由于監(jiān)控設(shè)備視野有限、代價昂貴等問題,導(dǎo)致基于船舶圖像或視頻的船舶分類效果欠佳,改進船舶分類方法、提高船舶分類的準(zhǔn)確率迫在眉睫。近幾年,隨著各類軌跡數(shù)據(jù)采集系統(tǒng)的興起,通過船舶航行軌跡數(shù)據(jù)實現(xiàn)船舶類型的分類逐漸成為可能。針對使用傳統(tǒng)二維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)對船舶軌跡分類存在特征壓縮和時序特征表達能力匱乏的問題,文中提出了一種一維CNN(One-Dimensional CNN,1DCNN)與長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)相結(jié)合的混合分類模型,對采集到的船舶自動識別系統(tǒng)(Automatic Identification System,AIS)數(shù)據(jù)進行船舶類型識別。首先,針對AIS采集到的船舶軌跡數(shù)據(jù)進行預(yù)處理,過濾噪聲數(shù)據(jù);然后,針對隱含在船舶軌跡信息中的特征對于1DCNN而言過于隱晦的問題,提出了一種針對大規(guī)模航舶軌跡數(shù)據(jù)的,且1DCNN能夠識別的軌跡分布特征向量的構(gòu)建算法,同時在此基礎(chǔ)上提取了LSTM能夠識別的時序特征向量;最后,將訓(xùn)練后的1DCNN模型與LSTM模型進行數(shù)據(jù)融合得到混...

【文章頁數(shù)】：10 頁

【文章目錄】：
1 引言
2 相關(guān)工作
3 并行化軌跡的預(yù)處理和特征向量提取算法
    3.1 船舶AIS軌跡數(shù)據(jù)的預(yù)處理
        (1)數(shù)據(jù)分割:
        (2)Map階段:
        (3) Reduce階段:
        (4)將預(yù)處理后的數(shù)據(jù)按照mmsi保存在不同的文件中,包括mmsi,utc,lon,lat4個字段。
    3.2 船舶軌跡數(shù)據(jù)的分布特征向量及其構(gòu)建
    3.3 船舶軌跡數(shù)據(jù)的時序特征向量及其構(gòu)建
    3.4 基于MapReduce的分布特征向量提取算法和時序特征向量提取算法
        3.4.1 分布特征向量構(gòu)建算法
        3.4.2 時序特征向量構(gòu)建算法
4 基于1DCNN-LSTM的船舶分類模型
    4.1 1DCNN和LSTM網(wǎng)絡(luò)適用性分析
    4.2 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.1 1DCNN網(wǎng)絡(luò)結(jié)構(gòu)及其參數(shù)設(shè)計
            (1)輸入層:
            (2)卷積層:
            (3)全連接層:
        4.2.2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)及其參數(shù)設(shè)計
            (1)輸入層:
            (2)LSTM層:
            (3)全連接層:
        4.2.3 基于1DCNN-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計和數(shù)據(jù)融合
5 實驗分析
    5.1 實驗環(huán)境和數(shù)據(jù)集
    5.2 實驗設(shè)置
        5.2.1 評價標(biāo)準(zhǔn)
        5.2.2 網(wǎng)絡(luò)參數(shù)選擇
            (1)IDCNN參數(shù)的選擇
            (2)LSTM參數(shù)的選擇
        5.2.3 對比方法
    5.3 實驗結(jié)果
    5.4 對比實驗
結(jié)束語



本文編號：3919497