支持向量機在舶航程智能終端節(jié)能降耗中的應用

摘要三維傳感器有激活閾值參數(shù)達到該參數(shù)時可觸發(fā)采集加速度數(shù)據(jù);船舶的運行狀態(tài)與三維加速度有密切聯(lián)系;支持向量機是一種監(jiān)督分類方法學習三維加速度對應的船舶狀態(tài)再通過支持向量機學習參數(shù)識別船舶的運動狀態(tài)以及修正三維傳感器激活閾值可以達到記錄運動軌跡的目的減少不必要的、北斗定位實現(xiàn)系統(tǒng)的節(jié)能降耗及航程記錄。

關鍵詞三維加速度;支持向量機;震動識別;動量;隨機梯度

中圖法分類號：TP181文獻標識碼：A

Application of support vector machine in energy saving and consumptionreduction of ship voyage intelligent terminal

ZHOU Sheng

（Shanghai Universal Navigation Technology Co.，Ltd.，Shanghai 201702，China）

Abstract ： The three-dimensional sensor has an activation threshold parameter. When this parameter isreached，it can trigger the acquisition of acceleration data，the operating state of the ship is closelyrelated to the three-dimensional acceleration，the support vector machine is a supervised classificationmethod.The vector machine learns the parameters，identifies the motion state of the ship andcorrects the activation threshold of the three-dimensional sensor，which can achieve the purpose ofrecording the motion trajectory，reduce unnecessary GPS and Beidou positioning，and realize theenergy saving and voyage recording of the system.

Key words： three-dimensional acceleration，support vector machine，vibration identification，momentum，random gradient

1? 引言

相關部門對漁船進行柴油補貼的重要依據(jù)是航行里程。通常而言，在漁船上安裝船舶航程智能終端，可以記錄漁船位置，并在 GPRS 網(wǎng)絡覆蓋范圍內(nèi)實時地傳輸相關信息。舶航程智能終端強制要求能可靠運行3 年以上，其一般都是內(nèi)部供電，目的是不影響船舶的現(xiàn)有供電線路以及便于安裝。因此，設備的穩(wěn)定、節(jié)能以及準確記錄航行里程非常重要。

舶航程智能終端在記錄航行里程時，傳統(tǒng)做法都是固定時間間隔，以記錄船舶經(jīng)緯度位置，在定位過程中需要通過北斗及 GPS 雙模定位，會消耗大量的能量，如不對能耗進行優(yōu)化，設備很難滿足使用期限這一重要指標。為了節(jié)能降耗，往往把定時間隔加大，造成位置軌跡連續(xù)性差，不利于航程統(tǒng)計，進而影響柴油補貼發(fā)放。

本文通過研究船舶運行震動與三維加速度的關系，通過支持向量機識別船舶的運動狀態(tài)以及修正三維傳感器激活閾值，做到既能節(jié)能降耗又能實現(xiàn)精細的軌跡記錄。

2? 支持向量機的基本原理

圖1 中，實心點和空心點分別代表兩類數(shù)據(jù)樣本;H 代表分類超平面;H1 和 H2 分別代表數(shù)據(jù)樣本中離 H 最近且平行于 H 的面，H1 和 H2 之間的距離稱為分類間隔（Margin）。H 面不但能將 H1和 H2 兩側(cè)的樣本分開，而且 H1 和 H2 之間的分類距離最大，在確保結(jié)構風險最小化的情況下，真正降低了風險。H1和 H2 之間的數(shù)據(jù)樣本點，就叫做支持向量[1 ～2]。

待分類的數(shù)據(jù)為（ xi ，yi ），i=1 ，2，…，N。其中，xi ∈Rn ，yi∈ {-1，1} ，n 維空間中分類決策函數(shù)為：

分類超平面方程為：

其中，w 為權重向量;b 為偏置向量。此時，兩類樣本到超平面的距離為。為了使間隔距離最大，則需要使 w? 最小，使得最優(yōu)分類超平面問題可以轉(zhuǎn)化為解滿足上述條件的一個凸二次優(yōu)化問題：

該約束條件可引入拉格朗日（Lagrange）函數(shù)：

其中，ai 為 Lagrange 乘子。

則可得出對偶問題：

進而，可得到最優(yōu)分類函數(shù)：

不過，在實際應用中，遇到的大多數(shù)是非線性可分問題，因此支持向量機的主要思路就是通過非線性變換將樣本數(shù)據(jù)映射到高維的特征向量空間（ Hilbert 空間）中，在高維特征向量空間中求得最優(yōu)分類超平面，再用變換后的內(nèi)積運算重復上述過程。依據(jù)統(tǒng)計學習理論，假設 K（x，y）為內(nèi)積函數(shù)，即核函數(shù)，用核函數(shù)代替決策函數(shù)，即：

計算求解數(shù)值方法，可以使用序列最小優(yōu)化算法（SMO）[3～ 4]求解上述問題。

3? 設備安裝及樣本采集

3.1? 安裝及樣本采集

如圖2 所示，船舶航程智能終端通常安裝在桅桿、扶手等，有利于北斗、GPS 及4G 信號定位傳輸，也有利于設備固定。安裝設備時使用抱箍鎖緊，使得船舶的開機震動信號傳遞到三維加速度傳感器上。

由于船舶的大小、功率及外部環(huán)境（風浪）不同，采集到加速度信號也不同。因此，在樣本收集階段，針對不同大小類型的漁船在其不同的部位安裝設備，進行信號采樣，并對樣本信號標注進行 SVM 監(jiān)督學習。

3.2? 三維加速度計算

舶航程智能終端集成三維加速度傳感器，具有采樣數(shù)據(jù)高速、靈敏的特征?？刹杉椒较颍?X ，Y 方向）、垂直方向 （ Z 方向）上的運動加速度，如圖 3所示。

根據(jù)幾何關系，可知三維加速度的計算公式如下：

AccX表示水平 X 方向上的加速度，在硬件設備中其基準值為0;AccY表示水平 X 方向上的加速度，在硬件設備中其基準值為0;AccZ表示垂直 Z 方向上的加速度，在硬件設備中其基準值為-1024。

在圖4、圖5 中分別描繪了開機、關機狀態(tài)下的三維加速度，可以明顯看出在開機狀態(tài)下設備的震動幅度比較強烈。關機狀態(tài)下受到外部環(huán)境（如風浪）的影響會有少量的幅度變化。

4? 識別及修正算法

三維加速度傳感器有震動閾值參數(shù)，必須達到該閾值才可以輸出數(shù)據(jù)。在各種狀態(tài)、環(huán)境下，該參數(shù)有較大的變化。簡而言之，不同場景下該閾值不同，需要動態(tài)智能調(diào)整其參數(shù)（圖 6）。本文提出利用帶有動量的隨機梯度下降（SGD）[5]方法來自適應計算震動閾值：

其中，G 表示震動閾值;DG 表示閾值動量;α表示動量系數(shù);rate 表示學習率;G 表示震動閾值更新梯度。

根據(jù)震動算法進行計算，可知當前是震動狀態(tài)。說明當前喚醒中斷閾值還有減少的空間，減少該閾值的參數(shù)，提交給傳感器;根據(jù)震動算法進行計算，可知當前是靜止狀態(tài)。說明當前喚醒中斷閾值不是最合理的，故加大該閾值的參數(shù)，提交給傳感器。計算流程如下：

步驟1：系統(tǒng)主循環(huán)開始，進入休眠;

步驟2：休眠結(jié)束后，開始準備接收傳感器數(shù)據(jù)，如傳感器未被激活，重新回到主循環(huán)步驟1;

步驟3：傳感器被激活，采集奇數(shù) N 組加速度數(shù)據(jù)：

步驟4：通過 SVM 支持向量機，識別每一組〈AccXi，AccYi，AccZi〉的開關機狀態(tài) Ri;

步驟5：統(tǒng)計出N 組數(shù)據(jù)的整體運動狀態(tài)，以過濾掉系統(tǒng)產(chǎn)生的噪聲;R 為1 表示當前處于開機狀態(tài)，R 為?1表示當前處于關機狀態(tài);

步驟6：處于開機狀態(tài)時，進入步驟7;處于關機狀態(tài)時，進入步驟10;

步驟7：計算閾值更新梯度，減少震動閾值，進入步驟8;

步驟8：開始 GPS、北斗定位，進入步驟9;

步驟9：記錄北斗位置，標注該位置未上報，進入步驟1;

步驟10：計算閾值更新梯度，增加震動閾值，進入步驟1 。

5? 實驗分析

某功率漁船在左舷后部、左舷前部及煙筒等7 個部位安裝船舶航程智能終端，在開機和關機狀態(tài)下，按照步驟1 ～10的算法流程進行數(shù)據(jù)上報對比，統(tǒng)計出應報位置數(shù)量、實報位置數(shù)量以及錯誤率，具體數(shù)據(jù)如表1 及表2 所列。根據(jù)實驗數(shù)據(jù)，可以看出該算法在這7 個安裝部位都具有較高的識別率。

6? 結(jié)束語

本文提出了一種基于支持向量機及閾值帶動量自適應調(diào)節(jié)的算法，通過支持向量機來識別船舶的開機狀態(tài);通過閾值帶動量自適應調(diào)節(jié)來適應不同的船舶類型、不同的外部環(huán)境下的加速度閾值參數(shù)。實現(xiàn)了開機狀態(tài)的識別、閾值的動態(tài)適應，進而實現(xiàn)了設備在節(jié)能降耗的目標下軌跡位置的連續(xù)輸出。通過實例驗證發(fā)現(xiàn)，本文所提方法預測效果良好，預測誤差均在工程范圍內(nèi)，符合實際需要。

參考文獻：

[1] 李航.統(tǒng)計學習方法[M].北京：清華大學出版社，2012.

[2] 林香亮，袁瑞，孫玉秋等.支持向量機的基本理論和研究進展[J].長江大學學報（自科版），2018，15（17）：48?53+6.

[3] 周曉劍，馬義中，朱嘉鋼.SMO 算法的簡化及其在非正定核條件下的應用 [ J].計算機研究與發(fā)展，2010，47（ 11）：1962?1969.

[4] 楊杰，葉晨洲，全勇，等.支撐向量機回歸的簡化 SMO 算法[J].紅外與激光工程，2004（5）：533～ 537.

[5] 黃智瀕，戴志濤.卷積神經(jīng)網(wǎng)絡與機器視覺[ M].北京：機械工業(yè)出版社，2019.

作者簡介：

周勝（1977—） ，系統(tǒng)集成項目管理工程師，信息系統(tǒng)項目管理師，研究方向：北斗船載終端應用、北斗定位與導航應用、智能航程管理應用、位置信息與數(shù)據(jù)分析。