基于1DCNN-LSTM的船舶轨迹分类方法
发布时间:2024-03-05 01:53
由于监控设备视野有限、代价昂贵等问题,导致基于船舶图像或视频的船舶分类效果欠佳,改进船舶分类方法、提高船舶分类的准确率迫在眉睫。近几年,随着各类轨迹数据采集系统的兴起,通过船舶航行轨迹数据实现船舶类型的分类逐渐成为可能。针对使用传统二维卷积神经网络(Convolutional Neural Network,CNN)对船舶轨迹分类存在特征压缩和时序特征表达能力匮乏的问题,文中提出了一种一维CNN(One-Dimensional CNN,1DCNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的混合分类模型,对采集到的船舶自动识别系统(Automatic Identification System,AIS)数据进行船舶类型识别。首先,针对AIS采集到的船舶轨迹数据进行预处理,过滤噪声数据;然后,针对隐含在船舶轨迹信息中的特征对于1DCNN而言过于隐晦的问题,提出了一种针对大规模航舶轨迹数据的,且1DCNN能够识别的轨迹分布特征向量的构建算法,同时在此基础上提取了LSTM能够识别的时序特征向量;最后,将训练后的1DCNN模型与LSTM模型进行数据融合得到混...
【文章页数】:10 页
【文章目录】:
1 引言
2 相关工作
3 并行化轨迹的预处理和特征向量提取算法
3.1 船舶AIS轨迹数据的预处理
(1)数据分割:
(2)Map阶段:
(3) Reduce阶段:
(4)将预处理后的数据按照mmsi保存在不同的文件中,包括mmsi,utc,lon,lat4个字段。
3.2 船舶轨迹数据的分布特征向量及其构建
3.3 船舶轨迹数据的时序特征向量及其构建
3.4 基于MapReduce的分布特征向量提取算法和时序特征向量提取算法
3.4.1 分布特征向量构建算法
3.4.2 时序特征向量构建算法
4 基于1DCNN-LSTM的船舶分类模型
4.1 1DCNN和LSTM网络适用性分析
4.2 网络结构
4.2.1 1DCNN网络结构及其参数设计
(1)输入层:
(2)卷积层:
(3)全连接层:
4.2.2 LSTM网络结构及其参数设计
(1)输入层:
(2)LSTM层:
(3)全连接层:
4.2.3 基于1DCNN-LSTM的网络结构设计和数据融合
5 实验分析
5.1 实验环境和数据集
5.2 实验设置
5.2.1 评价标准
5.2.2 网络参数选择
(1)IDCNN参数的选择
(2)LSTM参数的选择
5.2.3 对比方法
5.3 实验结果
5.4 对比实验
结束语
本文编号:3919497
【文章页数】:10 页
【文章目录】:
1 引言
2 相关工作
3 并行化轨迹的预处理和特征向量提取算法
3.1 船舶AIS轨迹数据的预处理
(1)数据分割:
(2)Map阶段:
(3) Reduce阶段:
(4)将预处理后的数据按照mmsi保存在不同的文件中,包括mmsi,utc,lon,lat4个字段。
3.2 船舶轨迹数据的分布特征向量及其构建
3.3 船舶轨迹数据的时序特征向量及其构建
3.4 基于MapReduce的分布特征向量提取算法和时序特征向量提取算法
3.4.1 分布特征向量构建算法
3.4.2 时序特征向量构建算法
4 基于1DCNN-LSTM的船舶分类模型
4.1 1DCNN和LSTM网络适用性分析
4.2 网络结构
4.2.1 1DCNN网络结构及其参数设计
(1)输入层:
(2)卷积层:
(3)全连接层:
4.2.2 LSTM网络结构及其参数设计
(1)输入层:
(2)LSTM层:
(3)全连接层:
4.2.3 基于1DCNN-LSTM的网络结构设计和数据融合
5 实验分析
5.1 实验环境和数据集
5.2 实验设置
5.2.1 评价标准
5.2.2 网络参数选择
(1)IDCNN参数的选择
(2)LSTM参数的选择
5.2.3 对比方法
5.3 实验结果
5.4 对比实验
结束语
本文编号:3919497
本文链接:https://www.wllwen.com/kejilunwen/chuanbolw/3919497.html