基于时序向量相似性的空间目标群匹配技术研究

分析了空间低轨目标群的运行特点,提出了基于时序向量相似性的空间目标群匹配算法,提高了对低轨巨型星座的识别管理能力。首先,介绍了时序向量的降维方法,将目标群高维观测时序向量简化为空间构型序列;而后,提出了基于动态时间规整(Dynamic Time Warping,DTW)的目标群空间构型序列相似性判别算法;最后,利用星链卫星目标群仿真和实测数据对算法的匹配能力进行验证。结果表明该算法可实现空间目标群监测数据快速匹配,仿真数据匹配过程中,在群内目标缺失30%的条件下匹配成功率可达100%,在低缺失条件下(缺失率5%以内)群内目标识别成功率平均超过75%;实测数据匹配成功率可达100%。

基于时序向量聚类的周期关联规则发现算法

针对目前周期关联规则难以划分时间区域和基础算法效率低等问题,提出一种基于周期关联规则的发现算法(CARDSATSV)。采用由项目支持度组成的时序向量作为时域数据特征点进行聚类,用DB Index准则控制聚类个数以达到最佳的聚类效果。给出CFP-tree算法来发现周期关联规则,利用基于条件FP-tree的周期性剪裁技术提高算法效率。实验表明,和目前周期关联规则发现算法相比,CARDSATSV可以发现更多有用的周期关联规则,时空效率有一定的提高。

基于线性DBSCAN聚类的空间群目标实时提取方法

为有效应对低轨巨型星座大规模部署,入轨早期卫星集群分布,难以对空间群目标实现有效编目管理问题,提出了一种基于线性DBSCAN聚类的空间群目标实时提取方法,并给出基于观测数据时序向量实时聚类的空间群目标判别方法.采用星链星座的TLE模拟空间群目标数据开展算法验证,实验结果表明,线性DBSCAN聚类算法对空间集群目标分类识别成功率和准确率达99%以上,识别效率较DBSCAN算法提高了约1/3;线性DBSCAN聚类算法鲁棒性强、识别准确,计算效率高,对空间群目标分辨具有较高价值.

基于1DCNN-LSTM的船舶轨迹分类方法

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合船舶分类模型。以渤海区域2016年6月的船舶AIS数据为基础,使用1DCNN与LSTM相结合的混合模型对渔船、客船、油船、集装箱船和散货船5类典型船舶的轨迹数据进行分类,并将其与使用一种神经网络如LSTM作为分类器的方法进行对比,结果表明所提方法具有明显的有效性,是一种有效的船舶轨迹分类方法。