数据驱动的船舶异常行为识别方法

为对不同环境影响因素下的船舶异常行为进行有效识别,提出一种综合考虑船舶位置和船舶航行状态的多角度船舶异常行为识别方法。将船舶航行状态分为停留、直行和转向等3类,对网格化水域内的船舶航行状态进行统计,获得船舶正常航行状态的区域分布情况;利用核密度估计算法对船舶位置特征进行提取,获得正常航行位置的区域分布;利用正常船舶航行状态和船舶位置分布情况对船舶异常行为进行识别。选取曹妃甸水域的船舶轨迹数据,用以验证异常行为识别模型的检验效果。试验结果表明：船舶位置异常识别取决于阈值的设定,宽松的阈值识别的异常位置包含船舶较少的航线轨迹,严格的阈值识别的异常位置反映船舶的危险行为;在船舶航行状态异常识别中,该方法可以对航向大幅度波动和航速剧烈变化的船舶异常航行行为状态进行有效的识别。     

基于物联网的船舶异常数据自动识别系统研究

物联网在船舶数据检测领域的应用日益广泛,基于物联网构建起船舶异常数据自动识别系统,可提升异常数据自动识别的性能指标,实现对船舶异常行为的实时监控。在船舶异常数据自动识别中,物联网技术是实现数据传输和共享的关键技术,并能够及时根据识别结果发出报警,以便于船舶快速做出防范决策,保证船舶航行的安全性。本文介绍了基于物联网的船舶异常数据自动识别系统在国内外的研究现状,提出运用主成分分析法和支持向量机算法构建船舶异常数据自动识别模型,并论述了异常数据自动识别系统的设计与实现。     

支持向量机改进算法在船舶桨叶数分类中的应用

利用船舶目标辐射噪声DEMON谱特征,采用支持向量机改进算法,实现了对船舶螺旋桨桨叶数的分类识别应用研究。针对支持向量机算法对噪声比较敏感和求解最优分类面时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏特性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数2方面进行改进,构造齐次决策二阶损失函数径向基支持向量机改进算法,进行理论分析、数据仿真实验,并应用于利用船舶目标辐射噪声DEMON谱进行船舶螺旋桨桨叶数的分类识别实验。结果表明,该改进算法实现了支持向量机在二次规划中的最小约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,适用于利用船舶目标辐射噪声DENOM进行船舶螺旋桨桨叶数分类应用。     

基于反地理编码服务的内河船舶轨迹停留语义信息提取

由于内河水域电子航道图在完整性和及时性方面的不足，传统依赖电子航道图的船舶轨迹停留点挖掘方法在准确率和效率方面受到限制。在线地图资源蕴含着大量的地理空间语义信息，能为船舶活动轨迹提供丰富的地理关联解译。综合利用互联网中的地图数据服务，提出一种基于反地理编码的内河船舶轨迹停留语义信息提取方法。识别船舶在港口、码头等区域的轨迹停留段，提取每段的停留中心点；利用在线地图的反地理编码服务获取停留中心匹配的区域集合，计算每个区域的船舶停留特征；基于关键字对多个区域进行融合，生成船舶轨迹的停留语义信息。利用2018年7月—2018年8月长江区域船舶的真实轨迹数据进行试验，结果表明：该算法能有效地提取船舶轨迹的停留语义信息，平均准确率达到94%以上。     

支持向量机算法在船舶网络入侵检测中的应用

入侵行为严重威胁船舶网络安全,对其入侵检测进行研究具有重要的意义,针对当前船舶网络入侵检测存在精度低、错误率高等不足,设计了一种支持向量机算法的船舶网络入侵检测模型。首先分析船舶网络入侵原理,并且提取船舶网络入侵检测特征,然后采用支持向量机算法根据入侵检测特征建立船舶网络入侵检测分类器,并引入和声搜索算法对船舶网络入侵检测分类器的参数进行优化,最后以某一个船舶网络入侵检测数据为例进行了验证性测试。支持向量机算法克服了当前船舶网络入侵检测模型的局限性,入侵检测精度超过90%,减少了入侵检测错误,检测效果要优于当前其他船舶网络入侵检测模型,是一种有效的船舶网络入侵检测模型。     

改进蚁群算法的船舶软件系统可靠性评价

船舶软件系统可靠性是评价软件系统生命周期的一个重要指标,支持向量机在船舶软件系统可靠性评价中存在的参数优化难题,使得船舶软件系统可靠性评价错误率大。以减少船舶软件系统可靠性评价错误率为目标,提出改进蚁群算法的船舶软件系统可靠性评价方法。首先分析当前船舶软件系统可靠性评价国内外研究状态,指出了参数对船舶软件系统可靠性评价结果的影响程度,然后采用改进蚁群算法对支持向量机的参数进行估计,并应用于船舶软件系统可靠性评价的建模中,最后与传统支持向量机的船舶软件系统可靠性评价方法进行对比分析。结果显示本文算法的船舶软件系统可靠性评价错误率大约为5%,而传统支持向量机误率大约为10%左右,本文算法的船舶软件系统可靠性评价可信度更高。     

AIS数据中单船操纵模式辨识

针对当前船舶运动数据的特征过于简单、无法反映单船操纵行为、导致可检测的船舶异常行为类型受限的问题,根据船舶操纵规律和运动学约束条件,利用轨迹中的3个点构建船舶操纵模式模型,提出一种从船舶自动识别系统(Automatic Identification System,AIS)数据中自动辨识单船操纵模式的方法。实际AIS轨迹试验结果表明,该方法能自动提取停留、匀速运动、加速、减速、小幅度左转、小幅度右转、大幅度左转和大幅度右转等8种船舶操纵行为模式,提取出的操纵行为与实际操船意图相符。此外,该方法能有效识别出需重点关注的机动行为,从而为进一步检测船舶异常行为和分析驾驶员行为奠定基础。     

深度学习算法的船舶通信网络非法入侵行为识别研究

非法入侵严重影响船舶通信网络安全运行,船舶通信网络非法入侵行为具有很强的变异行为,导致当前船舶通信网络非法入侵行为的识别效果差。为了对各种船舶通信网络非法入侵行为进行准确性识别,提出深度学习算法的船舶通信网络非法入侵行为识别技术。该技术将船舶通信网络非法入侵行为识别看作是一个模式分类问题,将非法入侵行为划分多种类型,然后提取各种船舶通信网络非法入侵行为的变化特征,采用深度学习算法对变化特征和船舶通信网络非法入侵行为类型之间的联系进行分析,以区别各种船舶通信网络非法入侵行为,最后选择有代表性的船舶通信网络非法入侵行为进行了性能测试。结果表明,深度学习算法的船舶通信网络非法入侵行为识别率高于95%,非法入侵行为识别时间控制在2 s以内,可以满足现代船舶通信网络通信安全的需要。     

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。     

船舶通信网络异常数据自动检测和剔除方法

为提高船舶通信网络异常数据自动检测精度,并全面剔除船舶通信网络异常数据,研究新的船舶通信网络异常数据自动检测和剔除方法。利用基于改进支持向量机的网络异常数据自动检测方法,由改进粒子群优化算法,寻优设置支持向量机的惩罚项、核函数的预定义参数,训练性能合格的支持向量机后,以船舶通信网络数据分类的方式,自动检测船舶通信网络异常数据;将异常数据使用基于自适应级联陷波器的异常数据剔除方法,通过自适应级联陷波器,以异常数据滤波的方式,剔除船舶通信网络异常数据。研究结果显示,使用所提方法,船舶通信网络异常数据自动检测结果符合实际数目,可有效去除船舶通信网络异常数据。     

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。     

船舶导航轨迹识别中智能算法研究

以船舶导航作为研究对象,对船舶导航航行轨迹识别方法进行研究,给出一种智能航迹识别算法。在该算法中,首先通过聚类算法进行航迹图谱的挖掘,得到历史航迹图谱,然后根据航迹图谱,利用卡尔曼滤波方法对航迹异常行为进行识别与预测。实验结果表明,本文给出的船舶导航轨迹智能识别方法具有较好的识别效果。     

多种代数特征抽取方法下的图像分类算法研究

文中分别用主成分分析、独立成分分析以及线性鉴别分析方法对图像进行特征抽取,同时采用K近邻算法和支持向量机算法进行人脸图像分类.通过在YALE人脸图像库上实验,结果表明:多种特征抽取方法下的图像分类算法是有效的.     

基于轨迹段DBSCAN的船舶轨迹聚类算法

船舶自动识别系统(Automatic Identification System, AIS)数据中蕴藏着大量的海上交通特征,为挖掘AIS数据中有关船舶运动规律有效的、潜在的信息,提出一种改进型轨迹段DBSCAN(Density-Based Spatitcal Clustering of Applications with Noise)的聚类算法。船位转向角和航速变化量作为信息度量对船舶轨迹进行分段,采用离散Frechet距离作为轨迹相似度度量,利用类似DBSCAN算法对轨迹段进行聚类,得出船舶运动典型轨迹。以天津港为例,采用改进的轨迹段DBSCAN算法对船舶轨迹进行聚类,能从一定程度上提高聚类的效果和准确率,为进一步研究船舶异常行为打下基础。     

基于SVM-BP集成学习的舰船蒸汽动力系统故障诊断

传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。     

基于支持向量机的船舶操纵运动在线建模

支持向量机算法以结构风险最小化为准则,具有良好的泛化性,是一种先进的人工智能算法。文章根据最小二乘支持向量机对其增量式算法进行推导,并应用该算法对船舶操纵运动进行在线建模。通过仿真试验对粘性力和舵力水动力导数进行在线辨识,通过自航模试验对操纵性K、T指数进行在线辨识,并利用K、T指数对自航模的转首角速度进行了预报,所得结果都同试验值非常接近,证明了增量式最小二乘支持向量机应用于船舶操纵运动在线建模的有效性。     

基于加权朴素贝叶斯的船舶轨迹分类算法

为实现船舶自动识别系统(Automatic Identification System,AIS)轨迹数据快速分类,提出一种基于加权朴素贝叶斯的船舶轨迹分类算法。通过船舶AIS数据预处理和轨迹特征分析,设计加权的朴素贝叶斯分类器,利用AIS数据进行训练;采用有监督的分类方法提高分类效率,提出基于特征连续值的加权方法,构建船舶AIS分类加权最优特征集合,提高轨迹分类的准确率和速度。以长江中游武汉河段为例,进行试验验证。结果表明:AIS动态信息是重要的轨迹特征,提出的朴素贝叶斯船舶轨迹分类算法准确率达99.05%,相比未加权和其他常用分类算法表现更优;研究成果可应用于船舶异常轨迹识别和船舶航行风险分析等领域中。     

基于AIS信息的船舶轨迹聚类模型及应用

为获得船舶典型的运动模型,及时发现船舶异常轨迹并对其进行有效监控和管理,进而实现海上智能交通,基于船载AIS蕴藏着大量的海上交通特征的特点,从中获取能够反映船舶行为规律的有效的、潜在的信息。根据海上交通工程理论和数据挖掘技术,利用AIS信息并结合轨迹聚类算法,完成对已有轨迹的聚类,从中获取船舶典型的运动轨迹。以厦门港主航道及闽台直航船为实例,通过构建相应的AIS数据库并对船舶轨迹进行聚类结果展示,获得该海域船舶典型的运动轨迹。     

一种分解策略的船舶横摇运动姿态在线预报方法

为了解决单一预报模型对复杂的船舶横摇运动姿态时间序列建模预报困难以及支持向量机预报方法离线训练导致实时性差的问题,文中提出一种分解域船舶运动姿态在线预报方法。采用经验模式分解法对时序的不同特征信息进行分解;应用游程法将分量重构为高、中、低频三个分量;针对每个分量建立在线最小二乘支持向量机预报模型,对各分量的预报结果累加得出最终预报值。对某船横摇角时序进行了预报,结果表明,所提方法预报10s的相对均方误差在13%以内,相比于支持向量机预报模型,该模型能够有效提高预报精度和效率。     

线性预测编码和支持向量机在目标识别中的应用

针对利用船舶辐射噪声进行水下目标识别的问题进行研究,提出一种基于线性预测编码(LPC)倒谱系数和支持向量机(SVM)的船舶目标识别方法。该方法通过对捕获到船舶辐射噪声进行LPC倒谱分析,实现各信号分量及信道的分离,以提取其LPC倒谱参数。再采用支持向量机技术处理多类水下目标的非线性、小样本的识别分类。最后,利用仿真得到的几种水下目标辐射噪声进行本文算法试验,证明本文算法是有效的,并取得较高的识别准确率。