基于机器学习算法的船舶电气故障分类与诊断方法

为实现船舶电气故障的早发现、早解决,设计基于机器学习算法的船舶电气故障分类与诊断方法。采用Trager能量算子增强传感器采集到的船舶电气设备振动信号,利用小波包分析方法提取增强后的电气设备振动信号特征,将电气设备振动信号特征输入卷积神经网络中进行训练,得出最佳的故障分类与诊断模型,并利用该模型实现船舶电气设备的故障分类与诊断。实验表明：采用Teager能量算子可以快速准确地将传感器采集的信号放大,且放大过程没有信息损失。训练后卷积神经网络的故障分类与诊断正确率接近100%,可能够准确诊断出船舶电气设备是否存在故障,并获取对应的电气故障类型。     

基于神经网络特征提取的SSA-SVM船舶目标识别方法

运用神经网络图像特征提取联合SSA-SVM分类算法,对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像,以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征,获得4种船舶类型、共5 505 024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法,在种群寻优下获得最佳识别参数,经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明,相比于深度学习的大数据集驱动识别算法,使用AlexNet特征提取的SSASVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别,识别准确率为88.87%、训练时长为1 856 s,满足实用需求,为水上监管提供了可靠的技术支持。     

改进ViBe算法及其在运动船舶目标检测中的应用

为了抑制ViBe算法在海面动态背景视频下“鬼影”区域对船舶运动目标检测的影响,提高监控视频中船舶运动目标识别的准确率,提出一种改进的ViBe算法。首先,背景模型用连续帧初始化,以减少“鬼影”的影响;然后,使用自适应阈值和闪烁级别来减少海面杂波,同时采用像素点对比消除“鬼影”,提取运动目标前景,获取完整的运动目标区域。最后,对输入视频进行高斯金字塔多尺度分解,并采用改进的ViBe算法检测低分辨率视频中的移动船舶,完整提取了海上移动船舶。实验结果表明,所改进的算法消除了“鬼影”区域,减少了海面杂波的干扰,检测率为92.5%,单帧视频图像检测时间控制在97 ms以内,可准确、快速地检测和提取海面船舶运动目标。     

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。     

云计算平台在海上大数据挖掘模式中的应用研究

随着海上船舶信息处理平台所需处理的数据量越来越大,传统基于串行数据结构的数据挖掘算法只能针对某一类型的小规模数据,对海量且种类不一信息的处理效率已经越来越不能满足现代船舶电子信息系统的性能要求。云计算平台可以对海量信息进行分类,并将分类后的数据在分布的计算节点进行统一调度。本文研究了基于云计算平台的海量数据挖掘模型,并将数据挖掘模型中的分类算法与云计算进行有效结合,提高了海上大数据挖据的运行效率。     

深度学习船舶分类技术研究

为了提高船舶分类正确率,针对当前船舶分类方法存在的精度低、误差大等缺陷,提出基于深度学习的船舶分类方法。首先对船舶分类图像进行采集,并提取多个船舶分类特征,组成船舶分类的特征向量集,然后将特征向量集作为深度学习算法的输入,船舶类型作为深度学习算法的输出进行学习,建立船舶分类模型,最后进行船舶分类的仿真实验,结果表明,深度学习算法的船舶分类正确率超过90%,不仅可以很好地描述船舶类型,而且船舶分类的速度也很快,可以应用于日常船舶分类管理工作。     

改进K-means算法的船舶密集区域识别模型研究与VTS应用

船舶交通管理(VTS)对覆盖区域内的船舶密集区域进行有效识别,并对区域内的船舶实施远程预警,可以提升通航效率,减少海上险情事故.通过改进K-means聚类算法建立海上船舶密集区域识别模型,并设计VTS船舶密集区预警系统,结合AIS数据实验模拟,该算法对船舶密集区域的识别是有效且可行的.     

基于聚类分析算法的船舶障碍物自动识别系统

由于船舶在海上航行时,受到海上信号强度的影响,使得障碍物识别系统响应速度变慢,识别精度降低,因此采用聚类分析算法对船舶障碍物进行自动识别。在分析船舶障碍物自动识别系统结构的基础上,设计系统的整体结构,并结合船舶障碍物信号处理器的内部结构,设计了船舶障碍物信号处理器,完成了系统的硬件设计。在此基础上,采用聚类分析算法提取障碍物识别算子,完成了对船舶障碍物完整性的判断,结合船舶障碍物识别流程,完成系统的软件设计,实现了对船舶障碍物的自动识别。试验结果表明,基于聚类分析算法的船舶障碍物自动识别系统不仅能有效地减少海上航行船舶的碰撞次数,降低系统的失误率,而且能提高识别的准确性。     

SOA构架下的海上船舶状态实时监测算法设计

针对当前海上船舶状态实时监测算法存在的检测准确度低,无法对船舶状态进行准确分析问题,提出一种基于多层神经网络的SOA构架下的海上船舶状态实时监测算法,根据算法的需求建立SOA构架下的海上船舶状态实时监测数学模型,利用中值滤波器通过Haar小波变换通过采样、分解、信号处理以及重构过程对采集的信号进行去噪,保证海上船舶状态监测的准确性。在此基础上,为保证海上船舶状态监控的实时性,利用多层神经网络算法建立权值矩阵,确定监测数据的采样规则,从而完成SOA构架下的海上船舶状态实时监测算法。实验结果表明,所提算法能够及时对海上船舶状态数据进行采集,且检测的准确度较高。     

基于ISM的海上船舶通航安全影响因素分析

为降低海上船舶通航过程安全风险,采用解释结构模型方法,对海上船舶通航安全影响因素进行分析,构建海上船舶通航安全影响因素解释结构模型,厘清各因素之间的相互关系,通过分析海上船舶通航安全影响因素的层次结构并提出相关建议,可为提升海上船舶通航安全提供一定参考。     

基于PCA与BP神经网络的危险化学品船舶识别

对危险化学品船舶进行识别有利于保障海上航道安全和维护海洋生态环境。本文通过PCA算法进行危险化学品船舶的特征提取,并且测试集和训练集样本都投影到特征空间中,利用BP神经网络进行分类识别。最后进行BP神经网络分类器中不同阈值和不同隐层数量的仿真实验。     

基于FCM-ANFIS模型的船舶交通流预测

提出一种基于模糊C均值聚类自适应神经模糊推理系统(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System,FCM-ANFIS)的船舶海上交通流预测模型,采用相关分析法预测网络模型的输入变量个数;采用模糊C均值聚类算法对仿真数据进行分析和模糊聚类,从而确定模型的聚类中心,进而建立ANFIS预测网络结构。该模型采用BP算法与最小二乘算法相结合的混合学习算法进行网络参数训练,可克服传统预报模型收敛速度慢和局部最优等问题,进而提高预报精度。同时,选用船舶自动识别系统(Automatic Identification System,AIS)记录的船舶交通流数据进行仿真预报,仿真结果验证了该模型的可行性和有效性,并取得良好的效果。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

海上无人驾驶技术中的数据融合应用技术

现有的海上无人驾驶船舶数据融合应用技术存在数据精度差、数据波动大的弊端,为了解决上述问题,提出海上无人驾驶船舶数据融合应用技术研究。AIS与雷达设备采集的船舶数据存在较大的差异,采用聚类方法与高斯-克吕格投影方法分别对数据的时间与空间进行校准,得到采集时间序列一致、表述一致的船舶数据,以此为基础,利用模糊数学算法对目标船舶的关联航迹数据进行求取,以关联航迹数据为依据采用加权融合算法对AIS与雷达数据权值进行分配,实现海上无人驾驶船舶数据的融合应用。通过性能测试得到,与现有的数据融合应用技术相比较,提出的海上无人驾驶船舶数据融合应用技术极大的提升了数据精度,降低了数据波动的幅值,说明本文方法的海上无人驾驶船舶数据融合应用技术具有更好的性能。     

基于深度学习的监控视频中船舶识别方法

针对当前监控视频中船舶识别成功率低、无法进行在线识别的难题,为了对监控视频中船舶进行准确识别,提出基于深度学习的监控视频中船舶识别方法。首先对监控视频中船舶识别原理进行分析,采集船舶识别的监控视频,将船舶识别从背景中分割,然后提取船舶识别的不变矩特征,将不变矩特征输入深度学习算法中进行训练,建立监控视频中船舶识别模型,最后进行了多个监控视频中船舶识别验证性实验。实验结果表明深度学习算法可以准确对监控视频中的船舶进行识别,提高了监控视频中船舶识别成功率,误识率急剧下降,远低于当前其它监控视频中船舶识别方法,实时性要也要高于其它识别方法,是一种速度快、结果可信的监控视频中船舶识别方法。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

关于加强散货船监管的几点认识

本文通过对散货船的营运现状及存在的安全隐患进行比较深入、全面的分析,发现散货船营运存在较高的事故风险,是海上安全的重大隐患。接着,从源头管理、船公司体系审核、船舶安全检查等方面阐述了加强散货船监督管理的几点思路。     

海上多目标侧向主动避碰算法研究

本文研究船舶海上制导系统,重点分析船舶海上路径规划设计方法以及船舶海上目标寻迹算法,同时给出船舶在海面上受到的载荷随时间变化情况;研究船舶海上多目标检测算法,并得出训练误差随迭代次数的变化曲线。最后对船舶海上多目标主动避碰系统进行仿真测试,分析导航角度和首航偏差角随时间变化情况。     

海上船舶交通流行为特征提取算法

水路运输在我国商品贸易和物流中占据着重要的地位,随着经济的发展,我国内河航运和海上运输船舶的数量不断创新高,为了加强内河航运和海上航运交通管理部门对于船舶的监管水平,提升航道内船舶的交通安全,研究船舶交通流行为特征具有非常重要的意义。本文分别从海上船舶交通流行为的基本特征和提取算法等方面入手,介绍海上船舶交通流行为特征提取系统的构成,阐述交通流行为特征提取的算法原理。     

云平台和分布式处理系统的船舶图像分类

在云平台和分布式处理系统中进行船舶图像分类,提高船舶的调度和识别能力,提出一种基于Harris角点检测和BP神经网络的船舶图像分类算法,在云平台和分布式系统下进行船舶图像采集,对采集的船舶图像进行二值化降噪处理,采用Harris角点检测技术提取船舶的分类标识性特征量,将提取的特征量输入到BP神经网络分类器中,实现云平台环境下的船舶图像分类。仿真结果表明,采用该方法进行船舶图像分类的准确性较高,抗类间干扰性较强。