10.16251/j.cnki.1009-2307.2023.05.004
顾及运动行为特征变化的船舶轨迹分类模型
针对传统轨迹分类方法依赖人工定义特征和设置参数,以及深度学习支持下的轨迹分类模型大多数会将轨迹数据组织为栅格图像,导致轨迹点隐含的运动行为特征及其在时间序列上的变化特点难以有效顾及的问题,该文提出一种卷积神经网络(CNN)和长短期记忆(LSTM)网络组合的船舶轨迹分类模型.在计算轨迹点隐含运动属性并构建船舶运动属性序列的基础上,首先利用CNN提取局部区域运动属性的高层次特征,然后按时间次序输入LSTM网络进一步分析运动过程的行为变化,从而实现船舶轨迹的分类识别.采用真实的轨迹数据进行试验,结果表明:CNN和LSTM组合的分类模型有效顾及了船舶的行为特征变化,其分类准确率达到87.1%,优于单一CNN和LSTM模型的分类准确率.
船舶轨迹、分类、卷积神经网络、长短期记忆网络
48
P228(大地测量学)
国家自然科学基金;国家自然科学基金;基础加强计划重点基础研究项目
2023-07-27(万方平台首次上网日期,不代表论文的发表时间)
共10页
25-34