CN112329830B - 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 - Google Patents
一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 Download PDFInfo
- Publication number
- CN112329830B CN112329830B CN202011163539.0A CN202011163539A CN112329830B CN 112329830 B CN112329830 B CN 112329830B CN 202011163539 A CN202011163539 A CN 202011163539A CN 112329830 B CN112329830 B CN 112329830B
- Authority
- CN
- China
- Prior art keywords
- track
- data
- neural network
- convolutional neural
- model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于无源定位轨迹数据挖掘技术领域,公开一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统,该方法在对无源定位轨迹数据进行图像转换与预处理的基础上,运用深度卷积神经网络模型对不同类别的轨迹片段进行轨迹识别,并利用迁移学习提高识别精度。首先,将无源定位轨迹数据转换为一个三通道的RGB轨迹图像,并进行相关预处理;然后,将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,得到最终的识别结果。本发明所使用的DCNN模型和迁移学习方法可以有效地用于无源定位轨迹片段的识别。
Description
技术领域
本发明属于无源定位轨迹数据挖掘技术领域,尤其涉及一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统。
背景技术
目标轨迹数据的增强与识别属于数据挖掘范畴。数据挖掘是从数据库中抽取隐含的、以前未知的、具有潜在应用价值的模型或规则等有用知识的复杂过程,是一类深层次的数据分析方法。移动对象轨迹数据是移动对象运动过程中在二维地图上按照时间先后顺序形成的曲线。轨迹数据挖掘和传统数据挖掘(比如文本数据挖掘,数据检索)不同,包含时间和空间两个维度,是对移动对象所处的地理特征,时间变化及空间分布的描述,包含移动对象的时间,空间和属性三要素。所以,轨迹数据挖掘建模必须要注意依据移动对象的空间要素与时间要素的对应,需要从时间,空间和外部属性完整地模拟和抽象客观世界。近年来,研究人员常根据轨迹数据中移动对象的时间和空间变化关系,挖掘移动对象的运动模式。
传统的轨迹数据挖掘方法比如时空序列比对、空间回归分析、路径搜索等,在时空轨迹数据的挖掘过程中取得了很多的成果。而近年来,很多研究人员将大数据挖掘以及人工智能技术引入到了轨迹数据的研究当中。张雷学者提出了一种基于轨迹时空特征的轨迹聚类方法,并且能够对聚类的异常进行检测,但是由于大数据时代数据量的庞大,因此不能在进行轨迹匹配的时候实时对所有轨迹进行聚类,这样会降低代码的效能。张光亚学者(张光亚.多目标无源定位数据的轨迹提取与模式挖掘算法研究[D].战略支援部队信息工程大学,2018.)则是对traclus轨迹分割提取算法进行改进,使用代表轨迹进行模式挖掘,也取得了不错的效果。但是代表轨迹的选取并不能完整地代替所有轨迹的信息,使用代表轨迹进行匹配,误差较大。一些浅层学习的机器学习算法,比如SVM、决策树、高斯朴素贝叶斯分类器等,也被广泛应用于时空数据的挖掘,比如凡甲甲学者(凡甲甲.船舶轨迹识别算法及显控系统的实现[D].江苏科技大学计算机科学与技术,2019.)将BP神经网络运用于船舶轨迹识别中。施敏学者提出了采用5种传统的机器学习算法进行公交车GPS线路分类与识别研究,效果较好,并且在5种方法中神经网络的准确率最高。但是公交车路线的轨迹数据比较丰富、准确度较高,不存在短波测向数据的稀疏性、误差性等等一系列问题,因此浅层学习容易由于误差的影响导致准确率不高。在人工智能领域,各类深度学习模型在轨迹预测上的应用也越来越多,苏璐敏学者(苏璐敏.基于机器学习的轨迹预测方法研究[D].北京邮电大学,2019.)利用Word2Vec将空间信息转换为向量,使用LSTM预测轨迹点的位置,在GPS数据上取得了不错的效果。但是由于无源定位数据具有稀疏性以及不确定性,如果使用LSTM模型会有很多的噪声对预测造成干扰。近些年,深度学习得到了非常迅猛的发展,在图像分类任务上CNN模型已经能够超越人工分类。
在CNN中,越深的网络结构,对数据的特征提取能力就越强,进行图像分类的效果也越好。而深层模型在小样本数据集上很容易出现过拟合等问题,导致模型无法进行实际应用。
发明内容
本发明针对无源定位轨迹数据存在稀疏、不精准、不平衡以及属性多变等多种不良特性,直接利用丰富的无源定位历史数据难以满足对特定目标的轨迹识别等实际需求的问题,提出一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统。
为了实现上述目的,本发明采用以下技术方案:
一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法,包括:
步骤1:将无源定位轨迹数据的经纬度和时间信息嵌入图片的RGB分量,转换为轨迹信息图像;
步骤2:对轨迹信息图像进行预处理,统一图片大小,生成目标轨迹片段,作为训练数据集;
步骤3:将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,得到最终的识别结果。
进一步地,所述步骤1包括:
在MATLAB中模拟所有轨迹和航道构成的平面,构建一个调色板,坐标点数据(R分量,G分量,B分量),左上角为(0,0,0)纯黑点,右下角为(255,255,255)的纯白点;在此调色板中,按无源定位轨迹数据经过转换以后的UTM平面坐标给每一条轨迹赋予相应的颜色;
利用MATLAB自带的UTM坐标转换系统,对无源定位轨迹数据的经纬度坐标信息进行UTM平面坐标转换,转换生成UTM平面横纵坐标数据即为所要生成的轨迹图像的R分量、G分量数据;
按照如下方式对时间信息进行标准化处理:
t为某一轨迹点对应的时间,tmin为所有轨迹点对应时间的最小值,tmax为所有轨迹点对应时间的最大值,所有时间单位精确到秒;t*为标准化时间值,即所要生成的轨迹图像的B分量数据。
进一步地,所述步骤2包括:
设统一图片大小为长L0和高H0,设定一个区域划分的比例η,以L0和H0的η倍为阈值,若图片的长L大于L0×η并且高H大于H0×η,则对图片进行上下采样的处理;若图片的长或高中的一方小于阈值,则通过空白填补的方式调整到统一大小;最后统一将图片中的轨迹置于新的空白图片的中心位置。
进一步地,所述深度卷积神经网络模型包括:AlexNet模型,VGG模型,GoogLeNet模型,ResNet模型,MobileNet模型,Xception模型和ShuffleNet模型。
一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别系统,包括:
无源定位轨迹数据转换模块,用于将无源定位轨迹数据的经纬度和时间信息嵌入图片的RGB分量,转换为轨迹信息图像;
轨迹信息图像预处理模块,用于对轨迹信息图像进行预处理,统一图片大小,生成目标轨迹片段,作为训练数据集;
轨迹片段识别模块,用于将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,得到最终的识别结果。
进一步地,所述无源定位轨迹数据转换模块具体用于:
在MATLAB中模拟所有轨迹和航道构成的平面,构建一个调色板,坐标点数据(R分量,G分量,B分量),左上角为(0,0,0)纯黑点,右下角为(255,255,255)的纯白点;在此调色板中,按无源定位轨迹数据经过转换以后的UTM平面坐标给每一条轨迹赋予相应的颜色;
利用MATLAB自带的UTM坐标转换系统,对无源定位轨迹数据的经纬度坐标信息进行UTM平面坐标转换,转换生成UTM平面横纵坐标数据即为所要生成的轨迹图像的R分量、G分量数据;
按照如下方式对时间信息进行标准化处理:
t为某一轨迹点对应的时间,tmin为所有轨迹点对应时间的最小值,tmax为所有轨迹点对应时间的最大值,所有时间单位精确到秒;t*为标准化时间值,即所要生成的轨迹图像的B分量数据。
进一步地,所述轨迹信息图像预处理模块具体用于:
设统一图片大小为长L0和高H0,设定一个区域划分的比例η,以L0和H0的η倍为阈值,若图片的长L大于L0×η并且高H大于H0×η,则对图片进行上下采样的处理;若图片的长或高中的一方小于阈值,则通过空白填补的方式调整到统一大小;最后统一将图片中的轨迹置于新的空白图片的中心位置。
进一步地,所述深度卷积神经网络模型包括:AlexNet模型,VGG模型,GoogLeNet模型,ResNet模型,MobileNet模型,Xception模型和ShuffleNet模型。
与现有技术相比,本发明具有的有益效果:
本发明将无源定位轨迹数据转换为一个三通道的RGB轨迹图像,能够较完整地保留数据的信息;通过DCNN模型进行轨迹片段识别,改善了以往非图像处理方法数据噪声和误差对准确率的影响较大的情况;将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,有效防止了过拟合问题,提高了模型识别的准确率。
附图说明
图1为本发明实施例一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法的基本流程图;
图2为本发明实施例一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法的RGB模式轨迹转换流程图;
图3为本发明实施例一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法的轨迹信息图像示例图;
图4为本发明实施例一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法的轨迹信息图像预处理流程图;
图5为本发明实施例一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法的轨迹信息图像预处理后效果示例图;
图6为本发明实施例一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法的实验过程图;
图7为本发明实施例一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别系统的架构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法,包括:
步骤S101:将无源定位轨迹数据的经纬度和时间信息嵌入图片的RGB分量,转换为轨迹信息图像;
步骤S102:对轨迹信息图像进行预处理,统一图片大小,生成目标轨迹片段,作为训练数据集;
步骤S103:将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,得到最终的识别结果。
进一步地,如图2所示,所述步骤S101包括:
在MATLAB中模拟所有轨迹和航道构成的平面,构建一个调色板,坐标点数据(R分量,G分量,B分量),左上角为(0,0,0)纯黑点,右下角为(255,255,255)的纯白点;在此调色板中,按无源定位轨迹数据经过转换以后的UTM平面坐标给每一条轨迹赋予相应的颜色;
利用MATLAB自带的UTM坐标转换系统,对无源定位轨迹数据的经纬度坐标信息进行UTM平面坐标转换,转换生成UTM平面横纵坐标数据即为所要生成的轨迹图像的R分量、G分量数据;
按照如下方式对时间信息进行标准化处理:
t为某一轨迹点对应的时间,tmin为所有轨迹点对应时间的最小值,tmax为所有轨迹点对应时间的最大值,所有时间单位精确到秒;t*为标准化时间值,即所要生成的轨迹图像的B分量数据;
得出的轨迹信息图像如图3所示。
进一步地,如图4所示,所述步骤S102包括:
设统一图片大小为长L0和高H0,设定一个区域划分的比例η,以L0和H0的η倍为阈值,若图片的长L大于L0×η并且高H大于H0×η,则对图片进行上下采样的处理;若图片的长或高中的一方小于阈值,则通过空白填补的方式调整到统一大小;最后统一将图片中的轨迹置于新的空白图片的中心位置(如图5所示)。
进一步地,所述深度卷积神经网络模型(DCNN)包括:图像分类中的经典模型AlexNet模型以及VGG系列模型,以及基于AlexNet和VGG模型改进的GoogLeNet模型,解决了深层神经网络训练困难的ResNet模型,和基于Inception V3改进的Xception模型,和近些年提出的轻量级MobileNet模型和ShuffleNet模型。
为验证本发明效果,采用真实的航道数据模拟无源定位轨迹数据进行实验验证,过程如图6所示。航道数据取自船达通的民航轨迹数据,是真实的海上航行数据,具有真实的海域经纬度信息,并且具有多次航民航行的轨迹数据,因此得到的航道数据是真实的海上航道数据。由于轨迹点的稀疏,在处理过程中对数据进行了曲线拟合与插值,并且通过筛选去除了过于相似的航迹数据(认为它们是在同一个航道内),最后筛选出来的航道数据是真实的不同的10条航道数据,基于此生成的轨迹片段数据的真实性得到了保证。在生成轨迹片段的过程中,首先是在航道附近生成了满足高斯分布的离散点,将高斯分布方差的值设置偏大,能够满足无源定位数据稀疏性以及不确定性的要求。并且采用区域随机方式连接轨迹点,连接的点数数目不定,但是有一定的范围,既保证轨迹点能够在合理的范围内进行连接,又满足仿真无源定位数据不确定性的特点。
由图5可见,经过RGB转换以及处理之后,能够生成不同形状以及颜色信息的轨迹片段,这些片段中既具有航道信息的特点,也满足真实性与和无源定位数据的相似性等要求。使用多种DCNN模型对10类均衡的数据进行训练,同样使用各类数据均为1500张的验证集进行验证数据准确率。这个过程中使用的模型主要有:VGG系列模型、ResNet、GoogLeNet、Xception、AlexNet、MobileNet、ShuffleNet等模型。同时,另搭建CNN模型M(见表1)并进行训练。环境配置为python3.7、paddle 1.7.0。硬件条件为GPU:Tesla V100;Video Mem:16GB;CPU:8cores;RAM:32GB Disk:100GB。Batchsize设置为32,epoch为10,使用GPU,输入图片尺寸除了GoogLeNet、Xception网络是64*64以外,其余模型的输入都是64*64*3经过填充以后的224*224*3的图片。采用指数平滑的思想,对得到的指标数据进行指数平滑。通过实验测试,各个模型的准确率以及运行时长如表2所示。由实验结果可以得到,在多种不同的DCNN模型中,VGG13模型的识别效果最好,准确率达到了92.8%。其次是VGG16、AlexNet、VGG11等模型,识别准确率都达到了92%以上,但相应的运行时间也长一些。同时与人工搭建的简单CNN模型M的识别准确率为87.7%左右对比,本发明使用微调方法的DCNN模型准确率高5%左右,有效地提升了轨迹识别的准确率。
表1简单CNN模型参数表
表2不同DCNN模型测试相关参数表
在上述实施例的基础上,如图7所示,本发明还公开一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别系统,包括:
无源定位轨迹数据转换模块201,用于将无源定位轨迹数据的经纬度和时间信息嵌入图片的RGB分量,转换为轨迹信息图像;
轨迹信息图像预处理模块202,用于对轨迹信息图像进行预处理,统一图片大小,生成目标轨迹片段,作为训练数据集;
轨迹片段识别模块203,用于将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,得到最终的识别结果。
进一步地,所述无源定位轨迹数据转换模块201具体用于:
在MATLAB中模拟所有轨迹和航道构成的平面,构建一个调色板,坐标点数据(R分量,G分量,B分量),左上角为(0,0,0)纯黑点,右下角为(255,255,255)的纯白点;在此调色板中,按无源定位轨迹数据经过转换以后的UTM平面坐标给每一条轨迹赋予相应的颜色;
利用MATLAB自带的UTM坐标转换系统,对无源定位轨迹数据的经纬度坐标信息进行UTM平面坐标转换,转换生成UTM平面横纵坐标数据即为所要生成的轨迹图像的R分量、G分量数据;
按照如下方式对时间信息进行标准化处理:
t为某一轨迹点对应的时间,tmin为所有轨迹点对应时间的最小值,tmax为所有轨迹点对应时间的最大值,所有时间单位精确到秒;t*为标准化时间值,即所要生成的轨迹图像的B分量数据。
进一步地,所述轨迹信息图像预处理模块202具体用于:
设统一图片大小为长L0和高H0,设定一个区域划分的比例η,以L0和H0的η倍为阈值,若图片的长L大于L0×η并且高H大于H0×η,则对图片进行上下采样的处理;若图片的长或高中的一方小于阈值,则通过空白填补的方式调整到统一大小;最后统一将图片中的轨迹置于新的空白图片的中心位置。
进一步地,所述深度卷积神经网络模型包括:AlexNet模型,VGG模型,GoogLeNet模型,ResNet模型,MobileNet模型,Xception模型和ShuffleNet模型。
综上,本发明将无源定位轨迹数据转换为一个三通道的RGB轨迹图像,能够较完整地保留数据的信息;通过DCNN模型进行轨迹片段识别,改善了以往非图像处理方法数据噪声和误差对准确率的影响较大的情况;将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,有效防止了过拟合问题,提高了模型识别的准确率。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法,其特征在于,包括:
步骤1:将无源定位轨迹数据的经纬度和时间信息嵌入图片的RGB分量,转换为轨迹信息图像;
所述步骤1包括:
在MATLAB中模拟所有轨迹和航道构成的平面,构建一个调色板,坐标点数据(R分量,G分量,B分量),左上角为(0,0,0)纯黑点,右下角为(255,255,255)的纯白点;在此调色板中,按无源定位轨迹数据经过转换以后的UTM平面坐标给每一条轨迹赋予相应的颜色;
利用MATLAB自带的UTM坐标转换系统,对无源定位轨迹数据的经纬度坐标信息进行UTM平面坐标转换,转换生成UTM平面横纵坐标数据即为所要生成的轨迹图像的R分量、G分量数据;
按照如下方式对时间信息进行标准化处理:
t为某一轨迹点对应的时间,tmin为所有轨迹点对应时间的最小值,tmax为所有轨迹点对应时间的最大值,所有时间单位精确到秒;t*为标准化时间值,即所要生成的轨迹图像的B分量数据;
步骤2:对轨迹信息图像进行预处理,统一图片大小,生成目标轨迹片段,作为训练数据集;
步骤3:将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,得到最终的识别结果。
2.根据权利要求1所述的一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法,其特征在于,所述步骤2包括:
设统一图片大小为长L0和高H0,设定一个区域划分的比例η,以L0和H0的η倍为阈值,若图片的长L大于L0×η并且高H大于H0×η,则对图片进行下采样的处理;若图片的长或高中的一方小于阈值,则通过空白填补的方式调整到统一大小;最后统一将图片中的轨迹置于新的空白图片的中心位置。
3.根据权利要求1所述的一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法,其特征在于,所述深度卷积神经网络模型包括:AlexNet模型,VGG模型,GoogLeNet模型,ResNet模型,MobileNet模型,Xception模型和ShuffleNet模型。
4.一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别系统,其特征在于,包括:
无源定位轨迹数据转换模块,用于将无源定位轨迹数据的经纬度和时间信息嵌入图片的RGB分量,转换为轨迹信息图像;
所述无源定位轨迹数据转换模块具体用于:
在MATLAB中模拟所有轨迹和航道构成的平面,构建一个调色板,坐标点数据(R分量,G分量,B分量),左上角为(0,0,0)纯黑点,右下角为(255,255,255)的纯白点;在此调色板中,按无源定位轨迹数据经过转换以后的UTM平面坐标给每一条轨迹赋予相应的颜色;
利用MATLAB自带的UTM坐标转换系统,对无源定位轨迹数据的经纬度坐标信息进行UTM平面坐标转换,转换生成UTM平面横纵坐标数据即为所要生成的轨迹图像的R分量、G分量数据;
按照如下方式对时间信息进行标准化处理:
t为某一轨迹点对应的时间,tmin为所有轨迹点对应时间的最小值,tmax为所有轨迹点对应时间的最大值,所有时间单位精确到秒;t*为标准化时间值,即所要生成的轨迹图像的B分量数据;
轨迹信息图像预处理模块,用于对轨迹信息图像进行预处理,统一图片大小,生成目标轨迹片段,作为训练数据集;
轨迹片段识别模块,用于将多种不同拓扑结构的深度卷积神经网络模型的预训练权重迁移到训练数据集上,基于训练数据集构建多个深度卷积神经网络模型,对构建的多个深度卷积神经网络模型的模型参数进行微调,得到最终的识别结果。
5.根据权利要求4所述的一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别系统,其特征在于,所述轨迹信息图像预处理模块具体用于:
设统一图片大小为长L0和高H0,设定一个区域划分的比例η,以L0和H0的η倍为阈值,若图片的长L大于L0×η并且高H大于H0×η,则对图片进行下采样的处理;若图片的长或高中的一方小于阈值,则通过空白填补的方式调整到统一大小;最后统一将图片中的轨迹置于新的空白图片的中心位置。
6.根据权利要求4所述的一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别系统,其特征在于,所述深度卷积神经网络模型包括:AlexNet模型,VGG模型,GoogLeNet模型,ResNet模型,MobileNet模型,Xception模型和ShuffleNet模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011163539.0A CN112329830B (zh) | 2020-10-27 | 2020-10-27 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011163539.0A CN112329830B (zh) | 2020-10-27 | 2020-10-27 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329830A CN112329830A (zh) | 2021-02-05 |
CN112329830B true CN112329830B (zh) | 2023-01-31 |
Family
ID=74296451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011163539.0A Active CN112329830B (zh) | 2020-10-27 | 2020-10-27 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329830B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113459102B (zh) * | 2021-07-09 | 2022-07-05 | 郑州大学 | 一种基于投影重构的人体上肢意图识别方法 |
CN114065620B (zh) * | 2021-11-11 | 2022-06-03 | 四川大学 | 基于像素图表征和cnn的可解释性分子动力学轨迹分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608417A (zh) * | 2015-12-15 | 2016-05-25 | 福州华鹰重工机械有限公司 | 交通信号灯检测方法及装置 |
CN107886731A (zh) * | 2017-11-03 | 2018-04-06 | 武汉元鼎创天信息科技有限公司 | 一种非法营运车辆智能检测方法 |
CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
CN109739926A (zh) * | 2019-01-09 | 2019-05-10 | 南京航空航天大学 | 一种基于卷积神经网络的移动对象目的地预测方法 |
CN110197233A (zh) * | 2019-06-05 | 2019-09-03 | 四川九洲电器集团有限责任公司 | 一种利用航迹进行飞行器分类的方法 |
CN110866477A (zh) * | 2019-11-06 | 2020-03-06 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹运动模式识别方法及装置 |
KR20200106101A (ko) * | 2019-02-21 | 2020-09-11 | 충북대학교 산학협력단 | 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10586173B2 (en) * | 2016-01-27 | 2020-03-10 | Bonsai AI, Inc. | Searchable database of trained artificial intelligence objects that can be reused, reconfigured, and recomposed, into one or more subsequent artificial intelligence models |
-
2020
- 2020-10-27 CN CN202011163539.0A patent/CN112329830B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608417A (zh) * | 2015-12-15 | 2016-05-25 | 福州华鹰重工机械有限公司 | 交通信号灯检测方法及装置 |
CN107886731A (zh) * | 2017-11-03 | 2018-04-06 | 武汉元鼎创天信息科技有限公司 | 一种非法营运车辆智能检测方法 |
CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
CN109739926A (zh) * | 2019-01-09 | 2019-05-10 | 南京航空航天大学 | 一种基于卷积神经网络的移动对象目的地预测方法 |
KR20200106101A (ko) * | 2019-02-21 | 2020-09-11 | 충북대학교 산학협력단 | 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 |
CN110197233A (zh) * | 2019-06-05 | 2019-09-03 | 四川九洲电器集团有限责任公司 | 一种利用航迹进行飞行器分类的方法 |
CN110866477A (zh) * | 2019-11-06 | 2020-03-06 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹运动模式识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
Convolutional Neural Network-Based Gear Type Identification from Automatic Identification System Trajectory Data;Kwang-il Kim等;《applied science》;20200610;第1-21页 * |
基于1DCNN-LSTM的船舶轨迹分类方法;崔彤彤;《计算机科学》;20200930;第175-184页 * |
多目标无源定位数据的轨迹提取与模式挖掘算法研究;张光亚;《中国优秀硕士学位论文全文数据库信息科技辑》;20181215;第I136-643页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329830A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190524B (zh) | 一种基于生成对抗网络的人体动作识别方法 | |
Li et al. | Traffic light recognition for complex scene with fusion detections | |
Zhang et al. | Pedestrian detection method based on Faster R-CNN | |
CN114241282A (zh) | 一种基于知识蒸馏的边缘设备场景识别方法及装置 | |
CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN106570480B (zh) | 一种基于姿势识别的人体动作分类方法 | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN112329830B (zh) | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 | |
CN103886325A (zh) | 一种分块的循环矩阵视频跟踪方法 | |
Suzuki et al. | Enhancement of gross-motor action recognition for children by CNN with OpenPose | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
CN111598155A (zh) | 一种基于深度学习的细粒度图像弱监督目标定位方法 | |
CN105930859B (zh) | 基于线性流形聚类的雷达信号分选方法 | |
US20230095533A1 (en) | Enriched and discriminative convolutional neural network features for pedestrian re-identification and trajectory modeling | |
CN112990282A (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN115690549A (zh) | 一种基于并联交互架构模型实现多维度特征融合的目标检测方法 | |
CN103295026B (zh) | 基于空间局部聚合描述向量的图像分类方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN113822134A (zh) | 一种基于视频的实例跟踪方法、装置、设备及存储介质 | |
Abdullah et al. | Vehicle counting using deep learning models: a comparative study | |
CN114663835A (zh) | 一种行人跟踪方法、系统、设备及存储介质 | |
CN116664826A (zh) | 一种小样本点云语义分割方法 | |
CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
Li et al. | Few-shot meta-learning on point cloud for semantic segmentation |
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 |