【技术实现步骤摘要】
一种基于深度学习的船舶行为识别方法
本专利技术涉及船舶行为模式识别
,尤其涉及一种基于深度学习的船舶行为识别方法。
技术介绍
我国拥有丰富的海洋资源与港口资源,随着人们对海洋资源的进一步开发和利用,各类船舶数量日益增加,海上交通活动日益频繁,存在着各种利用船舶进行非法活动的行为,包括走私、非法移民,非法捕鱼等。船舶自动识别系统(AutomaticIdentificationSystem,AIS)是一种新型助航系统,可以帮助有关部门协调海洋交通,监管海洋活动。比如,在海洋牧场禁渔期,可以根据AIS数据来分析是否有非法捕鱼行为。目前,排水量100吨以上的船舶大多数已经安装了AIS设备,虽然可以近实时的获取船舶的位置、速度、船号等信息,但是还缺乏对AIS数据的分析,对近海海洋非法行为取证及监管的有效方法。随着数据的爆炸式增长,采用传统人工查验的模式效率太低,给相关部门的监管带来了很大的挑战。所以从海量的AIS数据中自动分析船舶的行为以及状态变化规律等有价值的信息,为有关部门处理和决策提供辅助与依据,已经成为了海上交通研究的热点问题。现有技术的船舶行为识别方法主要存在以下三个问题:1、需要手工设计特征,容易忽略很多有效信息;2、计算开销依赖于所建立的模型,非常耗时;3、噪声对聚类方法的分布干扰较大,阈值设置具有很强的主观因素。故,针对现有技术的缺陷,实有必要提出一种技术方案以解决现有技术存在的技术问题。
技术实现思路
有鉴于此,确有必要提供一种基于深度学习的船舶行为识别方法,在自建船舶行为识别数据集上使用深度学习方法自动学习AIS数据中的语义特征信息,再引入时序 ...
【技术保护点】
1.一种基于深度学习的船舶行为识别方法,其特征在于,包括以下步骤:步骤S1:获取原始船舶轨迹数据,通过数据预处理以及轨迹分割方法自建船舶行为识别数据集;步骤S2:设计多尺度卷积模块与长短期记忆网络级联的船舶行为识别网络,使用自建船舶行为识别数据集训练的船舶行为识别网络,实现对船舶轨迹数据的行为识别;其中,所述步骤S1进一步包括:步骤S11:选取AIS(Automatic Identification System)数据的具有行为判别力的信息,作为数据的特征;选取特征为基准时间,经度,纬度以及对地速度,对地航向作为数据的特征,其中,基准时间仅在数据预处理阶段使用;步骤S12:通过位置异常处理方法与速度异常处理方法对步骤S11得到的AIS数据中的异常数据进行处理;其中,所述步骤S12进一步包括:步骤S121:对位置明显偏离航线的AIS数据点进行位置异常处理,先将异常点删除,再使用插入中值的方法将失去的点近似还原;步骤S122:对速度明显异常的AIS数据点进行速度异常处理,将船舶行为距离与根据速度计算的距离进行比较,根据差值的置信区间来判别速度是否发生异常;步骤S13:使用多特征距离融合的方 ...
【技术特征摘要】
1.一种基于深度学习的船舶行为识别方法,其特征在于,包括以下步骤:步骤S1:获取原始船舶轨迹数据,通过数据预处理以及轨迹分割方法自建船舶行为识别数据集;步骤S2:设计多尺度卷积模块与长短期记忆网络级联的船舶行为识别网络,使用自建船舶行为识别数据集训练的船舶行为识别网络,实现对船舶轨迹数据的行为识别;其中,所述步骤S1进一步包括:步骤S11:选取AIS(AutomaticIdentificationSystem)数据的具有行为判别力的信息,作为数据的特征;选取特征为基准时间,经度,纬度以及对地速度,对地航向作为数据的特征,其中,基准时间仅在数据预处理阶段使用;步骤S12:通过位置异常处理方法与速度异常处理方法对步骤S11得到的AIS数据中的异常数据进行处理;其中,所述步骤S12进一步包括:步骤S121:对位置明显偏离航线的AIS数据点进行位置异常处理,先将异常点删除,再使用插入中值的方法将失去的点近似还原;步骤S122:对速度明显异常的AIS数据点进行速度异常处理,将船舶行为距离与根据速度计算的距离进行比较,根据差值的置信区间来判别速度是否发生异常;步骤S13:使用多特征距离融合的方法来描述a,b两个数据点之间的距离,包括时间距离dt、空间距离ds、速度距离dv以及航向距离dc;其中,Pi(<T>)表示点i的特征<T>的值,t表示时间,v表示对地速度,c表示对地航向;Pa(x)与Pa(y)分别表示a点的经度与纬度;a与b两点之间的多特征融合距离:d(a,b)=ωt×dt(a,b)+ωs×ds(a,b)+ωv×dv(a,b)+ωc×dc(a,b)其中,ωt,ωs,ωv,ωc分别为各个特征距离的权重;步骤S14:采用固定长度的方式来划分运动轨迹;通过判别步骤S13得到的两点之间的距离,若距离大于设定阈值时,则将第二个点设置为切割点;若两个切割点之间的距离大于64,则取两点之间连续的64个点作为一段轨迹数据集;步骤S15:归一化处理;通过步骤S14得到若干轨迹数据集后,选择经度、纬度、对地速度、对地航向作为数据特征,对其进行归一化处理,让数据分布在[0,1]之间:其中,Pi(<T>)表示点i的特征<T>的值,max<T>表示特征<T>的最大值,min<T>表示特征<T>的最小值;x,y,v,c分别表示经度,纬度,对地速度以及对地航向;步骤S16:将步骤S15得到的轨迹片段,根据AIS数据中对应的状态值进行标注,标注的行为类别分别为正常航行,捕鱼,锚泊,系泊,并将数据按照一定比例划分为训练集和测试集;其中,所述步骤S2进一步包括:步骤S21:根据AIS数据的特性,设计基于AIS数据的卷积操作,多尺度卷积模块以及通道加权模块;所述步骤S21进一步包括:步骤S211:设计基于AIS数据的卷积操作,使用一维卷积操作对固定长度的时间序列进行特征提取;步骤S212:设计多尺度卷积提高模型对特征的表达能...
【专利技术属性】
技术研发人员:刘俊,王立林,田胜,徐小康,姜涛,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。