AIS与雷达目标位置数据融合方法的研究
摘要
船舶自动识别系统(AIS)是为船舶或VTS中心提供目标信息的一种工具。它是在提高船舶航行安全的迫切需求下，在通信技术和计算机技术飞速发展的基础上发展起来的。当前，AIS已经得到国际海事组织的充分肯定，1996年，IMO开始就AIS进行广泛争论，并通过一系列的决议，制定了AIS的相关国际标准，并把AIS作为船舶强制安装的航行设备之一，AIS的发展速度是非常快的。
AIS提供的信息存在很多优点，它的信息量大，目标的位置数据精度高，信息的提供不容易受地形(可以曲线传播)、天气和海况的影响，因此，在很多方面，AIS提供的功能正好弥补了雷达在船舶导航、避碰等方面存在的缺陷。但是，AIS并不是十全十美的，AIS提供的信息还存在一些缺点。AIS的船位由GPS提供，但GPS存在人为干扰问题；在高噪声条件下容易导致GPS接收机对导航卫星的失锁而丧失功能；此外，它还存在电离层延时、多径干扰等问题；而且，并不是所有的船舶都将安装AIS设备。基于这些因素，AIS可弥补雷达的一些缺陷，但它还不能完全取代雷达。因此，AIS与雷达及船上其他的已有设备的结合以及信息的融合使用，将是今后一段时间内，船舶航行安全技术的一个发展方向。目前对AIS的研究有AIS与雷达信息融合的研究、AIS与电子海图组合使用的研究以及AIS与综合驾驶台系统信息融合的研究等，他们为AIS的研究和发展开辟了先例，指明了方向。但是，这些研究都没能提出具体实用的模型和方案，如果要实际的投入应用，还需要继续的努力。因此，就这一点来说，任何有关这方面的研究都将促进AIS发展的前进，都将对船舶的航行安全、为保护海洋环境起到积极的作用。
本文对AIS与雷达目标位置数据融合方法进行了初步的研究。在AIS与雷达目标位置数据融合方法的研究中，重点有二：一是AIS和雷达目标位置数据的航迹相关；二是AIS和雷达目标位置数据的数据合成。以往的研究对航迹相关进行了大量的工作，也取得了比较好的成绩，有了一些较好的航迹相关处理方法，但是这些方法都不是有关AIS和雷达两者的航迹相关的。就AIS和雷达两者的航迹相关的研究来说，还很少。本文将这些方面的研究成果应用到了本文研究的问题中，建立了一个实用的AIS和雷达目标航迹相关算法。对于AIS和雷达的目标点迹合成，通常都采用单一的数据融合方法，
武汉理工大学硕士学位论文
使得数据融合后的精度，数据的质量较低。本文对AIS和雷达目标数据融合
的通常的融合方法进行了改进，在数据融合的基础上引入BP神经网络算法，
将BP神经网络与数据融合中的加权融合算法结合起来，使得融合后的数据质
量得到提高。
对所推导出来的算法和模型，作者都进行了验证。验证的结果表明，AIS
和雷达航迹相关算法可以正确的将雷达的多目标航迹与Als航迹相关;Als
和雷达目标点迹合成得到的数据，就其精度来说，较AIS的数据精度有所提
高，而与雷达提供的数据精度比较，则有了很大的提高，另外，模型的计算
简单，系统融合效率较高，可以直接嵌入其他的大系统进行使用。
In the foreseeable future, the Automatic Identification System(AIS) will be installed on all sea-going ships larger than 300g.r.t. These new devices broadcast data at regular and short intervals, with which the ship can be identified and tracked. Further data can be transmitted to provide additional information on the ship's motion, navigational state, intended voyage and cargo. The transmissions can be received by every interested party having an appropriate receiver both at sea and ashore. With these functions, AIS provides new, accurate and detailed information to maritime traffic, which is relevant not only to ship/ship but also to VTS/ship interaction. What's more, AIS can provide many functions that radar cannot provide. It makes up the shortages of radar in vessel collision avoidance. But, AIS can't replace radar in spite of the benefit it provides.
AIS has its virtues as a means for surveillance and tracking of those ships that are equipped. Obviously, ships not equipped, or with a switched-off system, remain invisible, additionally, coastlines and fixed or floating navaids visible only if they be equipped with AIS. Because of their different characteristics, radar and AIS complement each other, so that the implementation of AIS provides considerable 'added value' to the existing state-of-the-art. Therefore, the united using of this two sensors will be a trend to assure navigation safety in the near future.
The study in this field is just beginning both in the world and in our country. There are papers studied on the composition of AIS and ECDIS and the fusion method of object position information in radar and AIS etc. All of them are the beginning studies in the field, and it needs more devotion to boost the development of AIS.
This paper studies at the data fusion of AIS and radar objects. AIS and radar objects' data fusion is composed of two important parts. The first is AIS and radar tracks correlation; the second is AIS and radar objects' location data synthesize. The former research on tracks correlation has been very mature. But there is few study on the AIS and radar tracks correlation. So this paper adopts some former methods of tracks correlation to resolve the problem of AIS and radar objects'
tracks correlation. As to the AIS and radar objects' location data synthesize, the adopted method in previous studies of this field is usually simple Data Fusion method. They usually think little of the precision and practicability of the model. Considering of it, this paper puts forward a new method, which can realize both precision and practicability. Based on the data-fusion theory it united BP Neural Network algorithm and power-adding algorithm formed a data synthesize model.
Simulation is giving in the end to test the result's precision and practicability of these two models. It proves that the two models are all practicable, robust and can get accurate data results, can be embedded to other bigger systems directly.
AIS提供的信息存在很多优点，它的信息量大，目标的位置数据精度高，信息的提供不容易受地形(可以曲线传播)、天气和海况的影响，因此，在很多方面，AIS提供的功能正好弥补了雷达在船舶导航、避碰等方面存在的缺陷。但是，AIS并不是十全十美的，AIS提供的信息还存在一些缺点。AIS的船位由GPS提供，但GPS存在人为干扰问题；在高噪声条件下容易导致GPS接收机对导航卫星的失锁而丧失功能；此外，它还存在电离层延时、多径干扰等问题；而且，并不是所有的船舶都将安装AIS设备。基于这些因素，AIS可弥补雷达的一些缺陷，但它还不能完全取代雷达。因此，AIS与雷达及船上其他的已有设备的结合以及信息的融合使用，将是今后一段时间内，船舶航行安全技术的一个发展方向。目前对AIS的研究有AIS与雷达信息融合的研究、AIS与电子海图组合使用的研究以及AIS与综合驾驶台系统信息融合的研究等，他们为AIS的研究和发展开辟了先例，指明了方向。但是，这些研究都没能提出具体实用的模型和方案，如果要实际的投入应用，还需要继续的努力。因此，就这一点来说，任何有关这方面的研究都将促进AIS发展的前进，都将对船舶的航行安全、为保护海洋环境起到积极的作用。
本文对AIS与雷达目标位置数据融合方法进行了初步的研究。在AIS与雷达目标位置数据融合方法的研究中，重点有二：一是AIS和雷达目标位置数据的航迹相关；二是AIS和雷达目标位置数据的数据合成。以往的研究对航迹相关进行了大量的工作，也取得了比较好的成绩，有了一些较好的航迹相关处理方法，但是这些方法都不是有关AIS和雷达两者的航迹相关的。就AIS和雷达两者的航迹相关的研究来说，还很少。本文将这些方面的研究成果应用到了本文研究的问题中，建立了一个实用的AIS和雷达目标航迹相关算法。对于AIS和雷达的目标点迹合成，通常都采用单一的数据融合方法，
武汉理工大学硕士学位论文
使得数据融合后的精度，数据的质量较低。本文对AIS和雷达目标数据融合
的通常的融合方法进行了改进，在数据融合的基础上引入BP神经网络算法，
将BP神经网络与数据融合中的加权融合算法结合起来，使得融合后的数据质
量得到提高。
对所推导出来的算法和模型，作者都进行了验证。验证的结果表明，AIS
和雷达航迹相关算法可以正确的将雷达的多目标航迹与Als航迹相关;Als
和雷达目标点迹合成得到的数据，就其精度来说，较AIS的数据精度有所提
高，而与雷达提供的数据精度比较，则有了很大的提高，另外，模型的计算
简单，系统融合效率较高，可以直接嵌入其他的大系统进行使用。
In the foreseeable future, the Automatic Identification System(AIS) will be installed on all sea-going ships larger than 300g.r.t. These new devices broadcast data at regular and short intervals, with which the ship can be identified and tracked. Further data can be transmitted to provide additional information on the ship's motion, navigational state, intended voyage and cargo. The transmissions can be received by every interested party having an appropriate receiver both at sea and ashore. With these functions, AIS provides new, accurate and detailed information to maritime traffic, which is relevant not only to ship/ship but also to VTS/ship interaction. What's more, AIS can provide many functions that radar cannot provide. It makes up the shortages of radar in vessel collision avoidance. But, AIS can't replace radar in spite of the benefit it provides.
AIS has its virtues as a means for surveillance and tracking of those ships that are equipped. Obviously, ships not equipped, or with a switched-off system, remain invisible, additionally, coastlines and fixed or floating navaids visible only if they be equipped with AIS. Because of their different characteristics, radar and AIS complement each other, so that the implementation of AIS provides considerable 'added value' to the existing state-of-the-art. Therefore, the united using of this two sensors will be a trend to assure navigation safety in the near future.
The study in this field is just beginning both in the world and in our country. There are papers studied on the composition of AIS and ECDIS and the fusion method of object position information in radar and AIS etc. All of them are the beginning studies in the field, and it needs more devotion to boost the development of AIS.
This paper studies at the data fusion of AIS and radar objects. AIS and radar objects' data fusion is composed of two important parts. The first is AIS and radar tracks correlation; the second is AIS and radar objects' location data synthesize. The former research on tracks correlation has been very mature. But there is few study on the AIS and radar tracks correlation. So this paper adopts some former methods of tracks correlation to resolve the problem of AIS and radar objects'
tracks correlation. As to the AIS and radar objects' location data synthesize, the adopted method in previous studies of this field is usually simple Data Fusion method. They usually think little of the precision and practicability of the model. Considering of it, this paper puts forward a new method, which can realize both precision and practicability. Based on the data-fusion theory it united BP Neural Network algorithm and power-adding algorithm formed a data synthesize model.
Simulation is giving in the end to test the result's precision and practicability of these two models. It proves that the two models are all practicable, robust and can get accurate data results, can be embedded to other bigger systems directly.
引文
[1] Ingo Harre. AIS Adding New Quality to VTS Systems. ETT99/SATNAV99 Conference, Potsdam, Germany, 1999:527～539
[2] 周懿宗．AIS研究概述(1)．航海科技动态，2001，5：1～5
[3] 周懿宗．AIS研究概述(2)．航海科技动态，2001，6：9～12
[4] 张福祥，康捷，张尧．船舶自动识别系统．航海科技动态，1999，6：1～3
[5] 丁晓华．自动识别系统的结构、原理和用途．航海技术，2000，6：30～33
[6] 孙广，孙文强．船载自动识别系统的讨论．大连海事大学学报，1999，25(3)：68～70
[7] 黄建章，殷树林．航行数据记录仪和船舶自动识别系统．船舶，2001，10：48～52
[8] 王飞舟，范成樑．自动识别系统(AIS)性能综合评价．中国航海，2001，48：14～17
[9] 孙文力，孙文强．信道过载对UAIS系统性能的影响．航海实用新技术论文集，2002
[10] 林长川．雷达与AIS目标位置信息融合方法的研究．中国航海，2002，1：22～25
[11] 孔凡邨，贾海辞．基于AIS的船舶避碰系统方案的研究．航海实用新技术论文集，2002
[12] 王伟时．AIS技术航标应用研究．China Harbour Engineering，2001，4：42～44
[13] 季永青，刘克中，王助祥．船舶自动识别系统在VTS中的应用．航海技术，中国航海学会2002年度学术交流会论文集专刊：79～82
[14] 徐志京，许开宇，王世远．AIS与ECDIS组合使用的探讨．航海技术，2002，4：18～21
[15] 黄丽卿．AIS专业培训势在必行．中国水运，2002，3：38～39
[16] 康捷，张福祥，张尧．AIS操作中的人为因素．航海科技动态，1999，9：7～9
[17] 王建海等．多传感器数据融合浅析．上海大学学报(自然科学版)，1997，8：454～461
[18] 高德平，黄雪梅．多传感器和数据融合(一)．红外与激光工程，1999，28(1)：1～4
[19] 高德平，黄雪梅．多传感器和数据融合(续)．红外与激光工程，1999，28(2)：10～13
[20] 徐涛，杨国庆，陈松灿．数据融合德概念、方法及应用．南京航空航天大学学报，
1995，27(2)：258～265
[21] 赵宗贵等．三军联合作战C~5I中的数据融合．现代电子工程，1996，3：16～26
[22] 胡文龙，毛士艺．多传感器多目标跟踪中的概率数据互联．电子学报，1996，24(9)：30～35
[23] 孙红岩等．多传感器数据分层融合的性质．电子学报，1996，24(6)：35～38
[24] 尹晓东等．改建的多目标传感器数据融合相关算法．电子科技大学学报，1994，23(3)：225～231
[25] 唐劲松等．一种自适应α，β，γ滤波算法．火力与指挥控制，1994，2：32～36
[26] 何友，彭应宁，多传感器数据融合模型综述．清华大学学报(自然科学版)，1996，36(9)：14～20
[27] 王亦农，何友，谭庆梅．分布检测系统评述．海军航空工程学院学报，1991，6(2)：9～12
[28] Hall D L.Mathematical techniques in multisensor data fusion. Artech House, Boston, 1992
[29] 何友，谭庆梅．多传感器系统分类研究．火力与指挥控制，1988，13(2)：1～10
[30] 唐劲松，何友等．多雷达系统及其数据处理．海军航空工程学院学报，1992，7(4)：41～45
[31] 何友，唐劲松，王国宏．多雷达综合跟踪．电子科学学刊，1996，18(3)：12～16
[32] 何友，唐劲松，王国宏．多雷达跟踪系统中航迹质量管理的优化．现代雷达，1995，17(1)：14～19
[33] 何友，谭庆梅，将蓉蓉．多传感器综合系统的航迹相关算法．火力与指挥控制，1989，14(1)：1～12
[34] 何友．多传感器系统中的航迹合成．火力与指挥控制，1990，15(1)：7～14
[35] 刘同明，夏祖勋，解洪成．数据融合技术及应用．国防工业出版社，1998
[36] 范植华．数据相关性理论及其在并行处理中的应用．北京科学出版社，1999
[37] 康耀红．数据融合理论及应用．西安电子科技大学出版社，1997
[38] 郭嗣琮，陈刚．信息科学中的软计算方法．东北大学出版社，2001
[39] 常建平．多雷达跟踪网数据融合算法的研究．南京航空航天大学学报，195，27(5)：641～649
[40] 陆正刚，杨杰，叶晨州．多雷达传感器数据融和技术与应用．上海铁道大学学报，2000，21(6)：141～144
[41] 程洪玮，周一宇，孙仲康．多目标跟踪关联中的多特征数据融合方法．电子学报，1999，3：136～139
[42] 戚德虎，康继昌．BP神经网络的设计．计算机工程与设计，1998，19(2)，48～50．
[43] 杨杰，陆正刚，郭英凯．基于数据融合和多重智能模型的目标识别和跟踪．高技术通讯，1999，4：10～14
[44] 杨杰，陆正刚，黄欣．基于多传感器数据融合的目标识别和跟踪．上海交通大学学报，1999，33(9)：1107～1110
[45] 景晓军，陈永光．利用目标多普勒频率的数据融合关联算法．系统工程与电子技术，1999，21(7)：66～68
[46] 孔祥元，郭际明，刘宗泉．大地测量学基础．武汉大学出版社，2001，9
[47] 谭箭，罗素云．AIS与综合驾驶台系统的信息融合初探．武汉造船，2001，增刊，65、80
[48] 罗素云，谭箭．AIS与雷达目标航迹融合方法的研究．武汉理工大学学报，2003，1
[49] 张军英．多雷达站数据融合处理的聚类方法．计算机仿真．2000，17(3)，8～10．
[50] K.S.Yee.Numerical Solution of Initial Boundary Value Problems Involving Maxwell's Equitions in Isotropic Media. IEEE Trans. 1996,AP(14):302～307
[51] Graupe D. Principles of artificial neural networks. New York: World Scientific Publishing Co, 1997, 17
[52] Simpson P K. Artifical Neural Systems: Foundations, Paradigms, Application, and Implementations. Pergamon Press. 1990.
[53] Rumelhart D E, Moclelland J L and the PDP Research Group. Parallel Distributed Processing. Cambridge. MIT Press, 1988.
[54] Jamse L Crowley. Principles and techniques for sensor data fusion. Signal Processing, 1993, 32:5～27
[55] Thomopouios S C A. Optimal decision fusion in multiple sensor systems. IEEE Trans, AES-23, 1987
[56] Automatic Identification Systems(AIS)[S]. IMO NAV45, 1999
[57] Draft Recommendation of Performance Standards for an Universal Shiporne Automatic Identification Systems(AIS)[S], IMO NAV43, 1997
[58] Hall D L. Mathematical techniques in multisensor data fusion. Artech House, Boston, 1992
[59] Linas J, Waltz E. Multisensor data fusion. Artech House, Norwood, Massachusetts, 1990
[60] Bar-Shalom Y. On the track-to-track correlation problem. IEEE T-AC, 1981, 26(2): 571～572
[61] Additional Technical Characteristics of a DSC Trnsponder Used in a High-speed AIS within a VTS[S]. ITU-RM.825(Annes 2).
[62] The GNSS Transponder T2/R2/MXP 3501 Technical Description, Revision 5[R]. Swedish Civil Aviation Administration. Norrkoping: WM-data Education AB, 1997-12-02
[63] 顾先觉．大地坐标与网格坐标之间的相互转换．青海石油，2002，18(3)，24～31
[2] 周懿宗．AIS研究概述(1)．航海科技动态，2001，5：1～5
[3] 周懿宗．AIS研究概述(2)．航海科技动态，2001，6：9～12
[4] 张福祥，康捷，张尧．船舶自动识别系统．航海科技动态，1999，6：1～3
[5] 丁晓华．自动识别系统的结构、原理和用途．航海技术，2000，6：30～33
[6] 孙广，孙文强．船载自动识别系统的讨论．大连海事大学学报，1999，25(3)：68～70
[7] 黄建章，殷树林．航行数据记录仪和船舶自动识别系统．船舶，2001，10：48～52
[8] 王飞舟，范成樑．自动识别系统(AIS)性能综合评价．中国航海，2001，48：14～17
[9] 孙文力，孙文强．信道过载对UAIS系统性能的影响．航海实用新技术论文集，2002
[10] 林长川．雷达与AIS目标位置信息融合方法的研究．中国航海，2002，1：22～25
[11] 孔凡邨，贾海辞．基于AIS的船舶避碰系统方案的研究．航海实用新技术论文集，2002
[12] 王伟时．AIS技术航标应用研究．China Harbour Engineering，2001，4：42～44
[13] 季永青，刘克中，王助祥．船舶自动识别系统在VTS中的应用．航海技术，中国航海学会2002年度学术交流会论文集专刊：79～82
[14] 徐志京，许开宇，王世远．AIS与ECDIS组合使用的探讨．航海技术，2002，4：18～21
[15] 黄丽卿．AIS专业培训势在必行．中国水运，2002，3：38～39
[16] 康捷，张福祥，张尧．AIS操作中的人为因素．航海科技动态，1999，9：7～9
[17] 王建海等．多传感器数据融合浅析．上海大学学报(自然科学版)，1997，8：454～461
[18] 高德平，黄雪梅．多传感器和数据融合(一)．红外与激光工程，1999，28(1)：1～4
[19] 高德平，黄雪梅．多传感器和数据融合(续)．红外与激光工程，1999，28(2)：10～13
[20] 徐涛，杨国庆，陈松灿．数据融合德概念、方法及应用．南京航空航天大学学报，
1995，27(2)：258～265
[21] 赵宗贵等．三军联合作战C~5I中的数据融合．现代电子工程，1996，3：16～26
[22] 胡文龙，毛士艺．多传感器多目标跟踪中的概率数据互联．电子学报，1996，24(9)：30～35
[23] 孙红岩等．多传感器数据分层融合的性质．电子学报，1996，24(6)：35～38
[24] 尹晓东等．改建的多目标传感器数据融合相关算法．电子科技大学学报，1994，23(3)：225～231
[25] 唐劲松等．一种自适应α，β，γ滤波算法．火力与指挥控制，1994，2：32～36
[26] 何友，彭应宁，多传感器数据融合模型综述．清华大学学报(自然科学版)，1996，36(9)：14～20
[27] 王亦农，何友，谭庆梅．分布检测系统评述．海军航空工程学院学报，1991，6(2)：9～12
[28] Hall D L.Mathematical techniques in multisensor data fusion. Artech House, Boston, 1992
[29] 何友，谭庆梅．多传感器系统分类研究．火力与指挥控制，1988，13(2)：1～10
[30] 唐劲松，何友等．多雷达系统及其数据处理．海军航空工程学院学报，1992，7(4)：41～45
[31] 何友，唐劲松，王国宏．多雷达综合跟踪．电子科学学刊，1996，18(3)：12～16
[32] 何友，唐劲松，王国宏．多雷达跟踪系统中航迹质量管理的优化．现代雷达，1995，17(1)：14～19
[33] 何友，谭庆梅，将蓉蓉．多传感器综合系统的航迹相关算法．火力与指挥控制，1989，14(1)：1～12
[34] 何友．多传感器系统中的航迹合成．火力与指挥控制，1990，15(1)：7～14
[35] 刘同明，夏祖勋，解洪成．数据融合技术及应用．国防工业出版社，1998
[36] 范植华．数据相关性理论及其在并行处理中的应用．北京科学出版社，1999
[37] 康耀红．数据融合理论及应用．西安电子科技大学出版社，1997
[38] 郭嗣琮，陈刚．信息科学中的软计算方法．东北大学出版社，2001
[39] 常建平．多雷达跟踪网数据融合算法的研究．南京航空航天大学学报，195，27(5)：641～649
[40] 陆正刚，杨杰，叶晨州．多雷达传感器数据融和技术与应用．上海铁道大学学报，2000，21(6)：141～144
[41] 程洪玮，周一宇，孙仲康．多目标跟踪关联中的多特征数据融合方法．电子学报，1999，3：136～139
[42] 戚德虎，康继昌．BP神经网络的设计．计算机工程与设计，1998，19(2)，48～50．
[43] 杨杰，陆正刚，郭英凯．基于数据融合和多重智能模型的目标识别和跟踪．高技术通讯，1999，4：10～14
[44] 杨杰，陆正刚，黄欣．基于多传感器数据融合的目标识别和跟踪．上海交通大学学报，1999，33(9)：1107～1110
[45] 景晓军，陈永光．利用目标多普勒频率的数据融合关联算法．系统工程与电子技术，1999，21(7)：66～68
[46] 孔祥元，郭际明，刘宗泉．大地测量学基础．武汉大学出版社，2001，9
[47] 谭箭，罗素云．AIS与综合驾驶台系统的信息融合初探．武汉造船，2001，增刊，65、80
[48] 罗素云，谭箭．AIS与雷达目标航迹融合方法的研究．武汉理工大学学报，2003，1
[49] 张军英．多雷达站数据融合处理的聚类方法．计算机仿真．2000，17(3)，8～10．
[50] K.S.Yee.Numerical Solution of Initial Boundary Value Problems Involving Maxwell's Equitions in Isotropic Media. IEEE Trans. 1996,AP(14):302～307
[51] Graupe D. Principles of artificial neural networks. New York: World Scientific Publishing Co, 1997, 17
[52] Simpson P K. Artifical Neural Systems: Foundations, Paradigms, Application, and Implementations. Pergamon Press. 1990.
[53] Rumelhart D E, Moclelland J L and the PDP Research Group. Parallel Distributed Processing. Cambridge. MIT Press, 1988.
[54] Jamse L Crowley. Principles and techniques for sensor data fusion. Signal Processing, 1993, 32:5～27
[55] Thomopouios S C A. Optimal decision fusion in multiple sensor systems. IEEE Trans, AES-23, 1987
[56] Automatic Identification Systems(AIS)[S]. IMO NAV45, 1999
[57] Draft Recommendation of Performance Standards for an Universal Shiporne Automatic Identification Systems(AIS)[S], IMO NAV43, 1997
[58] Hall D L. Mathematical techniques in multisensor data fusion. Artech House, Boston, 1992
[59] Linas J, Waltz E. Multisensor data fusion. Artech House, Norwood, Massachusetts, 1990
[60] Bar-Shalom Y. On the track-to-track correlation problem. IEEE T-AC, 1981, 26(2): 571～572
[61] Additional Technical Characteristics of a DSC Trnsponder Used in a High-speed AIS within a VTS[S]. ITU-RM.825(Annes 2).
[62] The GNSS Transponder T2/R2/MXP 3501 Technical Description, Revision 5[R]. Swedish Civil Aviation Administration. Norrkoping: WM-data Education AB, 1997-12-02
[63] 顾先觉．大地坐标与网格坐标之间的相互转换．青海石油，2002，18(3)，24～31