波去除算法主要包括滤波算法、时域积分算法、小波变换算法等。
其中，滤波算法是最常用的一种去除海杂波的手段，它采用滤波器对雷达接收到的信号进行滤波处理，使得海杂波信号在滤波过程中被抑制，从而去除海杂波的干扰。
滤波算法主要分为线性滤波算法和非线性滤波算法两种类型。
线性滤波算法包括平均滤波、中值滤波、高斯滤波等，它们都具有简单、易实现的优点，但是其去除海杂波的效果并不理想。
非线性滤波算法则主要包括自适应中值滤波、小波变换滤波等，这类算法可以自适应地根据海杂波的特征进行处理，从而更好地去除干扰。
除了滤波算法外，时域积分算法也是一种常用的海杂波去除算法。
该算法主要是通过时域上对信号进行积分，从而去除杂波的一种方法。
时域积分算法可以有效地去除高频干扰，但是其对低频干扰的抑制效果不是太好。
小波变换算法则是近年来研究比较热门的一种海杂波去除算法。
无人船测量技术的原理与实践指南
无人船测量技术的原理与实践指南无人船测量技术是一种基于无人船平台进行测量和数据采集的先进技术。
它将传统的人工测量与船只驾驶相结合，通过搭载各类测量仪器和传感器的无人船，实现自主测量和数据收集。
本文将介绍无人船测量技术的原理、应用和实践指南。
一、原理无人船测量技术的实现离不开两个基础原理：自主航行和测量传感。
无人船通过导航、控制和避障系统实现自主航行，确保船只按照预定的航线进行测量任务。
测量传感器和仪器则负责实时采集和记录测量数据。
1. 自主航行自主航行是无人船测量技术的关键之一。
它主要通过全球定位系统（GPS）、惯性导航系统（INS）、船舶自动控制系统等技术实现。
通过这些技术的结合，无人船能够确定自身位置、航向和速度，从而按照预定的航线进行测量任务。
2. 测量传感测量传感器和仪器是无人船测量技术的另一个核心组成部分。
无人船可以搭载多种传感器，如声呐、激光雷达、多波束声纳、摄像头等，用于测量水深、水质、水下地形等目标。
同时，还可以搭载气象传感器和生态传感器，用于采集周边环境信息。
这些传感器将测量数据实时传输到船舶控制中心，供后续分析和应用。
二、应用领域无人船测量技术凭借其灵活、精确、高效的特点，在多个领域得到广泛应用。
1. 水下测绘无人船测量技术在水下测绘中具有独特优势。
传统的水下测量需要耗费大量的人力和物力，而无人船可以实现自主测量，减少了人力成本，提高了测绘效率。
通过搭载声呐、多波束声纳等传感器，无人船可以快速获取水下地形、水深、水流速度等信息，广泛应用于海洋科学研究、海底资源勘察、水下遗址探测等领域。
2. 水质监测无人船测量技术在水质监测方面具有巨大潜力。
传统的水质监测需要定期派遣人员到现场采样分析，费时费力，而无人船则可以实现实时监测和长周期自动采样。
搭载气象传感器和水质传感器的无人船可以实时测量水温、盐度、氧含量等参数，并将数据传输到监控中心进行实时分析，用于环境监测、水生态保护等领域。
基于STM32的无人船控制系统设计与实现
基于STM32的无人船控制系统设计与实现晁鹤; 郑恩让【期刊名称】《《计算机测量与控制》》【年(卷),期】2019(027)010【总页数】5页(P129-133)【关键词】无人船; STM32单片机; 路径跟踪; 4G通信【作者】晁鹤; 郑恩让【作者单位】陕西科技大学电气与控制工程学院西安 710021【正文语种】中文【中图分类】TP290 引言无人船(Unmanned Surface Vehicles, USV)是一种具有自主航行能力，并且可自主实现环境感知、目标探测等任务的智能化水面机器人[1-2]。
其在民用与军用上都具有重要作用，可以代替人们在水面完成危险、繁重的任务，因此无人船受到越来越广泛的关注[3]。
国际上以美国为首的几个国家在无人船研究方面起步较早，最初主要以军用无人船为主。
随着科学技术的突飞猛进，无人船也由半自动化向智能化发展，由军用向民用发展[4]。
目前国外的无人船技术较为成熟，相比之下，我国的无人船控制技术还有很大提升空间，许多关键领域的难题还需要攻克[5]。
无人船要想在复杂多变的环境中安全有效地完成人们指定的任务，就必须实现稳定可靠的自主航行功能[6]。
常用的自主导航方式有：惯性导航[7]、天文导航[8]、特征匹配[9]等，这些单一的导航方式容易受到干扰，因此需要使用组合导航方式以实现更精确的导航效果[10]。
在无人船自主航行方面，能够实现高效率的路径跟踪是非常重要的，其准确性的提高与采用的控制方法密切相关。
目前常用的控制方法有PID控制，神经网络，模糊控制等，由于这些算法或多或少存在一些不足，所以在实际应用中还需要将这些方法做些改进。
无人船的控制主要是通过嵌入式编程和通信技术相结合实现的，经过各个模块之间的配合完成一系列任务。
本文设计了一种基于STM32的无人船控制系统，使用GPS/IMU(Inertial measurement unit，惯性测量单元)组合导航方式，通过自抗扰控制技术控制无人船的航向，结合4G通信技术实现了无人船的远程操控以及路径跟踪的功能。
智慧边海防雷达预警系统设计方案
智慧边海防雷达预警系统设计方案1.硬件设备选择：智慧边海防雷达预警系统的核心是雷达设备。
在选择雷达设备时，应考虑其频率范围、功率、覆盖范围等参数，以确保系统能够满足实际应用需求。
同时，还需要选购高性能的信号处理器、计算机主机、显示器等辅助设备，以提供足够的计算和显示能力。
2.功能需求规划：(1)目标检测与跟踪：通过雷达设备进行目标检测，并将检测到的目标进行跟踪，实时获取目标的位置信息。
(2)目标分类与识别：通过事先设置的目标数据库，将检测到的目标进行分类与识别，并通过显示器等方式将目标信息传输给操作人员。
(3)威胁评估与预警：根据目标的特征与历史数据，对目标进行威胁评估，并根据评估结果进行实时预警，通知相关防护单位做好应对准备。
(4)数据处理与分析：对雷达获取的原始数据进行处理与分析，提取有用信息，并通过算法加工，实现目标检测、分类与识别等功能。
(5)远程监控与管理：通过云计算等技术手段，实现对智慧边海防雷达预警系统的远程监控与管理，包括设备状态监测、软件升级等。
3.数据处理与分析：智慧边海防雷达预警系统的数据处理与分析是实现系统功能的关键环节。
首先，需要通过信号处理器对原始雷达数据进行滤波、增强等处理，以提取目标信号。
然后，通过目标分类和识别算法对目标进行判别，将无人机、船只等目标与干扰、海浪等杂波分开。
接着，可以通过决策树、神经网络等算法实现目标的跟踪与预测。
最后，根据目标的特征和历史数据，进行威胁评估，并根据评估结果进行实时预警。
4.智能化与自动化：智慧边海防雷达预警系统的设计目标是实现智能化与自动化操作。
在目标分类和识别环节，可以引入深度学习和图像处理等技术，通过大量的训练数据，提高目标判别的准确性和速度。
同时，可以配备自动化的预警装置，当系统检测到威胁目标时，可以自动触发声光报警等措施，减少人工干预。
总之，智慧边海防雷达预警系统的设计方案应综合考虑硬件设备的选择、功能需求的规划、数据处理与分析等关键环节，力求提高边海防防护能力，减少人为因素的干预，实现自动化操作。
关于AIS与雷达数据融合技术的研究
科学与信息化2020年4月中 27
信息化技术应用
TECHNOLOGY AND INFORMATION
无与伦比的价值，目前中短波广播工作所要面对的就是要一心 发展技术，保证中短波广播信号不会再因为各种干扰因素变得 寸步难行，积极发展新科技，完善中短波广播的工作漏洞，实 现真正的与时俱进，蓬勃发展。
参考文献 [1] 李旭朝.探析中短波广播发射台电磁干扰问题的控制方式[J].科
TECHNOLOGY AND INFORMATION
信息化技术应用
关于AIS与雷达数据融合技术的研究
康隽永 孙文杰 交通运输部北海航海保障中心秦皇岛航标处 河北 秦皇岛 0只航行中的重要导航技术，二者之间具有一定的差异性，在数据采集上也各有侧 重。本文先是简单介绍了雷达与AIS技术，接下来分析了数据融合技术，最后简单阐述了雷达与AIS数据融合的系统 设计方案。 关键词 雷达；AIS数据；融合技术
3 雷达与AIS数据融合系统设计 AIS技术与雷达技术的优缺点决定着二者之间的数据是可
以互补的，在单一技术很难保证数据质量的前提下，将二者结 合就是提高数据精度的有效方式。
3.1 系统体系结构设计 雷达与AIS技术都是能够获取多个方位数据信息的技术， 二者采用的获取信息的方式还具有差异性，所以为了将二者探 测到的数据进行融合处理，首先就需要将二者获取的数据转化 为相同的格式，即将二者获取的数据转换到同一坐标系上进行 整合，这也是将数据进行融合的前提。同时也要将二者获取的 数据进行时间上的整合，保证接收到的数据是两个系统在同一 时间获取的，这样在进行数据整合处理时才能够有效的提升数 据的精确性，提升船只获取数据的整体性能。 3.2 时空配准 为了保证将雷达与AIS技术获取的数据在进行有效整合， 保证二者获取数据的时间在一个点上是非常重要的，而二者获 取数据的时间长度是不同的，这就需要采用一定的方式将二者 的数据统一到同一时间长度上，可以采用最小二乘法的方式将 二者的时间长度进行统一。同时在保证时间统一的同时，也要 保证二者接收的数据能够在同一个数学坐标系上进行处理，可 以使用高斯—克吕格投影法将AIS的经纬度信息统一变换到直 角坐标系中，坐标原点定义为航迹的实时位置。 3.3 航迹相关 雷达与AIS技术在测量数据对运动目标的数据追踪上也是 存在差异的，为了判断二者测量的数据是否为同一个目标，判 断二者测量航迹的性惯性是一种有效的方式。所以在二者获得 一个物体的数据后，需要分别对其进行计算分析得到探测到的 目标轨迹，将这两个测算出的数据整合到一个坐标系中计算器 相关性，确定是否为同一目标。 3.4 点迹合并
雷达与ais目标位置信息融合方法的研究
雷达与ais目标位置信息融合方法的研究雷达与 AIS 目标位置信息融合方法的研究随着航运行业的不断发展壮大，自动化系统的应用越来越广泛。
而在自动化系统中，雷达和 AIS 是两个重要的传感器。
雷达可以探测到周围的目标，而 AIS 能够提供目标的位置、速度和方向等信息。
那么，如何将这两种传感器的信息进行融合，提高船舶的安全性和工作效率，成为了当前的一个研究热点。
一、雷达与 AIS 目标信息融合意义1.提高目标追踪准确性由于雷达和 AIS 的工作原理不同，其探测到的目标位置信息可能存在一定的偏差和误差。
而通过各种融合方法，可以有效地减小误差，提高目标追踪的准确性。
2.提高自动化控制效率通过雷达和 AIS 的融合，可以得到更完整、更准确的目标信息，从而实现自动化船舶控制，提高工作效率。
3.提高船舶安全性雷达和 AIS 的融合可以帮助船舶及时掌握周围环境的情况，防止可能的碰撞和其他危险事故的发生，提高船舶的安全性。
二、雷达与 AIS 目标位置信息融合方法目前，已经有许多学者针对雷达和 AIS 的融合方法进行了研究，主要包括如下几种方法：1.基于 Kalman 滤波的融合Kalman 滤波是一种经典的目标状态估计算法，可以有效地估计目标的状态量。
通过将雷达和 AIS 的数据输入到 Kalman 滤波器中，可以得到更准确、更稳定的目标状态信息。
2.基于粒子滤波的融合粒子滤波在目标状态估计中具有很好的效果，特别是对于非线性系统估计情况下的目标状态滤波更具有优势。
通过将雷达和 AIS 的数据，输入到粒子滤波器中，可以得到更高精度的目标状态信息。
3.基于神经网络的融合神经网络可以根据过去经验，预测未来情况。
通过将雷达和 AIS 的数据作为输入，训练得到适合船舶运动的神经网络模型，可以实现目标位置信息的更加准确的融合。
三、结语雷达和 AIS 的融合是一个复杂的问题，需要针对不同情况选择合适的融合方法。
通过不断的研究和创新，可以进一步提高融合精度，提高船舶的安全性和工作效率。
无人船舶的智能导航系统设计方法研究
无人船舶的智能导航系统设计方法研究随着科技的不断发展，无人船舶的智能导航系统在海洋工程领域中的应用越来越广泛。
智能导航系统能够使无人船舶在复杂的海洋环境中实现自主航行、定位和避障等功能。
本文将探讨无人船舶的智能导航系统设计方法，以提高无人船舶的导航性能。
首先，无人船舶的智能导航系统设计中关键的一步是船舶定位。
船舶定位技术是无人船舶实现自主航行的重要基础。
常用的船舶定位方法包括全球定位系统（GPS）、惯性导航系统（INS）和图像识别技术等。
无人船舶通常将GPS和INS相结合，利用GPS获取全球定位信息，再通过INS进行航向、航速等参数的测量，从而实现船舶在海洋中的准确定位。
其次，无人船舶的智能导航系统设计还需要考虑航行路径规划。
船舶航行路径规划是指根据船舶当前位置、目标位置以及环境条件等因素，确定船舶的最佳航行路径。
航行路径规划算法包括最短路径算法、遗传算法、模糊控制等。
其中，最短路径算法根据航行距离选取船舶的最佳路径，遗传算法模拟自然生物进化的过程来确定最佳路径，而模糊控制方法以模糊逻辑推理为基础，根据船舶当前环境的不同输入量，输出最佳的航行路径。
还有一项重要的内容是无人船舶的避障能力。
避障能力是无人船舶智能导航系统中非常关键的一环。
无人船舶需要通过传感器检测周围环境，并根据检测到的障碍物信息来进行路径调整，从而避免与障碍物发生碰撞。
常用的避障方法包括声纳、激光雷达和摄像头等传感器技术。
声纳可以检测水下的障碍物，激光雷达可以实现对水上、陆地障碍物的探测，而摄像头可以通过图像识别技术来实现障碍物的检测。
此外，为了提高无人船舶的导航精度和稳定性，还可以考虑使用闭环控制系统。
闭环控制系统可以根据船舶当前位置与目标位置之间的误差进行反馈调整，使船舶保持在预定航线上。
闭环控制系统通常包括传感器、执行器和控制算法等组成部分。
传感器负责获取船舶位置信息，执行器用于调整船舶的航向、航速等参数，控制算法则根据目标位置与当前位置之间的误差进行计算和调整。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本技术公开了一种基于无人船的雷达数据处理系统，包括数据采集模块以及数据处理模块；所述数据采集模块包括雷达传感器、遥感影像接收器、摄像模块、船体数据采集模块，所述数据采集模块将所采集的信息预处理后传输至数据处理模块；所述雷达传感器，所述雷达传感器发射电磁波对覆盖水域上的目标进行照射并接收其回波，获得目标跟踪数据并将接收到的电磁波处理为模拟信号。
优点在于：本技术的数据处理模块通过模拟建模分析，计算出三维雷达数据，再通过激光雷达得到激光点云分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM，最终计算出障碍物点得到障碍信息与前文所得障碍信息比对，保证最终得出的障碍信息准确无误。
权利要求书1.一种基于无人船的雷达数据处理系统，其特征在于，包括数据采集模块以及数据处理模块；所述数据采集模块包括雷达传感器、遥感影像接收器、摄像模块、船体数据采集模块，所述数据采集模块将所采集的信息预处理后传输至数据处理模块；所述雷达传感器，所述雷达传感器发射电磁波对覆盖水域上的目标进行照射并接收其回波，获得目标跟踪数据并将接收到的电磁波处理为模拟信号；所述遥感影像接收器，用于实时接收卫星下传的遥感影像，并转化为数字信号；所述摄像模块，至少包括10个全景摄像机，其中至少50%的全景摄像机位于船体的前进方向，用于获取船体周边的视频数据，并转化为数字信号；所述船体数据采集模块，用于获取船体的位置数据数据、船体的行驶速度数据和船体的加速度数据，并将其电信号转化为数字信号；所述数据处理模块处理数据采集模块所传输的数据处理后得到障碍信息。
2.根据权利要求1所述的基于无人船的雷达数据处理系统，其特征在于，所述数据处理模块包括模拟建模分析：S1、通过NVIDIA Tegra K1移动处理器进行将雷达传感器所传输的模拟信号进行三维雷达数据转换；S2、通过激光雷达数据处理，得到激光点云数据分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM，并将三维数据点投影到栅格地图上；将所有栅格相对高度大于某个阈值的栅格设定为障碍物点，即得到障碍信息。
3.根据权利要求2所述的基于无人船的雷达数据处理系统，其特征在于，使用分布式计算系统存储雷达数据，通过建立MapReduce模型以云计算的方式对雷达数据进行高速处理，将处理结果与障碍信息进行比对，将一致信息输出，将不一致的信息重新导入步骤S1计算。
4.根据权利要求2所述的基于无人船的雷达数据处理系统，其特征在于，所述数据采集模块在将数据传输至数据处理模块时，按照同一时间戳为时间基准，对每路数据按各自的固有帧周期进行顺序编号，并在存储数据的同时将各路数据帧编号的对应关系存储下来。
5.根据权利要求2所述的基于无人船的雷达数据处理系统，其特征在于，遥感影像的处理步骤如下：1)遥感影像接收器在接收遥感影像后，确定遥感影像的分辨率并截取，对截取遥感影像进行数据标注；2)使用Canny边缘检测算法对截取的遥感影像进行预处理，通过对图像边缘进行提取，并将提取得到的图像与原图像叠加，突出航道特征，用以加速分析；3)搭建图像分类模型，通过在对基础的网络进行分类任务的训练中，在网络的参数存留下低级的图像特征信息，将上述图像特征信息在特征提取模型构建的流程中，传递给下一级的语义分割模型；4)搭建一个语义分割模型，用于在遥感影像中分割出道路信息；在经过训练后，提取道路信息的网络参数将留存在分割模型中。
6.根据权利要求5所述的基于遥感影像和深度学习的道路提取方法，其特征在于：步骤1)中对截取遥感影像进行数据标注为：观察并测量遥感影像所覆盖的地理范围，结合要提取的航道实际情况，截取图像分类和语义分割任务的原始数据是尺寸为256*256，即0.23像素每米分辨尺度的RGB遥感的影像。
7.根据权利要求5所述的基于遥感影像和深度学习的道路提取方法，其特征在于：步骤2)中使用Canny边缘检测算法对截取的遥感影像进行预处理为：用高斯滤波去除影像噪点，得到去噪后的图像；使用Sobel算子，利用卷积操作计算遥感影像x和y两个方向的梯度，尺寸为3的Sobel算子，在x和y两个方向的卷积核如下：提取边缘信息时，缩减边缘，只保留局部最大梯度，通过Canny算法使用两个阈值，来区分边缘像素，利用低阈值过滤掉噪声或颜色变化引起的小的梯度值，利用高阈值区分强边缘点和弱边缘点。
8.根据权利要求4所述的基于无人船的雷达数据处理系统，其特征在于，建立MapReduce模型时在主程序中通过传入雷达类型以及排序Compare方式、雷达对应的扫描周期、雷达数据的时间戳，通过在主程序中加载动态库的方式，将雷达类型传递至动态库的Map函数和Reduce函数中；在Map阶段，根据雷达类型确定雷达处理函数，将读取出来的雷达数据进行解析，根据航迹信息链表计算出障碍物信息，再根据切分Partition和排序Compare的方式，进行Key/Value键值对的建立，建立以时间为Key，其它所有内容为Value的Key/Value键值对，后切分成不同数据块，排序之后，进行归并Reduce；最终生成的结果包括雷达解析数据，与其相对应的索引文件，索引文件中标识出每一条记录、时间戳的起始位置和结束位置，以及所有障碍物信息；所述障碍物信息的计算步骤如下：输入航迹信息链表，数据长度、雷达扫描周期；按照固定长度读取一条航迹信息；检查是否到整个航迹信息链的结尾，如果是Yes，进入下一步，如果是No，返回到障碍物信息链表中至结束；继续检查是否在同一个扫描周期内，如果是Yes，将这一条航迹数据压入到临时链表内；如果是No，进入下一步；从临时链表取出同一周期的航迹数据进行障碍物信息；将这一周期的告警结果插入到整个障碍物信息的尾部；清空记录同一周期航迹数据的临时链表，将这一条航迹数据压入到临时链表内。
技术说明书一种基于无人船的雷达数据处理系统技术领域本技术涉及雷达数据处理技术领域，尤其涉及一种基于无人船的雷达数据处理系统。
背景技术目前市场上利用雷达数据进行避障的设备很多，但是同类设备对障碍物生成雷达数据分析所得到的进度往往不足，此时为了保证良好实现避障，只能扩大避障范围即为对障碍物进行大半径绕行，此类操作会明显消耗更多的能量；若想实现对障碍物的精准避让，只能计算出真实障碍物避让参数，现有技术中对雷达数据的分析效果较差，为得到的真实障碍物信息还需要算法进行过滤和筛选，否则无法保证数据有效性；为了快捷有效地对雷达图像的分析测试工作做出支持，目前急需一种既能够生成真实雷达数据，同时还能剔除干扰以及无法的问题，值得说明的是，随着社会的不断进步，无人船的出现大大缩减了船体的尺寸，同时其携带染料也更加有限，故此，提出一种能够精准计算避障参数的无人船雷法数据处理系统尤为重要。
技术内容本技术的目的是为了解决现有技术中的问题，而提出的一种基于无人船的雷达数据处理系统。
为了实现上述目的，本技术采用了如下技术方案：一种基于无人船的雷达数据处理系统，包括数据采集模块以及数据处理模块；所述数据采集模块包括雷达传感器、遥感影像接收器、摄像模块、船体数据采集模块，所述数据采集模块将所采集的信息预处理后传输至数据处理模块；所述雷达传感器，所述雷达传感器发射电磁波对覆盖水域上的目标进行照射并接收其回波，获得目标跟踪数据并将接收到的电磁波处理为模拟信号；所述遥感影像接收器，用于实时接收卫星下传的遥感影像，并转化为数字信号；所述摄像模块，至少包括10个全景摄像机，其中至少50%的全景摄像机位于船体的前进方向，用于获取船体周边的视频数据，并转化为数字信号；所述船体数据采集模块，用于获取船体的位置数据数据、船体的行驶速度数据和船体的加速度数据，并将其电信号转化为数字信号；所述数据处理模块处理数据采集模块所传输的数据处理后得到障碍信息。
在上述的基于无人船的雷达数据处理系统中，所述数据处理模块包括模拟建模分析：S1、通过NVIDIA Tegra K1移动处理器进行将雷达传感器所传输的模拟信号进行三维雷达数据转换；S2、通过激光雷达数据处理，得到激光点云数据分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM，并将三维数据点投影到栅格地图上；将所有栅格相对高度大于某个阈值的栅格设定为障碍物点，即得到障碍信息。
在上述的基于无人船的雷达数据处理系统中，使用分布式计算系统存储雷达数据，通过建立MapReduce模型以云计算的方式对雷达数据进行高速处理，将处理结果与障碍信息进行比对，将一致信息输出，将不一致的信息重新导入步骤S1计算。
在上述的基于无人船的雷达数据处理系统中，所述数据采集模块在将数据传输至数据处理模块时，按照同一时间戳为时间基准，对每路数据按各自的固有帧周期进行顺序编号，并在存储数据的同时将各路数据帧编号的对应关系存储下来。
在上述的基于无人船的雷达数据处理系统中，遥感影像的处理步骤如下：1)遥感影像接收器在接收遥感影像后，确定遥感影像的分辨率并截取，对截取遥感影像进行数据标注；2)使用Canny边缘检测算法对截取的遥感影像进行预处理，通过对图像边缘进行提取，并将提取得到的图像与原图像叠加，突出航道特征，用以加速分析；3)搭建图像分类模型，通过在对基础的网络进行分类任务的训练中，在网络的参数存留下低级的图像特征信息，将上述图像特征信息在特征提取模型构建的流程中，传递给下一级的语义分割模型；4)搭建一个语义分割模型，用于在遥感影像中分割出道路信息；在经过训练后，提取道路信息的网络参数将留存在分割模型中。
在上述的基于无人船的雷达数据处理系统中，步骤1)中对截取遥感影像进行数据标注为：观察并测量遥感影像所覆盖的地理范围，结合要提取的航道实际情况，截取图像分类和语义分割任务的原始数据是尺寸为256*256，即0.23像素每米分辨尺度的RGB遥感的影像。
在上述的基于无人船的雷达数据处理系统中，步骤2)中使用Canny边缘检测算法对截取的遥感影像进行预处理为：用高斯滤波去除影像噪点，得到去噪后的图像；使用Sobel算子，利用卷积操作计算遥感影像x和y两个方向的梯度，尺寸为3的Sobel算子，在x和y两个方向的卷积核如下：提取边缘信息时，缩减边缘，只保留局部最大梯度，通过Canny算法使用两个阈值，来区分边缘像素，利用低阈值过滤掉噪声或颜色变化引起的小的梯度值，利用高阈值区分强边缘点和弱边缘点。
在上述的基于无人船的雷达数据处理系统中，建立MapReduce模型时在主程序中通过传入雷达类型以及排序Compare方式、雷达对应的扫描周期、雷达数据的时间戳，通过在主程序中加载动态库的方式，将雷达类型传递至动态库的Map函数和Reduce函数中；在Map阶段，根据雷达类型确定雷达处理函数，将读取出来的雷达数据进行解析，根据航迹信息链表计算出障碍物信息，再根据切分Partition和排序Compare的方式，进行Key/Value键值对的建立，建立以时间为Key，其它所有内容为Value的Key/Value键值对，后切分成不同数据块，排序之后，进行归并Reduce；最终生成的结果包括雷达解析数据，与其相对应的索引文件，索引文件中标识出每一条记录、时间戳的起始位置和结束位置，以及所有障碍物信息；所述障碍物信息的计算步骤如下：输入航迹信息链表，数据长度、雷达扫描周期；按照固定长度读取一条航迹信息；检查是否到整个航迹信息链的结尾，如果是Yes，进入下一步，如果是No，返回到障碍物信息链表中至结束；继续检查是否在同一个扫描周期内，如果是Yes，将这一条航迹数据压入到临时链表内；如果是No，进入下一步；从临时链表取出同一周期的航迹数据进行障碍物信息；将这一周期的告警结果插入到整个障碍物信息的尾部；清空记录同一周期航迹数据的临时链表，将这一条航迹数据压入到临时链表内。