一种基于深度学习的船舶行为识别方法技术

本发明专利技术公开了一种基于深度学习的船舶行为识别方法，属于模式识别领域。本发明专利技术可以在智能海洋监测，船舶智能监管等领域应用。具体包括：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。采用本发明专利技术的技术方案，将船舶行为识别技术应用到船舶监管领域中，从海量的船舶轨迹数据中自动分析船舶的行为，可以对近海海洋的船舶行为活动进行有效的取证和监管，来替代低效的人为查验模式。整体方案具有设备依赖性低、识别准确率高以及识别速度快等特点。

A Method of Ship Behavior Recognition Based on Deep Learning

【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，再引入时序特征信息学习模块，缓解了数据噪声对识别方法的影响，提高了识别方法对场景的适应能力，解决了传统识别方法在设置参数上的难题，并能够实现近实时的船舶行为识别。为了克服现有技术的缺陷，本专利技术的技术方案如下：一种基于深度学习的船舶行为识别方法，包括以下步骤：步骤S1：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，训练并实现对船舶的行为识别；其中，步骤S1进一步包括：步骤S11：获取大规模船舶AIS数据，选取AIS数据中具有行为判别力的信息，作为特征；选取特征包含基准时间t，经度x，纬度y以及对地速度v，对地航向c，定义AIS中的某一点Pi＝(ti,xi,yi,vi,ci)；步骤S12：根据船舶运动特性以及特征的物理意义，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，缓解数据对方法结果的影响；该步骤进一步包括：步骤S121：由于船舶的航线相对稳定，位置异常点一般会明显偏离航线。已知当前点Pi的前后两点Pi-1与Pi+1，则该点不会超过以Pi-1和Pi+1两点为焦点，以两点的时间间隔Δt乘上最大速度vm的值为长轴的椭圆范围内；若该点的位置在范围之外，则认为该点的位置异常，将点Pi替换为点Pi-1与Pi+1的连线的中点；步骤S122：根据当前点Pi与前一点Pi-1的速度之间的差值来检测速度异常；如果速度差值大于阈值，则通过比较两点之间的距离是否大于两点之间较大速度乘上两点的时间间隔Δt的值；若大于，则判定该点的速度异常，将速度设置为两点之间行驶的平均速度；步骤13：使用多特征融合距离的方法来切割AIS轨迹数据；使用d(a,b)表示a，b两点之间的距离，并计算两点各个特征之间的距离，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；可以得到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；通过步骤S13可以得到的两点之间的多特征融合距离，对该距离进行判别，若距离大于设定阈值时，则将第二个点设置为切割点；得到若干个有序的切割点，遍历所有切割点，若两个切割点之间的距离大于64，则取两点之间连续的64个点作为一段行为轨迹数据集；步骤S15：步骤S14得到的轨迹片段的不同的特征代表的物理意义不同，选取经度、纬度、对地速度以及对地航向四个特征，使用归一化处理的方法，使数据分布在[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；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，步骤S2进一步包括：步骤S21：设计并使用基于AIS数据的卷积作为数据特征提取的基本操作，通过引入多尺度卷积模块以及通道加权来增强网络对特征的表达能力；该步骤进一步包括：步骤S211：考虑到二维卷积会对AIS数据特征信息造成损失，使用一维卷积对固定长度的AIS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力，卷积模块有四个通道，其中一个通道传入原始特征信号，另外三个通道的一维卷积核大小分别为2,3和5，每个通道有两层相同的卷积；第一层卷积可以学习AIS数据特征之间的局部相关性，第二层卷积可以增加网络的非线性，扩大信息的感受野，提高特征的表达能力；步骤S213：设计基于AIS数据的SE操作，对数据中的每个特征进行通道加权，通过显式地构建特征通道的相互依赖关系来提高网络的表达能力；定义输入为U＝[u1,u2,...,uN]，其中N表示数据的特征数量，u为该特征在时间长度T上的向量；使用squeeze操作得到一个通道相关的统计信息s＝[s1,s2,...,sN]：使用excitation操作得到一个具有特征通道依赖性权重的向量w：w＝Fex(s,W)＝σ(W2δ(W1s))其中，W1与W2分别表示两个全连接层的参数；σ为sigmoid函数，δ为ReLU激活函数；最后将d与原有特征结合得到输出U′＝[u′1,u′2,...,u′N]：u′n＝Fscale(un,wn)＝wn·un其中·表示两个向量的乘积；步骤S214：语义特征学习分支有三层卷积模块，前两个卷积模块为步骤S211中的一维卷积加上批标准化层以及激活函数ReLU再加上步骤S213的SE操作；第三层卷积为步骤S212中得到的多尺度卷积层，该多尺度卷积层每条分支有两层卷积；多尺度卷积的多个通道级联后得到的特征经过池化层，最终得到一个一维向量；步骤S22：考虑到长短期记忆网络LSTM在处理序列数据时优异的特征学习能力，使用LSTM作为网络的时序特征学习分支，并与语义特征学习分支合并得到最终的船舶行为识别网络；该步骤进一步包括：步骤221：时序特征学习分支首先通过维度变换层，将维度变换后的向量输入LSTM网络；LSTM核心内部有三个控制门，分别为输入门、输出门以及遗忘门,ht表示t时刻LSTM内部的隐含状态，t时刻的输入pt和上一时刻隐含状态ht-1共同决定当前时刻的遗忘单元Ft、输入本文档来自技高网...

【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；...

【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