复杂场景下港口水域船舶异常行为智能识别方法

传统的船舶异常行为识别方法在识别复杂场景下港口水域船舶行为时,识别准确率过低。针对这一问题研究了一种新的船舶异常行为智能识别方法,设定了识别模板,由数据库模块、匹配模块和识别模块3部分组成,给出了识别模板内部算法的计算流程,同时计算港口信息和船舶信息,得到背景值和目标值后进行比较,判断船舶行为是否存在异常,以此实现异常行为的智能识别。与传统识别方法进行实验对比,结果表明,所研究的识别方法准确率更高,识别效果更好。     

基于云平台规模样本条件下模拟训练船舶航迹点生成算法

随着海上交通环境的日益复杂,海上智能交通成为人们研究的热点,其中,对船舶航迹的有效分析与控制是其中的关键技术。本文主要对船舶航迹分析方法进行研究,给出一种基于云平台规模样本条件下模拟训练船舶航迹点生成算法。为得到效果较好的航迹云图,本文借助云平台扩大训练样本集,然后利用正态云分析算法模拟生成与实际船舶航迹相符合的航迹云图。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

船舶导航一体化网络路由算法的设计与实现

为保证船舶航行安全,提高航行效率,提出一种船舶导航一体化网络布线算法的设计方法,通过对船舶导航一体化网络布线设备结构的优化,有效地提高了航迹数据采集和处理的精度,并对航迹障碍干扰进行数值计算,根据航迹障碍距离和航迹障碍参数确定最佳航迹选择,有效地解决了航迹选择不佳导致船舶在航迹上布线费时的问题。经实现验证,该算法与传统方法相比,有较大的实用价值,在实际应用过程中,大大提高了船舶航行安全性和航行效率,从而证明了所提出的船舶导航一体化网络路由算法具有较好的性能,完全可以满足研究的需要。     

遗传算法在船舶运行轨迹大数据智能采集中的应用

针对当前舰船航迹数据采集方法信息更新速度慢、采集精确度低,无法满足海上航道信息采集要求的问题,提出了基于遗传算法的船舶运行轨迹大数据智能采集应用方法。分析和挖掘船舶航迹数据,得到船舶总体运行特征,优化航迹压缩算法,通过实时处理冗余信息并进行多层存储,噪声去除、插值和航迹分割大型船舶航迹数据,实现轨迹空间并行聚类,采用遗传算法简化航迹数据,得到多个块区域的点集合数据,并窗口化处理块区域,识别航迹通道边界,完成船舶航迹数据的精确采集。实验结果表明,所提方法的信息更新速度较快,能够有效提高采集精确度,满足船舶航行轨迹采集要求。     

基于图像处理技术的船舶航行轨迹分析与应用系统设计

近年来,海上贸易不断发展,港口和海上航线的船舶密集程度不断提高,海上交通事故频繁发生。海上交通监管部门为了改善海上交通,降低海上交通事故发生的概率,投入大量的精力研发海域内船舶的导航与航行轨迹分析等技术。船舶的航行轨迹数据分析有助于对船舶的航迹进行预测,检测出海域内船舶的航迹偏离等问题,提高船舶航行的安全性。本文重点研究了海上航迹的图像处理技术和卡尔曼滤波技术,并基于图像处理技术实现了船舶航行轨迹的分析和预测,对改善海上交通,降低海上碰撞事故发生的概率有重要意义。     

无人船舶避碰障碍物智能自动识别方法

传统无人船舶避碰障碍物识别方法,受到方法中识别危险系数判定基数过小的影响,在避碰障碍物识别过程中,无法在有效安全距离下瞬态识别障碍物,造成避碰全局输出准确率与效率降低。为了解决无人船舶识别危险基数过小的问题,提出无人船舶避碰障碍物智能自动识别方法。首先采用智能危险判定算法,对船舶与障碍物之间的距离进行危险系数判定计算;然后根据判定危险系数数据,重构会遇状态模型。通过模型得到算法对障碍物的识别信息;最后通过神经遗传算法,对障碍物分布信息进行避碰数据的识别转换,从而实现优化识别运算场景,提升识别方法识别准确率与输出效率。通过在同一场景下不同识别方法的对比数据表明:提出的识别方法更适合无人船舶的避碰障碍物识别计算,能够有效将障碍物识别准确率控制在97.43%。同时,提升全局输出效率25%以上。     

融合主成分分析与支持向量机的船舶异常行为识别方法

为解决船舶异常行为识别率低下的问题，综合考虑船舶属性和运动特征，提出了一种融合主成分分析和支持向量机的船舶异常行为识别方法。根据船舶作业过程对船舶行为模式进行划分，并明确船舶行为模式相关的船舶运动特征；进而以船舶自动识别系统数据为基础，运用主成分分析算法提取最具代表性的船舶运动特征；最后运用支持向量机算法对船舶异常行为进行识别。选取青岛港附近水域的船舶轨迹进行试验分析，结果表明：青岛港附近水域最具代表性的船舶运动特征共10个，总贡献率为84.40%;船舶异常行为识别结果的平均精确率和平均召回率分别为83%和84%,均优于对比模型。研究成果可以为船舶位置异常、轨迹异常、航速异常、航向异常等异常情况的智能发现和海事监管提供支撑。     

密度聚类方法在船舶航迹图谱挖掘中的应用研究

研究密度聚类方法在船舶航迹图谱挖掘中的应用。针对航迹点密度不均匀的特性,给出一种改进的密度聚类方法,即结合分类的基于弥散度的聚类算法。该方法采用弥散度作为相对密度的度量标准,根据其动态分布来确定核心点与边缘点,并使用KNN核密度估计方法对边缘集合分类。实验结果表明,本文所使用的密度聚类方法能够对船舶航迹进行有效聚类。     

利用AIS数据挖掘生成船舶航迹点方法研究

由于船舶航行受海上环境的影响而产生航迹误差,为了准确控制船舶航行轨迹,提出利用AIS数据挖掘生成船舶航迹点方法研究。根据AIS数据挖掘算法,提取船舶航行轨迹点数据特征,利用船舶航行轨迹点数据库中航行线路设置信息与目标对象运动信息之间的相似性,挖掘出船舶航迹动力定位数据,将AIS数据挖掘算法映射到船舶海上航行领域中,提取出AIS船舶位置采集点,通过设定阈值得到船舶航行转向点,将所有转向点连接成线,初步生成船舶航行轨迹点,利用船舶轨迹点生成流程,实现船舶航行轨迹点的生成。实验结果表明,基于AIS数据挖掘的船舶轨迹点生成方法在精度和时间上,都可以准确控制船舶航行轨迹。