一种岸基AIS信号可信性判别模型、方法及装置制造方法及图纸

本发明专利技术提供一种岸基AIS信号可信性判别模型、方法及装置，所述模型为采用线性决策边界的二分类器，所述模型以基于Q网络学习结果生成的AIS信号样本以及真实AIS信号样本作为训练数据，输出样本属于真实AIS信号样本的概率。基于Q网络学习结果生成AIS信号包括：获取相关数据；基于预训练网络初始化Q网络结构中卷积神经网络的权重；通过Q网络结构生成与真实AIS信号相似的AIS信号样本。本发明专利技术主要针对AIS信号特征特点对岸基AIS信号的可信性进行判断，以提高海事导航服务质量。以提高海事导航服务质量。以提高海事导航服务质量。

【技术实现步骤摘要】
一种岸基AIS信号可信性判别模型、方法及装置


[0001]本专利技术涉及船舶通信
，具体而言，尤其涉及一种岸基AIS信号可信性判别模型、方法及装置。

技术介绍

[0002]经调研发现，目前在船舶交通管理中心获取的船位等用于船舶导航服务数据主要来源仅为AIS报告的信息，即GPS提供的数据。但GPS存在脆弱性，易受干扰和欺骗，一旦AIS岸站获取的船位等信息数据为虚假信息，AIS岸站基于虚假信息为船舶提供错误的导航服务，势必严重威胁航行安全，因此需要对AIS岸站获取的AIS信号的可信性进行判断和评估。
[0003]当前，船舶交通管理中心对接收的AIS信号可信性进行判断的方法仅依赖于雷达数据关联，即船舶报告船位等信息后，结合雷达系统显示情况，观察该位置是否存在船舶，若存在船舶，则判断此AIS提供的船位信息为真实信息，否则为虚假信息。该方法虽然在一定程度上可以判断AIS报告的船位是否可信，但存在明显缺陷：一旦AIS岸站接收到的船位信息为虚假信息，而在该虚假信息位置刚好有其他船舶被雷达系统扫描，该方法依然会将虚假信息判断成可信信息，岸站将依据虚假信息提供错误的导航服务，威胁航行安全。因此基于当前雷达关联方法缺陷，需要一种准确有效的技术方法解决上述问题。

技术实现思路

[0004]鉴于现有技术的不足，本专利技术提供一种岸基AIS信号可信性判别模型、方法及装置，以提高岸基AIS信号可信性评估水平，增强岸站系统导航服务质量，保证船舶航行安全。
[0005]本专利技术采用的技术手段如下：
[0006]一种岸基AIS信号可信性判别模型，所述模型为采用线性决策边界的二分类器，所述模型以基于Q网络学习结果生成的AIS信号样本以及真实AIS信号样本作为训练数据，输出样本属于真实AIS信号样本的概率；所述基于Q网络学习结果生成的AIS信号样本的获取包括：
[0007]获取AIS信号数据和与所述AIS信号数据关联的雷达传感数据；
[0008]基于预训练网络对所述AIS信号数据进行预训练，所述预训练网络包括若干堆叠的受限玻尔兹曼机，训练时前一个受限玻尔兹曼机的隐含层作为后一层受限玻尔兹曼机的可观测层，每次只训练一层网络参数，直到最后一层训练完成；
[0009]将最后一层受限玻尔兹曼机输出的连接权重和神经元偏置输入推断网络，所述推断网络为两层全连接前馈神经网络，输出基于AIS信号的变分分布获得的最优化网络参数；
[0010]将最优化网络参数作为Q网络的初始化参数，将Q网络中AIS信号特征学习建模为智能体，所述智能体的环境信息为雷达传感器数据，且所述环境信息受智能体动作影响而改变状态并反馈给智能体相应的奖励，所述智能体感知环境状态和反馈的奖励，进行AIS信号特征学习，并根据反馈的奖励调整学习策略，重复多次训练智能体，直至完成AIS信号样本生成。
[0011]进一步地，所述预训练网络训练时，
[0012]自底向上的输出为：
[0013]v
(i)
＝σ(W
(i)
h
(i
‑
1)
+b
(i)
)，1≤i≤l
‑1[0014]式中，v
(i)
为第i层神经元的输出，σ(
·
)为Sigmoid型激活函数，b
(i)
为第i层神经元的偏置，W
(i)
为连接权重，h
(i
‑
1)
为第i层神经元的输入；
[0015]获取各层神经元的输入，按照的顺序生成的一组h
(l
‑
1)
训练样本，记为：M为l
‑
1层神经元数量；
[0016]将h
(l
‑
1)
和h
(l)
再组成一个预训练神经网络，以为训练样本集充分训练第l层神经网络；
[0017]最后对逐层预训练所得参数使用反向传播算法进行精调，精调的参数更新规则为：
[0018][0019][0020]式中，b
(i)
为第i层神经元的偏置，W
(i)
为连接权重，α为学习率，δ
(i)
为第i层神经元的误差项。
[0021]进一步地，所述推断网络的结构参数包括：
[0022]h＝ReLU(W
(1)
x+b
(1)
)
[0023]μ
I
＝W
(2)
h+b
(2)
[0024][0025]式中，b
(i)
为第i层神经元的偏置，W
(i)
为第i层神经元的连接权重，i＝1,2,3，μ
I
为AIS信号的变分分布的均值，为AIS信号的变分分布的方差。
[0026]进一步地，所述推断网络的目标函数为：
[0027][0028]其中，KL[q(z|x；φ),p(z|x；θ)]为变分分布q(z|x；φ)和真实后验分布p(z|x；θ)的KL散度，logp(x；θ)为对数边际似然，ELBO(q,x；θ,φ)为其对数边际似然的下界，φ
*
为使ELBO(q,x；θ,φ)最大的网络参数，θ为待学习的推断网络参数，包含向量权重和偏置。
[0029]进一步地，Q网络中的AIS信号特征学习由CNN网络结构实现，所述CNN网络根据以下损失函数训练：
[0030][y
‑
Q
φ
(s,a)]2[0031]其中，Q
φ
(s,a)为Q网络值函数，采用值函数近似方法计算：
[0032]Q
π
(s,a)≈Q
φ
(s,a)
[0033]式中，Q
π
(s,a)为值函数对应值，逼近总回报的平均值，
[0034][0035]式中，N为试验次数，为起始状态和动作的第n次试验轨迹，为第n次试验的总回报。G(τ)为：
[0036][0037]式中，γ∈[0,1]为折扣率，r
t+1
＝r(s
t
,a
t
,s
t+1
)为智能体根据当前状态s做出动作a后，环境状态反馈给智能体的即时奖励。
[0038]本专利技术还公开了一种岸基AIS信号可信性判别方法，所述方法包括：
[0039]获取AIS信号数据和与所述AIS信号数据关联的雷达传感数据；
[0040]基于预训练网络对所述AIS信号数据进行预训练；
[0041]将预训练网络输出的连接权重和神经元偏置输入推断网络，所述推断网络为两层全连接前馈神经网络，输出基于AIS信号的变分分布获得的最优化网络参数；
[0042]将最优化网络参数作为Q网络的初始化参数，构建智能体对AIS信号特征学习，直至完成AIS信号样本生成；
[0043]将Q网络生成的AIS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种岸基AIS信号可信性判别模型，其特征在于，所述模型为采用线性决策边界的二分类器，所述模型以基于Q网络学习结果生成的AIS信号样本以及真实AIS信号样本作为训练数据，输出样本属于真实AIS信号样本的概率；所述基于Q网络学习结果生成的AIS信号样本的获取包括：获取AIS信号数据和与所述AIS信号数据关联的雷达传感数据；基于预训练网络对所述AIS信号数据进行预训练，所述预训练网络包括若干堆叠的受限玻尔兹曼机，训练时前一个受限玻尔兹曼机的隐含层作为后一层受限玻尔兹曼机的可观测层，每次只训练一层网络参数，直到最后一层训练完成；将最后一层受限玻尔兹曼机输出的连接权重和神经元偏置输入推断网络，所述推断网络为两层全连接前馈神经网络，输出基于AIS信号的变分分布获得的最优化网络参数；将最优化网络参数作为Q网络的初始化参数，将Q网络中AIS信号特征学习建模为智能体，所述智能体的环境信息为雷达传感器数据，且所述环境信息受智能体动作影响而改变状态并反馈给智能体相应的奖励，所述智能体感知环境状态和反馈的奖励，进行AIS信号特征学习，并根据反馈的奖励调整学习策略，重复多次训练智能体，直至完成AIS信号样本生成。2.根据权利要求1所述的一种岸基AIS信号可信性判别模型，其特征在于，所述预训练网络训练时，自底向上的输出为：v
(i)
＝σ(W
(i)
h
(i
‑
1)
+b
(i)
)，1≤i≤l
‑
1式中，v
(i)
为第i层神经元的输出，σ(
·
)为Sigmoid型激活函数，b
(i)
为第i层神经元的偏置，W
(i)
为连接权重，h
(i
‑
1)
为第i层神经元的输入；获取各层神经元的输入，按照的顺序生成的一组h
(l
‑
1)
训练样本，记为：M为l
‑
1层神经元数量；将h
(l
‑
1)
和h
(l)
再组成一个预训练神经网络，以为训练样本集充分训练第l层神经网络；最后对逐层预训练所得参数使用反向传播算法进行精调，精调的参数更新规则为：W
(i)
←
W
(i)
‑
αδ
(i)
(h
(i
‑
1)
)
T
，1≤i≤l
‑
1，b
(i)
←
b
(i)
‑
αδ
(i)
，1≤i≤l
‑
1式中，b
(i)
为第i层神经元的偏置，W
(i)
为连接权重，α为学习率，δ
(i)
为第i层神经元的误差项。3.根据权利要求1所述的一种岸基AIS信号可信性判别模型，其特征在于，所述推断网络的结构参数包括：h＝ReLU(W
(1)
x+b
(1)
)μ
I
＝W

【专利技术属性】
技术研发人员：王晓烨，姜毅，胡青，孙晓文，怀率恒，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：