基于历史数据挖掘的异常目标识别系统的设计与实现

发布时间：2021-10-18 12:27

　　随着海上交通流动性的增加,各种隐匿性海上安全问题日益增多,海事态势感知成为一个主要议题。如今,雷达、高清摄像机以及船舶自动识别系统（AIS）等多种传感器被广泛用于监控海洋环境。然而,这种广泛使用的效用却是有局限性的,主要缘于其用途只是原始探测数据的图形化展示。如何基于传感器原始数据分析海上目标行为,理解异常事件,预警潜在海事风险,是海事态势感知系统功能开发的关键。目前虽然已经有了对于海上目标异常行为自动检测的研究,但大多基于数据驱动方法,通过研究AIS轨迹,学习目标正常运动模型来识别异常轨迹。此类方法仅基于一种探测手段,当出现AIS欺骗或静默情况时无法应用;仅研究目标轨迹,很难对目标行为进行全局解释;目标常态模型学习和异常行为检测都是离线执行的,严重限制了在实时监控应用中的使用;在检测过程中缺乏用户参与以及使用复杂的检测技术,这些技术通常很难被操作员理解,并且分类结果难以在管理层面上进行解释。针对上述问题,本文以语义规则的形式对人类知识进行建模,整合海上目标的语义轨迹、语义属性及语义事件信息,设计并实现了一套基于知识驱动方法的,综合多种监测手段、目标多维度特征、多时间维度的基于历史数据... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

关系型数据库表示实体间关系

?（２－３）??分离超平面将空间分为两部分，一部分为正类，另一部分为负类，法向量指??向的一侧为正类。如图２－３所示，点Ａ为样本点，类别为正，到分离超平面的距??离为ｒ。一般来说，一个点距离分离超平面的远近可以表示分类预测的确信程度。??Ａ?Ｗ??ｗ＊ｘ＋ｂ＝０?ｘ?／?ｘ?ｙ??＼之．??〇?°?乂??０?〇??ｏ?ｏ?＼、??°?＼??图２－３线性支持向量模型的间隔示意图??支持向量机算法的优点在于可以产生严格的分类边界，分类错误率较低［１６］。??缺点是模型学习复杂度较高，对于大规模训练样本难以实施。??２．３大数据处理框架简介??大数据处理分为批式大数据处理和流式大数据处理。前者进行的是复杂的批??量数据处理，通常需要花费一定的时间，不能快速给出结果；后者进行的是基于??实时数据流的数据处理，对于实时性的要求较高。针对这两种数据处理要求，出??现了大量的大数据编程框架，本小节选取ＭａｐＲｅｄｕｃｅ、Ｓｐａｒｋ和Ｓｔｏｒｍ这三种典??型代表进行介绍。??２．３．１?ＭａｐＲｅｄｕｃｅ?计算模型??ＭａｐＲｅｄｕｃｅ是Ｈａｄｏｏｐ计算平台中的一个并行计算模型，基于ＭａｐＲｅｄｕｃｅ写??出来的应用程序能够运行在由上千个商用机器组成的大型集群上

图２－４?ＭａｐＲｅｄｕｃｅ处理流程??ＭａｐＲｅｄｕｃｅ采用分治、分解的思想来处理问题，其适用的场景为：大的任务??模块可以被分解为许多子任务，并且这些子任务相对独立，将这些子任务并行处??

【参考文献】：
期刊论文
[1]基于Spark的并行DBSCAN算法的设计与实现[J]. 黄明吉,张倩.  计算机科学. 2017(S2)
[2]数据挖掘技术的综述[J]. 王雅轩,顼聪.  电子技术与软件工程. 2015(08)
[3]基于AIS的海洋环境目标监测技术研究[J]. 孙辉,吴炳昭,严建华.  海洋测绘. 2014(03)

硕士论文
[1]面向物联网多维度数据的多级存储系统的设计与实现[D]. 刘佩增.北京邮电大学 2018
[2]基于实时计算和离线挖掘的多手段数据融合系统的设计与实现[D]. 刘妍.北京邮电大学 2018
[3]基于并行计算技术的数据融合系统设计与实现[D]. 杨春晖.北京邮电大学 2017
[4]Hadoop架构下数据挖掘与数据迁移系统的设计与实现[D]. 吕明育.上海交通大学 2013



本文编号：3442799