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。     

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。     

基于模式识别的船舶异常行为自动报警方法

不能自行判断船舶异常行为,并根据判断结果完成自动报警,是现阶段船舶航行面临的主要问题。为有效解决此问题,建立基于模式识别的船舶异常行为自动报警方法。通过识别相似度的确定、与船舶异常行为关系的确定,完成基于模式识别研究角度的确定。通过船舶异常行为聚类、聚类异常行为识别,完成上述方法的搭建,并确定该方法是否可以完成自动报警。设计对比实验结果表明,应用该方法后,节省检测船舶异常行为所需人力资源,且提升识别准确性。     

灰色模型的船舶物联网异常行为实时检测

当前船舶网络异常行为检测逐渐成为航海领域研究的重点问题之一,为了更好保障船舶航行效果,避免航行过程中信息传输和处理的干扰问题,对灰色模型的船舶物联网异常行为实时检测方法进行优化,基于传统实时检测过程中,数据量较大、处理效果不佳、准确率低等问题,结合灰色模型,对船舶网络信息特征行为进行采集和去噪处理,实现对船舶异常行为信息的有效分类和传输,以提高船舶网络异常行为实时检测的准确性和有效性。最后通过实验证实,灰色模型的船舶物联网异常行为实时检测方法在实际应用过程中,处理效果明显更好,且准确性也得到明显提高,充分满足研究要求。     

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。     

船舶移动网络大数据异常数据优化识别研究

异常数据对船舶移动网络通信产生干扰,而当前船舶移动网络的异常数据优化方法的效果差,无法满足船舶移动网络通信要求,为此设计了一种基于大数据分析技术的船舶移动网络异常数据优化识别方法。首先分析当前船舶移动网络异常数据优化研究方法,指出它们各自存在的缺陷,然后引入大数据分析技术对船舶移动网络异常数据进行优化和识别,最后进行船舶移动网络异常数据优化识别的实例分析,结果表明,本文方法可以描述船舶移动网络异常数据变化特点,提高船舶移动网络异常数据识别的正确率,而且船舶移动网络异常数据识别时间要短于其它方法,获得了令人满意的船舶移动网络异常数据识别结果。     

基于数据挖掘的船舶异常行为检测研究

通过对船舶异常行为检测,提高对船舶的实时监测和模式识别能力,提出一种基于数据挖掘的船舶异常行为检测方法。采用并行分列式数据架构模型构建船舶行为特征分布数据库,提取数据库中的关联规则特征量,采用自相关匹配滤波检测方法进行船舶异常行为特征点的提取,实现船舶异常工况下的行为特征数据挖掘,实现船舶异常行为检测优化。仿真结果表明,采用该方法进行船舶异常行为检测的准确概率较高,数据挖掘的分类性较好,虚警较低,在船舶异常监测和状态分析中具有很好的应用价值。     

Visual analysis semantic label method based on navigation logic division北大核心CSCD

[目的]旨在探索处理内河实船数据、提高其可理解性和辅助研究识别船舶行为的新方法。[方法]通过构建航行逻辑层级和划分时序数据获得船舶行为的语义标签,设计航行逻辑可视化分析系统,将船舶航行状态与数据可视化相结合,辅助分析数据及研究船舶行为特征。最后,依托数字航道,选择船舶行为复杂的内河航道工作船的数据进行实例检验,利用所提系统分析异常数据并研究船舶行为。[结果]通过航行逻辑的交互可视化,可有效确定无规律的位置跳动异常数据产生的原因及特点,帮助进行异常数据处理,并经过定性分析特征和定量分析阈值,划分出了靠泊与直航状态数据,进一步丰富了船舶行为语义标签。[结论]结合船舶行为语义标签设计的可视化分析系统,通过人机自由交互,提高了数据的可理解性,可辅助异常数据分析处理及船舶行为研究,为数据分析人员提供研究工具。     

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。     

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。     

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。     

基于无线局域网的船舶异常数据自动识别系统

船舶异常数据识别系统可以帮助管理人员了解当前船舶安全状态。为提高船舶异常数据识别结果,构建基于无线局域网的船舶异常数据识别系统。首先分析船舶异常数据识别的原理,提出当前船舶异常数据识别系统存在的局限性,然后通过无线局域网收集船舶异常数据,并对船舶异常数据识别进行相应的处理,最后构建船舶异常数据识别模型,并应用于船舶异常数据识别系统中。测试结果表明,本文系统的船舶异常数据识别正确率,误识率、漏识率均远远小于当前其他船舶异常数据识别系统,可以保证船舶的正常工作。     

船舶电子装备项目研制过程识别及分类研究

船舶电子装备是船舶竞争力的重要组成部分,由于船舶电子装备研制过程繁琐、探索性强且投入成本高,因此研制过程中需要严格的质量管控。开展质量管控的重要基础就是要对质量过程进行充分识别并梳理其相互工作关系,寻找适当的质量过程识别与分类方法就变得尤为重要。本文针对这一问题,在分析船舶电子装备的研制特点的基础上提出了一种基于四阶八步的研制过程识别方法,并在此基础上提出了过程分类的基本框架,最后结合某船舶电子装备研制项目进行了过程识别与分类研究,验证识别与分类方法的操作可行性。     

船舶无线传感网络安全态势异常检测方法

为了更好保障船舶航行安全,避免船舶航行过程中常见的无线传感网络异常导致的船舶航行过程中信号网络信息处理效果不佳的问题,对船舶无线传感网络安全态势异常检测方法进行研究。通过对无线传感网络安全信息进行采集分类,实现对船舶网络信号特征的实时检测和提取。根据检测结果进行无线传感网络安全异常数据的修正,提高船舶网络运行安全。实验证实,船舶无线传感网络安全态势异常检测方法在实际应用过程中具有更高的准确性,可以更好实现对复杂船舶网络数据异常区域进行快速检测和修正的研究目标,从而更好地提高船舶航行安全效果。     

舰船物联网异常入侵行为的识别研究

舰船物联网异常入侵行为复杂多变,当前方法存在舰船物联网异常入侵行为误识率高等不足,为了改善舰船物联网异常入侵行为识别效果,设计了基于证据理论的舰船物联网异常入侵行为方法。首先采用多个单一方法对物联网异常入侵行为进行识别,每一个识别结果作为一种证据,然后采用证据理论对单一方法的物联网异常入侵行为识别结果进行融合,最后对物联网异常入侵行为识别效果进行测试。本文方法能够对物联网异常入侵行为进行准确识别,降低了物联网异常入侵行为的误识率,验证了本文方法用于物联网异常入侵行为识别的有效性。     

船舶电气绝缘检查及缺陷处理方法优化研究

针对传统船舶电气绝缘检查方法存在单侧极上集中侵限绝缘检测识别度低的问题,提出船舶电气绝缘检查及缺陷处理方法优化研究。首先,对船舶电气电路进行检测结构的建立;确定检测结构后,进行检查策略参量的设定,通过设定参量找出缺陷参量;最后,对问题参量进行优化计算,完成对检测方法缺陷的优化计算。为了确认提出方法的可行性,设计一组仿真实验来对提出的设计方法进行验证,通过对比数据证明优化方法能够有效解决传统方法在电气单侧极集中侵限绝缘检测识别上存在的缺陷问题。     

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。     

使用数据挖掘实现舰船故障数据定位

为了更好地保障船舶航行安全,有效提高船舶的故障定位和检测能力,提出了使用数据挖掘实现舰船故障数据定位方法,通过对舰船故障数据进行实时采集和分类挖掘获取船舶航行过程中的异常数据,实现对船舶故障数据关联规则特征的准确提取。在进行故障定位的过程中,合理并利用电磁探测器和声敏传感器等设备进行故障诊断,并对不同类别船舶故障数据的高维特征融合的研究采用数据挖掘分析算法,利用数据挖掘分类器对船舶故障数据进行分类识别和定位挖掘,从而有效保障船舶故障数据定位的精确度和有效性。最后通过实验结果表明,使用数据挖掘实现舰船故障数据定位方法具有较高的故障定位精度。可以应用于船舶故障实时诊断,有效提高船舶故障诊断的实时性。     

基于K-Means和XG-Boost算法的“两步式”船型分类映射

由于当前的船舶分类较为单一,不同类型船舶的尺度和航行油耗等特征参数存在很大差异,采用相同的油耗标准衡量不同类型船舶的油耗会产生很大偏差。为有效解决该问题,以某公司的干散货船、集装箱船和油船为研究对象,提出一种“两步式”船型分类方法。采用K-Means算法对该公司内部船舶的9个属性进行分类,并基于肘部法则确定分类数量;根据得到的簇的数量,采用K-Means模型对船舶进行分类,并打上分类标签。针对该公司外部船舶属性数据缺失严重、数据质量较差的情况,基于上述分类标签,采用XG-Boost算法对该公司内部的船舶进行二次训练,使船舶分类模型具有处理数据缺失问题和提供分类概率的能力。实际应用结果表明,该“两步式”船型分类方法能对公司内外船舶能耗表现一致的船舶进行合理分类,并建立公司内外船舶的映射关系。     

图像处理在船舶目标分类中的应用研究

随着我国航运业的快速发展,航运交通安全问题也成为管理者关注的重点。船舶交通管理系统得到发展和广泛使用。虽然雷达、自动识别系统(AIS)、全球定位系统(GPS)等辅助技术在VTS系统中得到运用,但这些技术在船舶分类识别等方面存在一定局限性。本文对图像处理技术在VTS系统中船舶分类应用的可行性进行研究,提出一种基于模板匹配和神经网络的船舶分类的算法模型,尝试通过该算法模型解决现有VTS系统存在的一些不足,同时进行仿真实验并给出仿真结果。