發(fā)布時間：2021-01-16 15:36

　　物聯(lián)網(wǎng)在船舶數(shù)據(jù)檢測領(lǐng)域的應(yīng)用日益廣泛,基于物聯(lián)網(wǎng)構(gòu)建起船舶異常數(shù)據(jù)自動識別系統(tǒng),可提升異常數(shù)據(jù)自動識別的性能指標,實現(xiàn)對船舶異常行為的實時監(jiān)控。在船舶異常數(shù)據(jù)自動識別中,物聯(lián)網(wǎng)技術(shù)是實現(xiàn)數(shù)據(jù)傳輸和共享的關(guān)鍵技術(shù),并能夠及時根據(jù)識別結(jié)果發(fā)出報警,以便于船舶快速做出防范決策,保證船舶航行的安全性。本文介紹了基于物聯(lián)網(wǎng)的船舶異常數(shù)據(jù)自動識別系統(tǒng)在國內(nèi)外的研究現(xiàn)狀,提出運用主成分分析法和支持向量機算法構(gòu)建船舶異常數(shù)據(jù)自動識別模型,并論述了異常數(shù)據(jù)自動識別系統(tǒng)的設(shè)計與實現(xiàn)。 

【文章來源】：艦船科學(xué)技術(shù). 2020,42(12)北大核心

【文章頁數(shù)】：3 頁

【部分圖文】：

船舶異常數(shù)據(jù)識別決策函數(shù)模型的多分類器Fig.2Multipleclassifiersfordecisionfunctionmodelofshipabnormaldatarecognition

儲清洗后的結(jié)構(gòu)化數(shù)據(jù)；邏輯層包括異常數(shù)據(jù)模型構(gòu)建、異常監(jiān)控、實時數(shù)據(jù)統(tǒng)計等，在監(jiān)測區(qū)域內(nèi)，要實時處理異常數(shù)據(jù)，根據(jù)邏輯代碼完成數(shù)據(jù)分析，之后傳遞到storm集群，進入分布式運行狀態(tài)；輸出層負責(zé)將監(jiān)測到的異常數(shù)據(jù)發(fā)送給客戶端。該系統(tǒng)為Java分布式系統(tǒng)，在虛擬機上運行，可根據(jù)實際識別監(jiān)測需求對系統(tǒng)功能進行調(diào)整和擴展。圖3船舶異常數(shù)據(jù)自動識別系統(tǒng)的整體框架圖Fig.3Thewholeframediagramoftheautomaticrecognitionsystemofshipabnormaldata3.2異常數(shù)據(jù)自動識別系統(tǒng)的實現(xiàn)系統(tǒng)的數(shù)據(jù)處理流程主要包括數(shù)據(jù)拆分、區(qū)域判斷、提取原始特征、模型預(yù)測、存儲預(yù)測信息、得出識別分析結(jié)果、客戶端顯示結(jié)果。系統(tǒng)為拓撲結(jié)構(gòu)，采用Topology主函數(shù)，由spout組件（實時數(shù)據(jù)入口）、SplitBolt（數(shù)據(jù)轉(zhuǎn)換）、Save組件（連接數(shù)據(jù)庫）、IsInArea組件（區(qū)域位置數(shù)據(jù)挖掘）、Static組件（靜態(tài)數(shù)據(jù)庫查詢）等構(gòu)成。其中，spout組件與AIS實時數(shù)據(jù)連接，接收數(shù)據(jù)，轉(zhuǎn)換數(shù)據(jù)格式，將數(shù)據(jù)以元組的方式發(fā)出；Save組件接收來自監(jiān)測設(shè)備端口獲取的數(shù)據(jù)；IsInArea組件讀取配置信息，接收數(shù)據(jù)庫處理后的信息，將其保存在HBase數(shù)據(jù)庫中；Static組件將統(tǒng)計的數(shù)據(jù)值轉(zhuǎn)換為數(shù)組，便于查詢和識別。3.3異常數(shù)據(jù)自動識別系統(tǒng)的應(yīng)用效果本文選取4組不同類型的異常數(shù)據(jù)特征量和樣本數(shù)進行對比測試，測試對象為基于傳統(tǒng)方法的艦船異常數(shù)據(jù)自動識別系統(tǒng)與本文提出的基于物聯(lián)網(wǎng)的船舶異常數(shù)據(jù)自動識別系統(tǒng)，對比分析2個系統(tǒng)的異常數(shù)據(jù)識別準確率。特征數(shù)量和樣本數(shù)據(jù)分別為：第1組特征數(shù)據(jù)量為150，樣本總數(shù)為300；第2組特征數(shù)為180，樣本總數(shù)為400；第3組

時間間隔等異常數(shù)據(jù)；AIS消息異常數(shù)據(jù)，是指實際消息發(fā)出超時或消息中斷產(chǎn)生的航行狀態(tài)、發(fā)報時間等異常數(shù)據(jù)；位置異常數(shù)據(jù)，是指船舶在海上徘徊，或短時間內(nèi)出現(xiàn)遠位置的異常數(shù)據(jù)；目的變更異常數(shù)據(jù)，是指艦船目的地和航行方向信息與AIS數(shù)據(jù)不符的數(shù)據(jù)。2.2艦船異常數(shù)據(jù)自動識別的工作原理工作原理為：收集艦船異常數(shù)據(jù)，提取艦船異常數(shù)據(jù)中的原始特征，運用主成分分析法對異常數(shù)據(jù)的特征進行優(yōu)化，選出重要的識別特征，再運用算法建立起艦船異常數(shù)據(jù)自動識別模型，具體的識別流程如圖1所示。圖1基于物聯(lián)網(wǎng)的船舶異常數(shù)據(jù)自動識別流程圖Fig.1FlowchartofautomaticidentificationofshipabnormaldatabasedonInternetofthings2.3船舶異常數(shù)據(jù)自動識別方法在異常數(shù)據(jù)自動識別中采用主成分分析法，具體工作過程如下：提取艦船異常數(shù)據(jù)原始特征，公式為：xij=xijˉxiσi,(i=1,2,3......p,j=1,2,3......n)。(1)ˉxixijσi其中：為物聯(lián)網(wǎng)系統(tǒng)的異常數(shù)據(jù)的特征均值；為原始特征向量；為系統(tǒng)的標準差。根據(jù)提取的原始特征，建立異常數(shù)據(jù)的系數(shù)矩陣，公式為：R=1n∑nk=1(xkiˉxi)(xkjˉxj)σiσj。(2)u1u2upy=ωTφ(x)+b將關(guān)系數(shù)R轉(zhuǎn)換為異常數(shù)據(jù)的特征向量，得到，，……。計算特征向量的累積貢獻率，并對特征向量由高到低排序，選出最大值特征向量，將其確認為主成分，用于表示異常數(shù)據(jù)的原始特征。通過支持向量機算法建立船舶物聯(lián)網(wǎng)數(shù)據(jù)識別模型，模型為。構(gòu)建決策函數(shù)模型：f(x)=sgn(∑ni=1aiyik(xix)+b)?

【參考文獻】：
期刊論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的船舶異常行為檢測方法[J]. 楊帆,何正偉,何帆.  武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版). 2019(05)
[2]物聯(lián)網(wǎng)技術(shù)的船舶通信過程切換信號監(jiān)測系統(tǒng)設(shè)計[J]. 梁修榮.  艦船科學(xué)技術(shù). 2019(12)
[3]AIS和Labview在船舶自動識別系統(tǒng)開發(fā)中的應(yīng)用[J]. 龔齊斌.  艦船科學(xué)技術(shù). 2019(02)

碩士論文
[1]基于深度學(xué)習(xí)的動態(tài)背景下航道船舶檢測識別與跟蹤研究[D]. 吳喆.三峽大學(xué) 2019
[2]基于AIS數(shù)據(jù)的重點區(qū)域船舶異常實時監(jiān)測系統(tǒng)的設(shè)計與實現(xiàn)[D]. 丁兆穎.北京化工大學(xué) 2016



本文編號：2981081