隨著我國航運經(jīng)濟的快速發(fā)展與船舶自動識別系統(tǒng)的普及,產(chǎn)生了海量的船舶航行數(shù)據(jù)。船舶航行大數(shù)據(jù)中蘊藏著海上交通特征、船舶航行規(guī)律等信息,是海上交通相關(guān)研究的基礎(chǔ)。海上交通特征規(guī)律分析與船舶行為模式挖掘?qū)﹂_展海上交通管理、航道設(shè)計、區(qū)域識別等工作有重要意義。過去在利用船舶AIS數(shù)據(jù)進行時空分布研究時,通常是以空間為基礎(chǔ)的單邊聚類,然后關(guān)聯(lián)到時間等其他屬性數(shù)據(jù)再研究其特征,這樣的方法忽略了船舶多維時空數(shù)據(jù)之間的耦合性,會損失船舶的交通行為模式。而聯(lián)合聚類可以進行兩個或多個維度數(shù)據(jù)之間的聚類,得到特征屬性之間的關(guān)系。這種方法利用了多維數(shù)據(jù)的豐富性和多樣性關(guān)系,使聚類結(jié)果具有整體性和全局性,其應(yīng)用有更強的實用性與系統(tǒng)伸縮性。論文利用聯(lián)合聚類方法針對AIS數(shù)據(jù)開展船舶交通多維模式研究,主要工作包括:首先根據(jù)船舶交通多維模式分析的需要,提出基于聯(lián)合聚類的船舶交通多維模式數(shù)據(jù)挖掘的概念,分析構(gòu)建針對二維、三維時空數(shù)據(jù)的聯(lián)合聚類數(shù)據(jù)模型;然后以數(shù)據(jù)模型為基礎(chǔ),提出了 AIS數(shù)據(jù)的預(yù)處理框架,提出了基于投影梯度的非負(fù)矩陣分解稀疏約束算法PGNMFS,提高分解迭代速度,增強聯(lián)合聚類效果;設(shè)計實現(xiàn)了 PGNM... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１論文組織結(jié)構(gòu)??Ｆｉｇ．?１．１?Ｐａｐｅｒ?ｏｒｇａｎｉｚａｔｉｏｎ?ｓｔｉ＊ｕｃｔ＼ｉｒｅ??

基于聯(lián)合聚類的船舶交通多維模式研宄??３三維船舶交通數(shù)據(jù)聯(lián)合聚類算法??３．１引言??船舶ＡＩＳ數(shù)據(jù)中除了空間與時間的數(shù)據(jù)，還包含了豐富的數(shù)據(jù)類型，數(shù)據(jù)之間存在??著多元關(guān)系，從中可以發(fā)現(xiàn)更多更詳細(xì)的信息。傳統(tǒng)的信息數(shù)據(jù)處理方式是向量或者矩??．?陣，但對于復(fù)雜的多維數(shù)據(jù)，很明顯這些方法不足以應(yīng)對。在數(shù)據(jù)規(guī)模增大時，維度越??高，數(shù)據(jù)處理難度越大，計算復(fù)雜通常會帶來“維數(shù)災(zāi)難”，為了避免這個問題，學(xué)者??們通常會利用?ＩＣＡ［６４］、ＰＣＡ［６５】、線性判別分析．（Ｌｉｎｅａｒ?Ｄｉｓｃｒｉｍｉｎａｎｔ?Ａｎａｌｙｓｉｓ，ＬＤＡ）【６６】??等方法對數(shù)據(jù)做降維處理。維數(shù)約簡方法不可避免地破壞原數(shù)據(jù)的幾何結(jié)構(gòu)，在對數(shù)據(jù)??降維和特征提取的過程中，往往會對原始數(shù)據(jù)造成一定的損失，在這種情況下，張量以??其不損壞數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和潛在信息而受到廣泛關(guān)注，將數(shù)據(jù)表示成張量結(jié)構(gòu)，能有效??地解決高階數(shù)據(jù)問題張量可以看作是矩陣的多維擴展，因此，延續(xù)利用矩陣分解的??聯(lián)合聚類思想，在對時間、空間、船型、航速等多維數(shù)據(jù)進行聯(lián)合聚類時，采用基于張??量分解的聯(lián)合聚類算法的進行聚類分析，本章只研究三維船舶交通數(shù)據(jù)的聯(lián)合聚類，所??以，算法與實驗中的數(shù)據(jù)均為三階張量。??１２張量分解基礎(chǔ)??３．２．１船舶時空數(shù)據(jù)張量模型概述??張量是多維數(shù)組，一階張量是向量，二階張量是矩陣，三階及以上的張量稱之為高??階張量［６７］［６８１，如圖３．１所示。??．?三一??二階張量??（矩陣）??圖３．１張量示意圖?：??Ｆｉｇ．?３．１?Ｔｅｎｓｏｒ?ｄｉａｇｒａｍ??２２??

基于聯(lián)合聚類的船舶交通多維模式研宂??符號。為外積，表示每個元素都是對應(yīng)向量元素的乘積。Ｒａｎｋ－１張量示意圖如圖３．３??所示。??船舶類型ｓ??—?ｆ?１??Ｉ?１?時間ｔ??Ｘ?Ｖ?Ｉ???Ｙ??船舶位置ｒ??圖３．３時空數(shù)據(jù)Ｒａｎｋ－１張量示意圖??Ｆｉｇ．?３．３?Ｒａｎｋ－１?ｔｅｎｓｏｒ?ｄｉａｇｒａｍ?ｏｆ?ｓｐａｔｉｏｔｅｍｐｏｒａｌ?ｄａｔａ??張量ＣＰ分解的主要思想就是將一個張量分解為有限個Ｒａｎｋ－１張量的和。對于Ｗ階??張量ＸｅｌＲＷ…？，ＣＰ分解示意圖如圖３．４所示。其中，免為分解得到的Ｒａｎｋ－１張量??的個數(shù)，也是張量的秩。??Ｃ，?Ｃ２?Ｃｋ??／／?／Ｉ?／／??Ｃ?Ｉ?Ｉ?＋?ｎ?Ｉ?，?Ｊ?＋?．?．?．?＋?ｎ?Ｉ?Ｉ??＝?二?ｂ．?ｂ２?ｂｋ??Ｘ?／?Ｊ，?１?突?Ｉ??？，?ａ２?ａｋ??．?圖３．４張量ＣＰ分解示意圖??Ｆｉｇ．?３．４?Ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｄｉａｇｒａｍ?ｏｆ?ｔｅｎｓｏｒ?ＣＰ??張量ＣＰ分解的目標(biāo)表達式為：??ｍｊｎ?Ａ＂－》，義之［々ａ，。久。（３．９）??Ｘ?ｒ＝ｌ??其中，／ｌ為歸一化系數(shù)。利用交替最小二乘（Ａｌｔｅｒｎａｔｉｎｇ?Ｌｅａｓｔ?Ｓｑｕａｒｅ，ＡＬＳ）算法??進行張量分解，以求解矩陣Ｉ的迭代公式為例，對張量分解算法過程進行表述。目標(biāo)表??２６??

【參考文獻】：
期刊論文
[1]基于軌跡段DBSCAN的船舶軌跡聚類算法[J]. 江玉玲,熊振南,唐基宏.  中國航海. 2019(03)
[2]船舶AIS軌跡聚類方法研究進展綜述[J]. 徐良坤,任律珍,周世波.  廣州航海學(xué)院學(xué)報. 2019(02)
[3]基于AIS和多尺度空間模型的船舶活動時空特征及潛在壓力[J]. 劉柏靜,賈靜,吳曉青,杜培培.  大連海事大學(xué)學(xué)報. 2018(03)
[4]基于時空密度的船載AIS數(shù)據(jù)聚類分析方法研究[J]. 李永攀,劉正江,鄭中義.  重慶交通大學(xué)學(xué)報(自然科學(xué)版). 2018(10)
[5]張量分解算法研究與應(yīng)用綜述[J]. 熊李艷,何雄,黃曉輝,黃衛(wèi)春.  華東交通大學(xué)學(xué)報. 2018(02)
[6]船舶AIS軌跡快速自適應(yīng)譜聚類算法[J]. 牟軍敏,陳鵬飛,賀益雄,張行健,朱劍峰,榮昊.  哈爾濱工程大學(xué)學(xué)報. 2018(03)
[7]基于聯(lián)合聚類與用戶特征提取的協(xié)同過濾推薦算法[J]. 王玙,劉東蘇.  情報學(xué)報. 2017(08)
[8]基于L2,p矩陣范數(shù)稀疏表示的圖像分類方法[J]. 時中榮,王勝,劉傳才.  南京理工大學(xué)學(xué)報. 2017(01)
[9]基于AIS數(shù)據(jù)的船舶運動模式識別與應(yīng)用[J]. 魏照坤,周康,魏明,史國友.  上海海事大學(xué)學(xué)報. 2016(02)
[10]基于AIS數(shù)據(jù)的船舶領(lǐng)域影響因素分析[J]. 周丹,鄭中義.  上海海事大學(xué)學(xué)報. 2016(02)

博士論文
[1]基于張量的非規(guī)則地理時空場數(shù)據(jù)特征分析方法[D]. 李冬雙.南京師范大學(xué) 2019
[2]大規(guī)模機器學(xué)習(xí)理論研究與應(yīng)用[D]. 張利軍.浙江大學(xué) 2012

碩士論文
[1]基于聯(lián)合聚類的矩陣分解推薦算法研究[D]. 楊文娟.合肥工業(yè)大學(xué) 2018
[2]非負(fù)矩陣分解在潮汐分析和預(yù)報中的應(yīng)用研究[D]. 李煜.上海海洋大學(xué) 2016
[3]基于航海大數(shù)據(jù)的航道擁堵狀態(tài)識別研究[D]. 張靖靖.哈爾濱工程大學(xué) 2016
[4]基于非負(fù)張量分解的多通道音頻信號盲分離研究[D]. 王珊.東南大學(xué) 2015
[5]基于AIS信息的船舶軌跡聚類模型研究[D]. 肖瀟.集美大學(xué) 2015
[6]移動對象的時空軌跡聚類算法研究[D]. 何苗.蘭州大學(xué) 2013
[7]基于AIS數(shù)據(jù)的船舶會遇特征研究[D]. 任亞磊.武漢理工大學(xué) 2013
[8]聯(lián)合聚類算法研究及應(yīng)用[D]. 王躍.浙江大學(xué) 2012
[9]數(shù)據(jù)挖掘技術(shù)在海上交通特征分析中的應(yīng)用研究[D]. 林祎珣.集美大學(xué) 2011
[10]加稀疏約束的非負(fù)矩陣分解[D]. 張宇飛.大連理工大學(xué) 2010



本文編號：2937795