CN112286991A - 一种基于多源海上目标数据的智能挖掘模型建立方法 - Google Patents
一种基于多源海上目标数据的智能挖掘模型建立方法 Download PDFInfo
- Publication number
- CN112286991A CN112286991A CN202011180053.8A CN202011180053A CN112286991A CN 112286991 A CN112286991 A CN 112286991A CN 202011180053 A CN202011180053 A CN 202011180053A CN 112286991 A CN112286991 A CN 112286991A
- Authority
- CN
- China
- Prior art keywords
- situation
- small
- small ship
- ship
- navigation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多源海上目标数据的智能挖掘模型建立方法,包括步骤一、态势觉察,步骤二、态势理解,步骤三、态势预测,步骤四、建立行为决策模型,步骤五、小型船舶行为判断五个步骤;本发明通过引入智能数据挖掘技术结合航性态势分析知识库,通过态势觉察、态势理解和态势预测的方法实现对近海小型船舶目标识别和状态预测估计,同时建立船舶行为决策模型,并与小型船舶状态预测估计对比对船舶航行危险、违规违法和导致的危险进行判断,此类方法可预测大范围航线上潜在的航行危险,确保了小型船舶可以以安全的航线行驶。
Description
技术领域
本发明涉及船舶航行技术领域,尤其涉及一种基于多源海上目标数据的智能挖掘模型建立方法。
背景技术
随着海洋观测、模拟手段的快速提升和数据科学的重大突破,现代海洋科学经历了理论牵引、技术驱动与数据主导三大范式变革,海洋大数据已成为人类从认识海洋到经略海洋的必经之路,而海洋大数据的获取、分析及应用过程中,需要用到大量的海洋航行器;
目前船舶航行的预测大多采用观测或雷达探测的方法进行,避免了船舶出现的一些危险,但这类的预测方法不准确,同时存在一定的观测探测范围的限制,且对于船舶的航行危险和违规违法航行无法判断,因此,本发明提出一种基于多源海上目标数据的智能挖掘模型建立方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种基于多源海上目标数据的智能挖掘模型建立方法,该基于多源海上目标数据的智能挖掘模型建立方法通过引入智能数据挖掘技术结合航性态势分析知识库,通过态势觉察、态势理解和态势预测的方法实现对近海小型船舶目标识别和状态预测估计,同时建立船舶行为决策模型,并与小型船舶状态预测估计对比对船舶航行危险、违规违法和导致的危险进行判断,此类方法可预测大范围航线上潜在的航行危险,确保了小型船舶可以以安全的航线行驶。
为实现本发明的目的,本发明通过以下技术方案实现:一种基于多源海上目标数据的智能挖掘模型建立方法,包括以下步骤:
步骤一、态势觉察,选取某一特定时刻,获取近海小型船舶在特定时刻的环境中各小型船舶的状态信息,通过态势觉察的方法对当前时刻下各小型船舶的状态信息进行逐层提取事件和聚类分群处理,得到小型船舶状态信息中的特定类型态势特征向量;
步骤二、态势理解,通过识别步骤一中得到的特定时刻下小型船舶状态信息中的特定类型态势特征向量,确定它们之间的关系,并结合领域知识和航行态势分析知识库对当前时刻下态势特征的分析和解释,实现对特定时刻下小型船舶状态信息中的特定类型态势特征向量的态势理解;
步骤三、态势预测,引入智能数据挖掘技术,结合航行态势分析知识库采用还原论的思想对小型船舶近期状态信息数据进行分析,利用时序分析法对各小型船舶的状态估计;
步骤四、建立行为决策模型,通过将步骤三中对各小型船舶状态的估计预测拟合成小型船舶行为决策集合,利用各个小型船舶行为决策集合建立行为决策模型;
步骤五、小型船舶行为判断,通过步骤四中建立的行为决策模型,结合航行态势分析知识库对小型船舶航行危险、违规违法和导致危险进行判断,并实现预警。
进一步改进在于:所述步骤一的态势觉察的方法中需要利用获取的态势特征元素把小型船舶按照空间和功能进行分群从而推断更高级别的态势描述,分群的基本思想是对有用的数据进行分组,以便后续评估确定态势元素之间的相互关系,并能够据此从各个层次分析小型船舶态势的行为特征。
进一步改进在于:所述步骤一的态势觉察方法的处理过程表示为
X×Y→Z
其中X表示一级融合的输出向量,描述各个小型船舶在各个时刻的属性及行为信息;Y表示小型船舶领域的事件特征及聚类编群数据库;Z表示处理得到的小型船舶状态信息中的特定类型态势特征向量。
进一步改进在于:所述步骤二中态势理解通过对目标的分层设计,将特定时刻的各小型船舶的属性和状态信息作为第一层面进行识别,将特定时刻的各小型船舶特定类型态势特征之间的关系作为第二层面,将特定时刻的各小型船舶的航行变化趋势作为第三层面。
进一步改进在于:所述步骤三中采用还原论的思想对小型船舶近期状态信息数据匹配小型船舶航行的历史数据,利用支持向量回归预测算法进行对比分析,从而实现小型船舶的态势预测。
进一步改进在于:所述步骤四中小型船舶的行为决策包括航行速度的增加和减少、航行方向的改变和违规违法航行。
进一步改进在于:所述步骤五中对小型船舶行为判断的同时,将小型船舶航行危险、违规违法和导致危险行为拟合成对应的数据库,以便后期快速判断预警。
本发明的有益效果为:本发明通过引入智能数据挖掘技术结合航性态势分析知识库,通过态势觉察、态势理解和态势预测的方法实现对近海小型船舶目标识别和状态预测估计,同时建立船舶行为决策模型,并与小型船舶状态预测估计对比对船舶航行危险、违规违法和导致的危险进行判断,此类方法可预测大范围航线上潜在的航行危险,确保了小型船舶可以以安全的航线行驶。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
根据图1所示,本实施例提供了一种基于多源海上目标数据的智能挖掘模型建立方法,包括以下步骤:
步骤一、态势觉察,选取某一特定时刻,获取近海小型船舶在特定时刻的环境中各小型船舶的状态信息,通过态势觉察的方法对当前时刻下各小型船舶的状态信息进行逐层提取事件和聚类分群处理,得到小型船舶状态信息中的特定类型态势特征向量;
步骤二、态势理解,通过识别步骤一中得到的特定时刻下小型船舶状态信息中的特定类型态势特征向量,确定它们之间的关系,并结合领域知识和航行态势分析知识库对当前时刻下态势特征的分析和解释,实现对特定时刻下小型船舶状态信息中的特定类型态势特征向量的态势理解;
步骤三、态势预测,引入智能数据挖掘技术,结合航行态势分析知识库采用还原论的思想对小型船舶近期状态信息数据进行分析,利用时序分析法对各小型船舶的状态估计;
步骤四、建立行为决策模型,通过将步骤三中对各小型船舶状态的估计预测拟合成小型船舶行为决策集合,利用各个小型船舶行为决策集合建立行为决策模型;
步骤五、小型船舶行为判断,通过步骤四中建立的行为决策模型,结合航行态势分析知识库对小型船舶航行危险、违规违法和导致危险进行判断,并实现预警。
所述步骤一的态势觉察的方法中需要利用获取的态势特征元素把小型船舶按照空间和功能进行分群从而推断更高级别的态势描述,分群的基本思想是对有用的数据进行分组,以便后续评估确定态势元素之间的相互关系,并能够据此从各个层次分析小型船舶态势的行为特征。
所述步骤一的态势觉察方法的处理过程表示为
X×Y→Z
其中X表示一级融合的输出向量,描述各个小型船舶在各个时刻的属性及行为信息;Y表示小型船舶领域的事件特征及聚类编群数据库;Z表示处理得到的小型船舶状态信息中的特定类型态势特征向量。
所述步骤二中态势理解通过对目标的分层设计,将特定时刻的各小型船舶的属性和状态信息作为第一层面进行识别,将特定时刻的各小型船舶特定类型态势特征之间的关系作为第二层面,将特定时刻的各小型船舶的航行变化趋势作为第三层面。
所述步骤三中采用还原论的思想对小型船舶近期状态信息数据匹配小型船舶航行的历史数据,利用支持向量回归预测算法进行对比分析,从而实现小型船舶的态势预测。
所述步骤四中小型船舶的行为决策包括航行速度的增加和减少、航行方向的改变和违规违法航行。
所述步骤五中对小型船舶行为判断的同时,将小型船舶航行危险、违规违法和导致危险行为拟合成对应的数据库,以便后期快速判断预警。
该基于多源海上目标数据的智能挖掘模型建立方法通过引入智能数据挖掘技术结合航性态势分析知识库,通过态势觉察、态势理解和态势预测的方法实现对近海小型船舶目标识别和状态预测估计,同时建立船舶行为决策模型,并与小型船舶状态预测估计对比对船舶航行危险、违规违法和导致的危险进行判断,此类方法可预测大范围航线上潜在的航行危险,确保了小型船舶可以以安全的航线行驶。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于多源海上目标数据的智能挖掘模型建立方法,其特征在于包括以下步骤:
步骤一、态势觉察,选取某一特定时刻,获取近海小型船舶在特定时刻的环境中各小型船舶的状态信息,通过态势觉察的方法对当前时刻下各小型船舶的状态信息进行逐层提取事件和聚类分群处理,得到小型船舶状态信息中的特定类型态势特征向量;
步骤二、态势理解,通过识别步骤一中得到的特定时刻下小型船舶状态信息中的特定类型态势特征向量,确定它们之间的关系,并结合领域知识和航行态势分析知识库对当前时刻下态势特征的分析和解释,实现对特定时刻下小型船舶状态信息中的特定类型态势特征向量的态势理解;
步骤三、态势预测,引入智能数据挖掘技术,结合航行态势分析知识库采用还原论的思想对小型船舶近期状态信息数据进行分析,利用时序分析法对各小型船舶的状态估计;
步骤四、建立行为决策模型,通过将步骤三中对各小型船舶状态的估计预测拟合成小型船舶行为决策集合,利用各个小型船舶行为决策集合建立行为决策模型;
步骤五、小型船舶行为判断,通过步骤四中建立的行为决策模型,结合航行态势分析知识库对小型船舶航行危险、违规违法和导致危险进行判断,并实现预警。
2.根据权利要求1所述的一种基于多源海上目标数据的智能挖掘模型建立方法,其特征在于:所述步骤一的态势觉察的方法中需要利用获取的态势特征元素把小型船舶按照空间和功能进行分群从而推断更高级别的态势描述,分群的基本思想是对有用的数据进行分组,以便后续评估确定态势元素之间的相互关系,并能够据此从各个层次分析小型船舶态势的行为特征。
3.根据权利要求1所述的一种基于多源海上目标数据的智能挖掘模型建立方法,其特征在于:所述步骤一的态势觉察方法的处理过程表示为
X×Y→Z
其中X表示一级融合的输出向量,描述各个小型船舶在各个时刻的属性及行为信息;Y表示小型船舶领域的事件特征及聚类编群数据库;Z表示处理得到的小型船舶状态信息中的特定类型态势特征向量。
4.根据权利要求1所述的一种基于多源海上目标数据的智能挖掘模型建立方法,其特征在于:所述步骤二中态势理解通过对目标的分层设计,将特定时刻的各小型船舶的属性和状态信息作为第一层面进行识别,将特定时刻的各小型船舶特定类型态势特征之间的关系作为第二层面,将特定时刻的各小型船舶的航行变化趋势作为第三层面。
5.根据权利要求1所述的一种基于多源海上目标数据的智能挖掘模型建立方法,其特征在于:所述步骤三中采用还原论的思想对小型船舶近期状态信息数据匹配小型船舶航行的历史数据,利用支持向量回归预测算法进行对比分析,从而实现小型船舶的态势预测。
6.根据权利要求1所述的一种基于多源海上目标数据的智能挖掘模型建立方法,其特征在于:所述步骤四中小型船舶的行为决策包括航行速度的增加和减少、航行方向的改变和违规违法航行。
7.根据权利要求1所述的一种基于多源海上目标数据的智能挖掘模型建立方法,其特征在于:所述步骤五中对小型船舶行为判断的同时,将小型船舶航行危险、违规违法和导致危险行为拟合成对应的数据库,以便后期快速判断预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180053.8A CN112286991B (zh) | 2020-10-29 | 2020-10-29 | 一种基于多源海上目标数据的智能挖掘模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180053.8A CN112286991B (zh) | 2020-10-29 | 2020-10-29 | 一种基于多源海上目标数据的智能挖掘模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112286991A true CN112286991A (zh) | 2021-01-29 |
CN112286991B CN112286991B (zh) | 2021-12-07 |
Family
ID=74373120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011180053.8A Active CN112286991B (zh) | 2020-10-29 | 2020-10-29 | 一种基于多源海上目标数据的智能挖掘模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112286991B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110474A (zh) * | 2021-04-26 | 2021-07-13 | 广东海洋大学 | 一种近海海域小型船舶行为决策方法 |
CN113188538A (zh) * | 2021-04-26 | 2021-07-30 | 广东海洋大学 | 一种近海海域小型船舶态势分析方法 |
CN113932817A (zh) * | 2021-12-15 | 2022-01-14 | 思创数码科技股份有限公司 | 航标偏移评估方法及系统 |
CN114202126A (zh) * | 2021-12-15 | 2022-03-18 | 国网四川省电力公司电力科学研究院 | 一种电力作业智能安全控制方法及系统 |
CN114397840A (zh) * | 2021-12-30 | 2022-04-26 | 腾安电子科技(江苏)有限公司 | 水轮机智能控制方法及装置 |
CN114954839A (zh) * | 2022-05-31 | 2022-08-30 | 浙江省交通运输科学研究院 | 一种船舶态势感知控制方法及系统、视觉处理芯片 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009043144A1 (en) * | 2007-10-03 | 2009-04-09 | Ottawa Health Research Institute | Method and apparatus for monitoring physiological parameter variability over time for one or more organs |
CN101943577A (zh) * | 2010-08-16 | 2011-01-12 | 上海地铁盾构设备工程有限公司 | 地铁隧道断面形变检测系统 |
US8614633B1 (en) * | 2007-01-08 | 2013-12-24 | Lockheed Martin Corporation | Integrated smart hazard assessment and response planning (SHARP) system and method for a vessel |
CN104267724A (zh) * | 2014-09-15 | 2015-01-07 | 北京海兰信数据科技股份有限公司 | 船舶航行的控制方法、装置和系统 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
AU2018101524A4 (en) * | 2018-10-14 | 2018-11-15 | Chai, Xiayun MISS | Stock prediction research based on finiancial news by svm |
CN108833185A (zh) * | 2018-06-29 | 2018-11-16 | 北京奇虎科技有限公司 | 一种网络攻击路线还原方法及系统 |
CN109711699A (zh) * | 2018-12-19 | 2019-05-03 | 中国人民解放军战略支援部队航天工程大学 | 一种基于成熟度等级的装备作战效能评估方法 |
CN111260962A (zh) * | 2020-01-19 | 2020-06-09 | 青岛海狮网络科技有限公司 | 一种船舶海上避碰预警方法、系统和海图机 |
-
2020
- 2020-10-29 CN CN202011180053.8A patent/CN112286991B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8614633B1 (en) * | 2007-01-08 | 2013-12-24 | Lockheed Martin Corporation | Integrated smart hazard assessment and response planning (SHARP) system and method for a vessel |
WO2009043144A1 (en) * | 2007-10-03 | 2009-04-09 | Ottawa Health Research Institute | Method and apparatus for monitoring physiological parameter variability over time for one or more organs |
CN101943577A (zh) * | 2010-08-16 | 2011-01-12 | 上海地铁盾构设备工程有限公司 | 地铁隧道断面形变检测系统 |
CN104267724A (zh) * | 2014-09-15 | 2015-01-07 | 北京海兰信数据科技股份有限公司 | 船舶航行的控制方法、装置和系统 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
CN108833185A (zh) * | 2018-06-29 | 2018-11-16 | 北京奇虎科技有限公司 | 一种网络攻击路线还原方法及系统 |
AU2018101524A4 (en) * | 2018-10-14 | 2018-11-15 | Chai, Xiayun MISS | Stock prediction research based on finiancial news by svm |
CN109711699A (zh) * | 2018-12-19 | 2019-05-03 | 中国人民解放军战略支援部队航天工程大学 | 一种基于成熟度等级的装备作战效能评估方法 |
CN111260962A (zh) * | 2020-01-19 | 2020-06-09 | 青岛海狮网络科技有限公司 | 一种船舶海上避碰预警方法、系统和海图机 |
Non-Patent Citations (4)
Title |
---|
XIAORONG CHENG 等: "Research on Network Security Situation Assessment and Prediction", 《2012 FOURTH INTERNATIONAL CONFERENCE ON COMPUTATIONAL AND INFORMATION SCIENCES》 * |
毕城: "舰船态势估计算法研究与平台设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王砚方 等: "漏洞分析和网络安全态势感知", 《中国信息安全》 * |
黄妙芬 等: "构建岸基雷达网辅助海上执法智能平台的关键技术分析", 《海洋技术学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110474A (zh) * | 2021-04-26 | 2021-07-13 | 广东海洋大学 | 一种近海海域小型船舶行为决策方法 |
CN113188538A (zh) * | 2021-04-26 | 2021-07-30 | 广东海洋大学 | 一种近海海域小型船舶态势分析方法 |
CN113932817A (zh) * | 2021-12-15 | 2022-01-14 | 思创数码科技股份有限公司 | 航标偏移评估方法及系统 |
CN114202126A (zh) * | 2021-12-15 | 2022-03-18 | 国网四川省电力公司电力科学研究院 | 一种电力作业智能安全控制方法及系统 |
CN114202126B (zh) * | 2021-12-15 | 2023-05-02 | 国网四川省电力公司电力科学研究院 | 一种电力作业智能安全控制方法及系统 |
CN114397840A (zh) * | 2021-12-30 | 2022-04-26 | 腾安电子科技(江苏)有限公司 | 水轮机智能控制方法及装置 |
CN114954839A (zh) * | 2022-05-31 | 2022-08-30 | 浙江省交通运输科学研究院 | 一种船舶态势感知控制方法及系统、视觉处理芯片 |
CN114954839B (zh) * | 2022-05-31 | 2023-08-18 | 浙江省交通运输科学研究院 | 一种船舶态势感知控制方法及系统、视觉处理芯片 |
Also Published As
Publication number | Publication date |
---|---|
CN112286991B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112286991B (zh) | 一种基于多源海上目标数据的智能挖掘模型建立方法 | |
CN110147763B (zh) | 基于卷积神经网络的视频语义分割方法 | |
KR101995107B1 (ko) | 딥 러닝을 이용한 인공지능 기반 영상 감시 방법 및 시스템 | |
US9904868B2 (en) | Visual attention detector and visual attention detection method | |
CN110598730A (zh) | 基于决策树的航迹关联算法 | |
CN109815863A (zh) | 基于深度学习和图像识别的烟火检测方法和系统 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN110768971A (zh) | 适用于人工智能系统的对抗样本快速预警方法及系统 | |
CN111199238A (zh) | 一种基于双流卷积神经网络的行为识别方法及设备 | |
CN110324583A (zh) | 一种视频监控方法、视频监控装置及计算机可读存储介质 | |
CN111950498A (zh) | 一种基于端到端实例分割的车道线检测方法及装置 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN112464951A (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
CN115841735A (zh) | 基于人、道路、环境动态耦合的安全驾驶辅助系统 | |
CN110723152A (zh) | 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质 | |
Huang et al. | Research on Real‐Time Anomaly Detection of Fishing Vessels in a Marine Edge Computing Environment | |
Xue et al. | Diagnosis method based on hidden Markov model and Weibull mixture model for mechanical faults of in-wheel motors | |
CN116310601B (zh) | 基于ais轨迹图与相机图组的船只行为分类方法 | |
CN115147618A (zh) | 一种生成显著图的方法、异常对象检测的方法以及装置 | |
CN116597693A (zh) | 一种内河航运监控系统及方法 | |
CN116630907A (zh) | 一种基于遥感的船舶航行数字孪生方法、系统、终端及存储介质 | |
CN113253113B (zh) | 一种动力电池一致性故障的预测方法 | |
CN114954839B (zh) | 一种船舶态势感知控制方法及系统、视觉处理芯片 | |
CN109753064A (zh) | 一种用于无人船的环境信息采集及处理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |