基于VAE-LSTM模型的航迹异常检测算法

为了检测出异常航迹数据从而提高航迹数据挖掘的精确性,将航迹异常检测转化为无监督学习问题,研究了基于VAE-LSTM的航迹异常检测算法。引入残差结构到LSTM中,建立残差门LSTM,通过将变分自编码器中的BP神经网络层替换为残差门LSTM层,实现对变分自编码器的改进,并构建了VAE-LSTM航迹异常检测模型。模型输入为航迹的速度、加速度、真航向和曲率半径运动特征,输出为航迹点特征的重建概率,重建概率小于概率阈值的航迹点为异常航迹点,包含异常航迹点的航迹判定为异常航迹。以长江水域内的航迹数据进行验证并与多种机器学习异常检测算法进行对比。VAE-LSTM航迹异常检测算法的召回率达到了0.935,F1值达到了0.940,各项指标均高于对比算法,验证了方法的有效性。

基于深度卷积神经网络的船舶轨迹分类研究

为了提取船舶轨迹数据的空间特征,解决船舶轨迹分类及船舶轨迹所属航道识别问题,提出了一种基于深度卷积神经网络的船舶轨迹分类方法.考虑到经纬度数据难以准确描述船舶轨迹空间特征,将船舶轨迹数据转换为船舶轨迹图像数据,并建立数据集.构建基于深度卷积神经网络的船舶轨迹分类模型,使用人工标注的数据集开展训练.选取以经纬度数据为输入的全连接神经网络模型和SVM模型进行对比分析.结果表明:基于深度卷积神经网络船舶轨迹分类模型可以有效地区分不同航道内的船舶轨迹,所提方法是一种有效的船舶轨迹分类方法.

基于深度图像的激光点云配准算法

针对迭代最近点(Iterative Closet Point, ICP)在配准过程中容易陷入局部最优的情况,提出一种基于深度图像匹配的点云配准算法。通过点云深度信息得到点云在投影平面上的深度图像,采用深度图像的配准选择定向二进制简单描述符(Oriented Fast and Rotated BRIEF,ORB)算法对深度图像进行配准,对匹配结果采用随机采样一致性(RANSAC)算法对配准特征点进行筛选,剔除错误匹配点,保留匹配正确的图像特征点,将其索引到三维点云数据中。根据匹配的三维点云数据计算点云初始旋转矩阵和平移向量,调整点云初始位置,为后续精配准提供良好的初始位置,同时用ICP算法完成精配准,基于PCL(Point Cloud Library)开源数据库实现精配准过程。通过改进可有效缓解现有算法中存在的迭代易陷入局部最优的问题,提高精配准的速度、精度和可靠度等,并通过试验的手段验证算法的有效性。

改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究,可以挖掘出船舶航行过程中有效或潜在的信息,对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而,提出一种改进QuickBundles算法,并对船舶轨迹采样方法和距离度量方式进行改进,选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据,最终实现船舶轨迹的有效聚类。试验结果表明,与原QuickBundles算法和DBSCAN算法相比,改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法,证明改进QuickBundles算法可有效应用于船舶轨迹聚类。