物聯(lián)網(wǎng)在船舶數(shù)據(jù)檢測(cè)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(dòng)識(shí)別系統(tǒng),可提升異常數(shù)據(jù)自動(dòng)識(shí)別的性能指標(biāo),實(shí)現(xiàn)對(duì)船舶異常行為的實(shí)時(shí)監(jiān)控。在船舶異常數(shù)據(jù)自動(dòng)識(shí)別中,物聯(lián)網(wǎng)技術(shù)是實(shí)現(xiàn)數(shù)據(jù)傳輸和共享的關(guān)鍵技術(shù),并能夠及時(shí)根據(jù)識(shí)別結(jié)果發(fā)出報(bào)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(dòng)識(shí)別系統(tǒng)在國內(nèi)外的研究現(xiàn)狀,提出運(yùn)用主成分分析法和支持向量機(jī)算法構(gòu)建船舶異常數(shù)據(jù)自動(dòng)識(shí)別模型,并論述了異常數(shù)據(jù)自動(dòng)識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)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(shí)別決策函數(shù)模型的多分類器Fig.2Multipleclassifiersfordecisionfunctionmodelofshipabnormaldatarecognition

儲(chǔ)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(shí)時(shí)數(shù)據(jù)統(tǒng)計(jì)等，在監(jiān)測(cè)區(qū)域內(nèi)，要實(shí)時(shí)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(jìn)入分布式運(yùn)行狀態(tài)；輸出層負(fù)責(zé)將監(jiān)測(cè)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(jī)上運(yùn)行，可根據(jù)實(shí)際識(shí)別監(jiān)測(cè)需求對(duì)系統(tǒng)功能進(jìn)行調(diào)整和擴(kuò)展。圖3船舶異常數(shù)據(jù)自動(dòng)識(shí)別系統(tǒng)的整體框架圖Fig.3Thewholeframediagramoftheautomaticrecognitionsystemofshipabnormaldata3.2異常數(shù)據(jù)自動(dòng)識(shí)別系統(tǒng)的實(shí)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(cè)、存儲(chǔ)預(yù)測(cè)信息、得出識(shí)別分析結(jié)果、客戶端顯示結(jié)果。系統(tǒng)為拓?fù)浣Y(jié)構(gòu)，采用Topology主函數(shù)，由spout組件（實(shí)時(shí)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(shí)時(shí)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(cè)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(jì)的數(shù)據(jù)值轉(zhuǎn)換為數(shù)組，便于查詢和識(shí)別。3.3異常數(shù)據(jù)自動(dòng)識(shí)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(jìn)行對(duì)比測(cè)試，測(cè)試對(duì)象為基于傳統(tǒng)方法的艦船異常數(shù)據(jù)自動(dòng)識(shí)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(dòng)識(shí)別系統(tǒng)，對(duì)比分析2個(gè)系統(tǒng)的異常數(shù)據(jù)識(shí)別準(zhǔn)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(shí)間間隔等異常數(shù)據(jù)；AIS消息異常數(shù)據(jù)，是指實(shí)際消息發(fā)出超時(shí)或消息中斷產(chǎn)生的航行狀態(tài)、發(fā)報(bào)時(shí)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(shí)間內(nèi)出現(xiàn)遠(yuǎn)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(dòng)識(shí)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(yùn)用主成分分析法對(duì)異常數(shù)據(jù)的特征進(jìn)行優(yōu)化，選出重要的識(shí)別特征，再運(yùn)用算法建立起艦船異常數(shù)據(jù)自動(dòng)識(shí)別模型，具體的識(shí)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(dòng)識(shí)別流程圖Fig.1FlowchartofautomaticidentificationofshipabnormaldatabasedonInternetofthings2.3船舶異常數(shù)據(jù)自動(dòng)識(shí)別方法在異常數(shù)據(jù)自動(dòng)識(shí)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(biāo)準(zhǔn)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(jì)算特征向量的累積貢獻(xiàn)率，并對(duì)特征向量由高到低排序，選出最大值特征向量，將其確認(rèn)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(jī)算法建立船舶物聯(lián)網(wǎng)數(shù)據(jù)識(shí)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(xiàn)】：
期刊論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的船舶異常行為檢測(cè)方法[J]. 楊帆,何正偉,何帆.  武漢理工大學(xué)學(xué)報(bào)(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(hào)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 梁修榮.  艦船科學(xué)技術(shù). 2019(12)
[3]AIS和Labview在船舶自動(dòng)識(shí)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(dòng)態(tài)背景下航道船舶檢測(cè)識(shí)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(diǎn)區(qū)域船舶異常實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 丁兆穎.北京化工大學(xué) 2016



本文編號(hào)：2981081