基于改进1DCNN-SAGRU模型的渔船作业方式识别

摘要：

海洋渔业领域中渔船轨迹数据具有时空性和非平稳性的特点,针对目前渔船作业方式识别方法存在对数据信息提取不充分及识别精度低的问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和加入自注意力(self-attention)的门控循环单元网络(gated recurrent unit,GRU)的渔船作业方式识别模型(1DCNN-SAGRU).模型利用一维CNN和GRU充分提取渔船轨迹数据的局部空间特征和时序上的依赖关系,并引入自注意力机制强化模型对关键信息的关注能力.最后引入dropout方法和RAdam优化器对模型进行改进和优化,防止模型过拟合的同时加快网络的收敛速度和输出准确性.经实验和分析表明,相较于其他对比模型,该模型在准确率上最高可提升4.4个百分点,说明该模型能更准确地识别渔船拖网、围网和刺网作业,有利于加强渔船监管能力和渔业资源的保护.

关键词：渔船轨迹、一维卷积神经网络、门控循环单元网络(GRU)、自注意力、行为识别、深度学习

所属期刊栏目：32

分类号：TP391.1;TP183;TN911.2

资助基金：农业部水产养殖数字建设试点项目;青岛市创新创业领军人才;国家自然科学基金

在线出版日期：2023-05-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：149-156