基于物联网技术的舰船运行轨迹异常点识别

针对传统舰船运行轨迹异常点识别方法存在运行轨迹检测性能较差的问题,提出一种基于物联网技术的舰船运行轨迹异常点识别方法,获取舰船自动识别系统中的舰船运行轨迹数据,在舰船自动识别系统中,舰船运行轨迹数据的存放形式是日志文件,因此对系统中的日志文件进行挖掘,基于物联网技术对挖掘数据实施预处理,通过StopT-CB算法划分舰船运行轨迹以剔除停留点,便于进行异常点的识别,通过网格划分实现舰船运行轨迹的异常点识别。为了证明基于物联网技术的舰船运行轨迹异常点识别方法的运行轨迹检测性能更好,将传统舰船运行轨迹异常点识别方法与该方法进行对比实验,实验结果证明该方法的运行轨迹检测性能优于传统方法。     

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。     

面向船舶避碰的异常轨迹点数据动态挖掘方法

船舶在避碰状态下开展异常轨迹点数据动态挖掘时,若不能及时了解避碰危险等级,会降低船舶异常轨迹点数据挖掘的挖掘性能。为提升异常轨迹点数据动态挖掘精度,提出面向船舶避碰的异常轨迹点数据动态挖掘方法。首先对船舶航行避碰危险程度展开具体分析,并根据分析结果采集船舶异常轨迹点数据,通过小波去噪算法完成船舶异常轨迹点数据的去噪处理。再进行数据去噪处理,提取轨迹点船舶的各项参数特征,结合长短期记忆网络构建船舶异常轨迹点的数据动态挖掘模型。最后将提取的特征向量实施变异赋值,将其赋值结果作为模型输入值输入模型中。根据模型输出实现船舶避碰情况下,异常轨迹点数据的动态挖掘。实验结果表明,使用该方法开展船舶异常轨迹点数据动态挖掘时,挖掘性能较高,挖掘效果好。     

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。     

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。     

不稳定条件下船舶遥感图像层次特征识别分析

传统遥感图像特征识别方法,在不稳定条件下无法准确对图像中的层次信息进行特征识别及分析处理。因此,提出不稳定条件下船舶遥感图像层次特征识别方法。通过对遥感图像进行特征干扰源提取计算,使图像层次变得清晰;引入卷积神经网络算法对图像层次特征进行网络化特征提取计算;采用像素特征识别方法对图像层次特征进行识别与分析;最后,通过实验对设计方法进行可行性的客观论证。     

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。     

基于机器视觉的大规模船舶航行数据自适应识别方法

传统船舶航行数据识别方法,存在瞬态识别数据规模局限性大,超规模阈值下的数据识别准确率过低的问题。在当前船舶航行数据处理规模下,无法高效准确完成船舶航行数据的处理任务。为了在根源解决上述问题,引入机器视觉技术,提出基于机器视觉的大规模船舶航行数据自适应识别方法。首先基于机器视觉技术,对航行数据的识别标准进行定义,同时完成对相关不符识别量进行修正;接着对全局航行数据对应的轨迹信息进行机器视觉结构处理;最后完成对数据的自适应识别计算。通过与传统方法的多组航行数据模拟测试发现,采用提出识别方法的航行数据识别结果,相较传统识别方法具有识别速度快、准确率高、数据规模自适应性强的特点。     

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。     

基于计算机大数据的船舶视频图像类型辨识分析

传统船舶视频图像类型识别算法在图像类型识别计算过程中,存在视频图像高频尺度空间像素子带系数计算精度较低,导致图像画面差异辨识度降低,无法高精度对比图像特征参量的问题。因此,提出计算机大数据船舶视频图像类型辩识分析。通过神经网络算法,建立视频图像特征的神经网络模型;根据特征模型推导建立辨识模型。在辨识模型的基础上,通过导入大数据高频子带尺度算法,对图像特征尺度空间内的高频子带系数进行优化计算,从而提升视频图像类型的辨识精度。通过实验数据对比表明:提出的视频图像辨识算法,能够有效改善图像类型识别环境,提升图像类型辨识精度,解决了传统辨识算法辨识精度低的问题。