基于物联网的船舶异常数据自动识别系统研究
发布时间：2021-01-16 15:36
物联网在船舶数据检测领域的应用日益广泛,基于物联网构建起船舶异常数据自动识别系统,可提升异常数据自动识别的性能指标,实现对船舶异常行为的实时监控。在船舶异常数据自动识别中,物联网技术是实现数据传输和共享的关键技术,并能够及时根据识别结果发出报警,以便于船舶快速做出防范决策,保证船舶航行的安全性。本文介绍了基于物联网的船舶异常数据自动识别系统在国内外的研究现状,提出运用主成分分析法和支持向量机算法构建船舶异常数据自动识别模型,并论述了异常数据自动识别系统的设计与实现。
【文章来源】：舰船科学技术. 2020,42(12)北大核心
【文章页数】：3 页
【部分图文】：
船舶异常数据识别决策函数模型的多分类器Fig.2Multipleclassifiersfordecisionfunctionmodelofshipabnormaldatarecognition
储清洗后的结构化数据；逻辑层包括异常数据模型构建、异常监控、实时数据统计等，在监测区域内，要实时处理异常数据，根据逻辑代码完成数据分析，之后传递到storm集群，进入分布式运行状态；输出层负责将监测到的异常数据发送给客户端。该系统为Java分布式系统，在虚拟机上运行，可根据实际识别监测需求对系统功能进行调整和扩展。图3船舶异常数据自动识别系统的整体框架图Fig.3Thewholeframediagramoftheautomaticrecognitionsystemofshipabnormaldata3.2异常数据自动识别系统的实现系统的数据处理流程主要包括数据拆分、区域判断、提取原始特征、模型预测、存储预测信息、得出识别分析结果、客户端显示结果。系统为拓扑结构，采用Topology主函数，由spout组件（实时数据入口）、SplitBolt（数据转换）、Save组件（连接数据库）、IsInArea组件（区域位置数据挖掘）、Static组件（静态数据库查询）等构成。其中，spout组件与AIS实时数据连接，接收数据，转换数据格式，将数据以元组的方式发出；Save组件接收来自监测设备端口获取的数据；IsInArea组件读取配置信息，接收数据库处理后的信息，将其保存在HBase数据库中；Static组件将统计的数据值转换为数组，便于查询和识别。3.3异常数据自动识别系统的应用效果本文选取4组不同类型的异常数据特征量和样本数进行对比测试，测试对象为基于传统方法的舰船异常数据自动识别系统与本文提出的基于物联网的船舶异常数据自动识别系统，对比分析2个系统的异常数据识别准确率。特征数量和样本数据分别为：第1组特征数据量为150，样本总数为300；第2组特征数为180，样本总数为400；第3组
时间间隔等异常数据；AIS消息异常数据，是指实际消息发出超时或消息中断产生的航行状态、发报时间等异常数据；位置异常数据，是指船舶在海上徘徊，或短时间内出现远位置的异常数据；目的变更异常数据，是指舰船目的地和航行方向信息与AIS数据不符的数据。2.2舰船异常数据自动识别的工作原理工作原理为：收集舰船异常数据，提取舰船异常数据中的原始特征，运用主成分分析法对异常数据的特征进行优化，选出重要的识别特征，再运用算法建立起舰船异常数据自动识别模型，具体的识别流程如图1所示。图1基于物联网的船舶异常数据自动识别流程图Fig.1FlowchartofautomaticidentificationofshipabnormaldatabasedonInternetofthings2.3船舶异常数据自动识别方法在异常数据自动识别中采用主成分分析法，具体工作过程如下：提取舰船异常数据原始特征，公式为：xij=xijˉxiσi,(i=1,2,3......p,j=1,2,3......n)。(1)ˉxixijσi其中：为物联网系统的异常数据的特征均值；为原始特征向量；为系统的标准差。根据提取的原始特征，建立异常数据的系数矩阵，公式为：R=1n∑nk=1(xkiˉxi)(xkjˉxj)σiσj。(2)u1u2upy=ωTφ(x)+b将关系数R转换为异常数据的特征向量，得到，，……。计算特征向量的累积贡献率，并对特征向量由高到低排序，选出最大值特征向量，将其确认为主成分，用于表示异常数据的原始特征。通过支持向量机算法建立船舶物联网数据识别模型，模型为。构建决策函数模型：f(x)=sgn(∑ni=1aiyik(xix)+b)?
【参考文献】：
期刊论文
[1]基于LSTM神经网络的船舶异常行为检测方法[J]. 杨帆,何正伟,何帆. 武汉理工大学学报(交通科学与工程版). 2019(05)
[2]物联网技术的船舶通信过程切换信号监测系统设计[J]. 梁修荣. 舰船科学技术. 2019(12)
[3]AIS和Labview在船舶自动识别系统开发中的应用[J]. 龚齐斌. 舰船科学技术. 2019(02)
硕士论文
[1]基于深度学习的动态背景下航道船舶检测识别与跟踪研究[D]. 吴喆.三峡大学 2019
[2]基于AIS数据的重点区域船舶异常实时监测系统的设计与实现[D]. 丁兆颖.北京化工大学 2016
本文编号：2981081
【文章来源】：舰船科学技术. 2020,42(12)北大核心
【文章页数】：3 页
【部分图文】：
船舶异常数据识别决策函数模型的多分类器Fig.2Multipleclassifiersfordecisionfunctionmodelofshipabnormaldatarecognition
储清洗后的结构化数据；逻辑层包括异常数据模型构建、异常监控、实时数据统计等，在监测区域内，要实时处理异常数据，根据逻辑代码完成数据分析，之后传递到storm集群，进入分布式运行状态；输出层负责将监测到的异常数据发送给客户端。该系统为Java分布式系统，在虚拟机上运行，可根据实际识别监测需求对系统功能进行调整和扩展。图3船舶异常数据自动识别系统的整体框架图Fig.3Thewholeframediagramoftheautomaticrecognitionsystemofshipabnormaldata3.2异常数据自动识别系统的实现系统的数据处理流程主要包括数据拆分、区域判断、提取原始特征、模型预测、存储预测信息、得出识别分析结果、客户端显示结果。系统为拓扑结构，采用Topology主函数，由spout组件（实时数据入口）、SplitBolt（数据转换）、Save组件（连接数据库）、IsInArea组件（区域位置数据挖掘）、Static组件（静态数据库查询）等构成。其中，spout组件与AIS实时数据连接，接收数据，转换数据格式，将数据以元组的方式发出；Save组件接收来自监测设备端口获取的数据；IsInArea组件读取配置信息，接收数据库处理后的信息，将其保存在HBase数据库中；Static组件将统计的数据值转换为数组，便于查询和识别。3.3异常数据自动识别系统的应用效果本文选取4组不同类型的异常数据特征量和样本数进行对比测试，测试对象为基于传统方法的舰船异常数据自动识别系统与本文提出的基于物联网的船舶异常数据自动识别系统，对比分析2个系统的异常数据识别准确率。特征数量和样本数据分别为：第1组特征数据量为150，样本总数为300；第2组特征数为180，样本总数为400；第3组
时间间隔等异常数据；AIS消息异常数据，是指实际消息发出超时或消息中断产生的航行状态、发报时间等异常数据；位置异常数据，是指船舶在海上徘徊，或短时间内出现远位置的异常数据；目的变更异常数据，是指舰船目的地和航行方向信息与AIS数据不符的数据。2.2舰船异常数据自动识别的工作原理工作原理为：收集舰船异常数据，提取舰船异常数据中的原始特征，运用主成分分析法对异常数据的特征进行优化，选出重要的识别特征，再运用算法建立起舰船异常数据自动识别模型，具体的识别流程如图1所示。图1基于物联网的船舶异常数据自动识别流程图Fig.1FlowchartofautomaticidentificationofshipabnormaldatabasedonInternetofthings2.3船舶异常数据自动识别方法在异常数据自动识别中采用主成分分析法，具体工作过程如下：提取舰船异常数据原始特征，公式为：xij=xijˉxiσi,(i=1,2,3......p,j=1,2,3......n)。(1)ˉxixijσi其中：为物联网系统的异常数据的特征均值；为原始特征向量；为系统的标准差。根据提取的原始特征，建立异常数据的系数矩阵，公式为：R=1n∑nk=1(xkiˉxi)(xkjˉxj)σiσj。(2)u1u2upy=ωTφ(x)+b将关系数R转换为异常数据的特征向量，得到，，……。计算特征向量的累积贡献率，并对特征向量由高到低排序，选出最大值特征向量，将其确认为主成分，用于表示异常数据的原始特征。通过支持向量机算法建立船舶物联网数据识别模型，模型为。构建决策函数模型：f(x)=sgn(∑ni=1aiyik(xix)+b)?
【参考文献】：
期刊论文
[1]基于LSTM神经网络的船舶异常行为检测方法[J]. 杨帆,何正伟,何帆. 武汉理工大学学报(交通科学与工程版). 2019(05)
[2]物联网技术的船舶通信过程切换信号监测系统设计[J]. 梁修荣. 舰船科学技术. 2019(12)
[3]AIS和Labview在船舶自动识别系统开发中的应用[J]. 龚齐斌. 舰船科学技术. 2019(02)
硕士论文
[1]基于深度学习的动态背景下航道船舶检测识别与跟踪研究[D]. 吴喆.三峡大学 2019
[2]基于AIS数据的重点区域船舶异常实时监测系统的设计与实现[D]. 丁兆颖.北京化工大学 2016
本文编号：2981081
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2981081.html
