CN112395382A - 基于变分自编码器的船舶异常航迹数据检测方法和装置 - Google Patents

基于变分自编码器的船舶异常航迹数据检测方法和装置 Download PDF

Info

Publication number
CN112395382A
CN112395382A CN202011323305.8A CN202011323305A CN112395382A CN 112395382 A CN112395382 A CN 112395382A CN 202011323305 A CN202011323305 A CN 202011323305A CN 112395382 A CN112395382 A CN 112395382A
Authority
CN
China
Prior art keywords
data
ais
track data
encoder
ship
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.)
Pending
Application number
CN202011323305.8A
Other languages
English (en)
Inventor
谢磊
常吉亮
查天奇
赵建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011323305.8A priority Critical patent/CN112395382A/zh
Publication of CN112395382A publication Critical patent/CN112395382A/zh
Pending legal-status Critical Current

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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Navigation (AREA)

Abstract

公开了一种基于变分自编码器的船舶异常航迹数据检测方法和装置，该方法包括：采集船舶AIS轨迹数据；对所述AIS轨迹数据进行预处理；根据预处理数据的维度构建基于变分自编码器的异常检测模型，并对其进行无监督训练；将待检测的AIS轨迹数据预处理后输入到所述训练好的模型，计算输入和输出的误差error；设置误差阈值α，如果所述误差error大于所述误差阈值α，判断为异常数据。与相关技术相比，本申请的方法和装置采用无监督训练方式，使训练过程更可执行，训练时间更短，异常检测正确率更高。

Description

基于变分自编码器的船舶异常航迹数据检测方法和装置
技术领域
本申请涉及水路信息处理技术领域，尤其涉及船舶异常航迹数据检测方法和装置。
背景技术
船舶自动识别系统(Automatic Identification System，AIS)数据中包含大量船舶信息，其中AIS轨迹数据是作为船舶定位信息的重要因素，将轨迹数据标绘在电子海图上可以对船舶的航行路线可视化显示，再现船舶的航迹线，并进行下一步的研究。但受到信号传输和设备影响等问题，导致AIS轨迹数据出现位置偏移异常，对船舶监管产生影响。因此，需要对异常AIS轨迹数据进行检测，排除干扰。
传统的AIS轨迹数据异常检测方法是采用人工观察的方式，但在大数据的场景下，该方法效率低而且会有大量误差。因此近来，许多学者致力于使用深度学习来解决AIS轨迹数据异常检测问题，如人工的将异常数据进行分类，给每种类别一个标签，采用深度神经网络对AIS轨迹数据进行分类，实现对AIS轨迹数据异常的检测。但是在异常数据量较少的情况下，正负样本量差距较大，利用监督学习的方式对异常数据检测较为困难，另外，监督学习需要人工的制作样本标签，对数据的标注将耗费大量的人力和物力，训练模型变得困难。除此之外，算法对数据特征的表达能力对异常数据检测也至关重要。
发明内容
本申请提供的基于变分自编码器的船舶异常航迹数据检测方法和装置，可执行性强、训练过程相对容易、正确率高，解决了相关技术的AIS轨迹数据异常检测表现不佳的技术问题。
第一方面，提供一种船舶异常航迹数据检测方法，包括：
采集船舶AIS轨迹数据；
对所述AIS轨迹数据进行预处理形成预处理数据；
根据所述预处理数据的维度构建基于变分自编码器的异常检测模型；
对所述异常检测模型进行无监督训练；
将训练所述异常检测模型的训练数据在训练好的模型中再执行一次，得到变分自编码器所有编码后再解码的数据，计算这些数据的平均值，然后计算每一条训练数据和这个平均值欧氏距离，得到一组欧氏距离，再计算出这组欧式距离的平均值，将该平均值的n倍作为误差阈值α；
将待检测的AIS轨迹数据预处理后输入到所述训练好的模型，计算输入和输出的误差error；
根据所述误差error与所述误差阈值α关系，判断所述待检测的AIS轨迹数据是否为异常数据。
第二方面，提供一种船舶异常航迹数据检测装置，包括：
数据采集模块，用于采集船舶AIS轨迹数据；
数据预处理模块，用于对所述AIS轨迹数据进行预处理形成预处理数据；
模型构建模块，用于根据所述预处理数据的维度构建基于变分自编码器的异常检测模型；
模型训练模块，用于对所述异常检测模型进行无监督训练；
误差阈值确定模块，用于将训练所述异常检测模型的训练数据在训练好的模型中再执行一次，得到变分自编码器所有编码后再解码的数据，计算这些数据的平均值，然后计算每一条训练数据和这个平均值欧氏距离，得到一组欧氏距离，再计算出这组欧式距离的平均值，将该平均值的n倍作为误差阈值α；
计算模块，用于将待检测的AIS轨迹数据输入到所述训练好的模型，计算输入和输出的误差error；
异常数据判断模块，根据所述误差error与阈值α关系，判断所述待检测的AIS轨迹数据是否为异常数据。
上述第一方面或第二方面中，对所述AIS轨迹数据进行预处理包括异常数据剔除、数据格式统一化、数据标准化。
上述第一方面或第二方面中，所述数据格式统一化为选取所述AIS轨迹数据中数据长度最大的为基准，其余的不满足长度的使用三次样条插值法补全；
上述第一方面或第二方面中，所述数据标准化为以所检测水域经纬度最大最小值为基准，对数据采用最大最小值归一化，使所有数据取值范围在[0，1]之间。
上述第一方面或第二方面中，选取神经网络作为变分自编码器的编码器和解码器，选取已知数据所述预处理数据、隐变量的相对熵作为变分自编码器的损失函数，模型训练选取Adam优化算法求解损失函数的最小值。
第三方面，提供了一种船舶异常航迹数据检测装置，用于执行上述第一方面或第一方面的任意可能的实现方式中的方法。具体地，该装置包括用于执行上述第一方面或第一方面的任意可能的实现方式中的方法的单元。
第四方面，提供了一种船舶异常航迹数据检测装置，该装置包括：存储器和处理器。其中，该存储器用于存储指令，该处理器执行该存储器存储的指令时，该执行使得该处理器执行上述第一方面或第一方面的任一种可能的实现方式中的方法。
第五方面，提供了一种计算机可读介质，用于存储计算机程序，该计算机程序包括用于执行上述第一方面或第一方面的任意可能的实现方式中的方法的指令。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1示出了根据本申请实施例的基于变分自编码器的船舶异常航迹数据检测方法示意性流程图。
图2示出了基于变分自编码器的异常检测模型架构图。
具体实施方式
本申请提供了基于变分自编码器的船舶异常航迹数据检测方法和装置，通过变分自编码器将AIS轨迹数据的隐变量空间对应的分布求出，从隐变量分布中采样，再通过解码器进行重构得到输出，通过对比输入输出间的差异进行异常检测，经过大量的数据训练，获得良好的检测效果。从而有效的提高效率和检测精度，克服相关技术中正负样本不均衡导致无法进行监督学习的缺点，可以为船舶监管排除干扰，提高监管效率，同时为进一步的AIS数据修复工作提供技术支持。
下面将结合图1和图2对基于变分自编码器的船舶异常航迹数据检测方法进行详细说明。
图1示出了本申请实施例的基于变分自编码器的船舶异常航迹数据检测方法示意性流程图。该方法具体包括：
步骤S1，采集船舶AIS轨迹数据。
所述AIS轨迹数据包括船舶航迹的经度和纬度，以待检测水域为界限，将范围内每一条船舶完整的轨迹数据作为一条数据以某种数据格式保存于磁盘中。
步骤S2，对所述AIS轨迹数据进行预处理形成预处理数据。
所述AIS轨迹数据进行预处理包括异常数据剔除、数据格式统一化、数据标准化。其中异常数据剔除为所采集的AIS轨迹数据中，由人工判断，只保留正常数据。数据格式统一化为选取所需的AIS轨迹数据中数据长度最大的为基准，其余的不满足长度的使用三次样条插值法补全。数据标准化为以所检测水域经纬度最大最小值为基准，对数据采用最大最小值归一化，保证所有数据取值范围在[0，1]之间。
以长江三峡某水域为例，所有数据格式调整为1*784的矩阵格式，该水域经度的范围为(110.920223,110.971660)，纬度范围为(30.866270,30.885671)，根据该范围，采用最大最小值归一化，保证所有数据取值范围在[0，1]之间。
步骤S3，根据所述预处理数据的维度构建基于变分自编码器的异常检测模型。
选取神经网络作为变分自编码器的编码器和解码器，选取已知数据所述预处理数据、隐变量的相对熵作为所述变分自编码器的损失函数，模型训练选取Adam优化算法求解损失函数的最小值。
如图2，编码器中的神经元个数可以根据实际数据大小人为设定，编码器由全连接神经网络构成，编码器和解码器互逆。以上述长江三峡某水域为例，输入数据维度为1*784，通过实际测试，编码器可以设计为三层神经网络，隐藏层神经元个数分别为256,64,16，即隐变量z的维度为16。解码器与编码器互逆，即解码器与编码器结构相反。隐变量z经过解码器得到同输入AIS轨迹数据大小相同的数据。
步骤S4，设置异常检测模型的超参数和损失函数，并对所述模型进行无监督练。
变分自编码器要求输入数据和输出数据尽可能相似。因此结合模型任务，得到模型的损失函数为：
Figure BDA0002793564900000041
其中x是需要进行异常检测的AIS轨迹数据；z为x所对应的隐变量，在本实例中，以上述的长江三峡某水域为例，为维度为16的向量；
Figure BDA0002793564900000042
为原始AIS轨迹数据所具有的概率分布，客观存在，但无法直接求得；q(x|z)为均值为G(x)，方差为常数的正态分布，即解码器的输出；p(z|x)是均值为μ(x)，方差为δ2(x)的正态分布，μ(x)和δ2(x)是通过神经网络得到的结果，即编码器的输出；q(z)是标准正态分布。
IEz～p(z|x)即为在z分布为p(z|x)的情况下求表达式的期望。使用Adam优化算法求解该损失函数的最小值。
IEz～p(z|x)[-logq(x|z)]表示输入至编码器中的x与解码器输出的x’越接近越好，
Figure BDA0002793564900000043
相当于正则化项，使所有的p(z|x)向标准正态分布看齐，保证模型的生成能力。
步骤S5，得到训练好的模型后，对待检测的AIS轨迹数据进行格式调整，将其输入格式调整到规定的大小(上述长江三峡某水域的示例中为1*784)，输入到所述训练好的模型，然后得到输出，并计算输入和输出间的欧氏距离，并取平均值得到误差error；
另外，将训练所述异常检测模型的训练数据在训练好的模型中再执行一次，得到变分自编码器所有编码后再解码的数据，计算这些数据的平均值，然后计算每一条训练数据和这个平均值欧氏距离，得到一组欧氏距离，再计算出这组欧式距离的平均值，将该平均值的n倍作为误差阈值α，本申请并不限定n的取值，例如n可以为3。
步骤S6，根据所述误差error与所述误差阈值α关系，判断所述待检测的AIS轨迹数据是否为异常数据。如果所述误差error大于所述误差阈值α，判断为异常数据。
与相关技术相比，本发明提供的一种基于变分自编码器的AIS轨迹数据异常检测方法利用无监督学习的无标签的优点节省了人力，同时避免了一些难以区分的异常数据，而且采用变分自编码器的深度隐变量概率分布的表示学习的优点，克服了数据特征挖掘不佳的缺点，使得本发明提供的基于变分自编码器的AIS轨迹数据异常检测方法可执行性强、训练过程相对容易、正确率高。
上文中结合图1和图2，详细描述了根据本申请实施例的基于变分自编码器的船舶异常航迹数据检测方法，下面将详细描述根据本申请实施例的基于变分自编码器的船舶异常航迹数据检测装置。该装置包括：数据采集模块、数据预处理模块、模型构建模块、模型训练模块、误差阈值确定模块、计算模块和异常数据判断模块。
其中，所述数据采集模块用于采集船舶AIS轨迹数据。
所述数据预处理模块用于对所述AIS轨迹数据进行预处理形成预处理数据。
所述模型构建模块用于根据所述预处理数据的维度构建基于变分自编码器的异常检测模型。
所述模型训练模块用于对所述异常检测模型进行无监督训练。
所述误差阈值确定模块用于将训练所述异常检测模型的训练数据在训练好的模型中再执行一次，得到变分自编码器所有编码后再解码的数据，计算这些数据的平均值，然后计算每一条训练数据和这个平均值欧氏距离，得到一组欧氏距离，再计算出这组欧式距离的平均值，将该平均值的n倍作为误差阈值α；
所述计算模块用于将待检测的AIS轨迹数据输入到所述训练好的模型，计算输入和输出的误差error；
所述异常数据判断模块用于根据所述误差error与阈值α关系，判断所述待检测的AIS轨迹数据是否为异常数据，如果所述误差error大于所述误差阈值α，判断为异常数据。
应理解，这里的装置以功能模块的形式体现。术语“模块”可以指应用特有集成电路(application specific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。本领域技术人员可以理解，该装置用于执行上述方法实施例的各个步骤，为避免重复，在此不再赘述。
所述的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种船舶异常航迹数据检测方法，其特征在于，包括：
采集船舶AIS轨迹数据；
对所述AIS轨迹数据进行预处理形成预处理数据；
根据所述预处理数据的维度构建基于变分自编码器的异常检测模型；
对所述异常检测模型进行无监督训练；
将训练所述异常检测模型的训练数据在训练好的模型中再执行一次，得到变分自编码器所有编码后再解码的数据，计算这些数据的平均值，然后计算每一条训练数据和这个平均值欧氏距离，得到一组欧氏距离，再计算出这组欧式距离的平均值，将该平均值的n倍作为误差阈值α；
将待检测的AIS轨迹数据预处理后输入到所述训练好的模型，计算输入和输出的误差error；
根据所述误差error与所述误差阈值α关系，判断所述待检测的AIS轨迹数据是否为异常数据。
2.根据权利要求1所述的船舶异常航迹数据检测方法，其特征在于，对所述AIS轨迹数据进行预处理包括异常数据剔除、数据格式统一化、数据标准化。
3.根据权利要求2所述的船舶异常航迹数据检测方法，其特征在于，所述数据格式统一化为选取所述AIS轨迹数据中数据长度最大的为基准，其余的不满足长度的使用三次样条插值法补全。
4.根据权利要求2所述的船舶异常航迹数据检测方法，其特征在于，所述数据标准化为以所检测水域经纬度最大最小值为基准，对数据采用最大最小值归一化，使所有数据取值范围在[0，1]之间。
5.根据权利要求1所述的船舶异常航迹数据检测方法，其特征在于，选取神经网络作为变分自编码器的编码器和解码器，选取已知数据所述预处理数据、隐变量的相对熵作为变分自编码器的损失函数，模型训练选取Adam优化算法求解损失函数的最小值。
6.一种船舶异常航迹数据检测装置，其特征在于，包括：
数据采集模块，用于采集船舶AIS轨迹数据；
数据预处理模块，用于对所述AIS轨迹数据进行预处理形成预处理数据；
模型构建模块，用于根据所述预处理数据的维度构建基于变分自编码器的异常检测模型；
模型训练模块，用于对所述异常检测模型进行无监督训练；
误差阈值确定模块，用于将训练所述异常检测模型的训练数据在训练好的模型中再执行一次，得到变分自编码器所有编码后再解码的数据，计算这些数据的平均值，然后计算每一条训练数据和这个平均值欧氏距离，得到一组欧氏距离，再计算出这组欧式距离的平均值，将该平均值的n倍作为误差阈值α；
计算模块，用于将待检测的AIS轨迹数据输入到所述训练好的模型，计算输入和输出的误差error；
异常数据判断模块，根据所述误差error与阈值α关系，判断所述待检测的AIS轨迹数据是否为异常数据。
7.根据权利要求6所述的船舶异常航迹数据检测装置，其特征在于，所述数据预处理模块对所述AIS轨迹数据进行预处理包括异常数据剔除、数据格式统一化、数据标准化。
8.根据权利要求7所述的船舶异常航迹数据检测装置，其特征在于，所述数据格式统一化为选取所述AIS轨迹数据中数据长度最大的为基准，其余的不满足长度的使用三次样条插值法补全。
9.根据权利要求7所述的船舶异常航迹数据检测装置，其特征在于，所述数据标准化为以所检测水域经纬度最大最小值为基准，对数据采用最大最小值归一化，使所有数据取值范围在[0，1]之间。
10.根据权利要求6所述的船舶异常航迹数据检测装置，其特征在于，选取神经网络作为变分自编码器的编码器和解码器，选取已知数据所述预处理数据、隐变量的相对熵作为变分自编码器的损失函数，模型训练选取Adam优化算法求解损失函数的最小值。
CN202011323305.8A 2020-11-23 2020-11-23 基于变分自编码器的船舶异常航迹数据检测方法和装置 Pending CN112395382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011323305.8A CN112395382A (zh) 2020-11-23 2020-11-23 基于变分自编码器的船舶异常航迹数据检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011323305.8A CN112395382A (zh) 2020-11-23 2020-11-23 基于变分自编码器的船舶异常航迹数据检测方法和装置

Publications (1)

Publication Number Publication Date
CN112395382A true CN112395382A (zh) 2021-02-23

Family

ID=74607760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011323305.8A Pending CN112395382A (zh) 2020-11-23 2020-11-23 基于变分自编码器的船舶异常航迹数据检测方法和装置

Country Status (1)

Country Link
CN (1) CN112395382A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052219A (zh) * 2021-03-16 2021-06-29 浙江大学 一种异常轨迹检测方法及装置、电子设备
CN113406979A (zh) * 2021-06-21 2021-09-17 珠海格力电器股份有限公司 编码器异常检测方法、装置、存储介质、控制器及设备
CN113448953A (zh) * 2021-06-03 2021-09-28 宁波大学 一种ais数据处理方法
CN113901969A (zh) * 2021-12-08 2022-01-07 亿海蓝（北京）数据技术股份公司 船舶异常行为检测方法、系统、电子设备和可读存储介质
CN116522086A (zh) * 2023-04-25 2023-08-01 中国长江三峡集团有限公司 一种基于变分自编码器的数据恢复和水质检测方法、装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150071492A1 (en) * 2012-04-28 2015-03-12 Bae Systems Plc Abnormal behaviour detection
CN109492767A (zh) * 2018-11-09 2019-03-19 济南浪潮高新科技投资发展有限公司 一种应用于无监督领域基于自编码器的异常检测方法
CN109615019A (zh) * 2018-12-25 2019-04-12 吉林大学 基于时空自动编码器的异常行为检测方法
CN110210352A (zh) * 2019-05-23 2019-09-06 中国人民解放军海军工程大学 基于航道模型的船舶轨迹异常检测方法
CN110309853A (zh) * 2019-05-20 2019-10-08 湖南大学 基于变分自编码器的医学图像聚类方法
CN110363115A (zh) * 2019-06-28 2019-10-22 上海交通大学 基于ais轨迹数据的船舶作业异常半监督实时检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150071492A1 (en) * 2012-04-28 2015-03-12 Bae Systems Plc Abnormal behaviour detection
CN109492767A (zh) * 2018-11-09 2019-03-19 济南浪潮高新科技投资发展有限公司 一种应用于无监督领域基于自编码器的异常检测方法
CN109615019A (zh) * 2018-12-25 2019-04-12 吉林大学 基于时空自动编码器的异常行为检测方法
CN110309853A (zh) * 2019-05-20 2019-10-08 湖南大学 基于变分自编码器的医学图像聚类方法
CN110210352A (zh) * 2019-05-23 2019-09-06 中国人民解放军海军工程大学 基于航道模型的船舶轨迹异常检测方法
CN110363115A (zh) * 2019-06-28 2019-10-22 上海交通大学 基于ais轨迹数据的船舶作业异常半监督实时检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈志华: "基于海量AIS数据的内河船舶航迹预测", 《中国优秀硕士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052219A (zh) * 2021-03-16 2021-06-29 浙江大学 一种异常轨迹检测方法及装置、电子设备
CN113052219B (zh) * 2021-03-16 2022-05-31 浙江大学 一种异常轨迹检测方法及装置、电子设备
CN113448953A (zh) * 2021-06-03 2021-09-28 宁波大学 一种ais数据处理方法
CN113406979A (zh) * 2021-06-21 2021-09-17 珠海格力电器股份有限公司 编码器异常检测方法、装置、存储介质、控制器及设备
CN113901969A (zh) * 2021-12-08 2022-01-07 亿海蓝（北京）数据技术股份公司 船舶异常行为检测方法、系统、电子设备和可读存储介质
CN116522086A (zh) * 2023-04-25 2023-08-01 中国长江三峡集团有限公司 一种基于变分自编码器的数据恢复和水质检测方法、装置

Similar Documents

Publication Publication Date Title
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN112395382A (zh) 基于变分自编码器的船舶异常航迹数据检测方法和装置
CN113255733B (zh) 多模态数据缺失下的无监督异常检测方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112148955A (zh) 一种物联网时序数据异常检测方法及系统
CN113884961B (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN110443117B (zh) 一种风电机组故障诊断方法
CN114611409B (zh) 一种配电终端异常检测模型的建立方法及装置
CN116383727A (zh) 一种电厂系统测量粗大误差识别方法、系统、设备及介质
CN116680643A (zh) 一种深度对比学习与密度聚类结合的异常检测方法
CN115688864A (zh) 一种盾构机刀盘健康评估方法、系统、介质、设备及终端
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
CN113762151A (zh) 一种故障数据处理方法、系统及故障预测方法
CN115184054B (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN116910526A (zh) 模型训练方法、装置、通信设备及可读存储介质
CN111275135B (zh) 一种故障诊断方法、装置、设备、介质
CN114757922A (zh) 一种应用于指针式压力表的仪表读数方法及装置
CN116152674A (zh) 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法
CN113869194A (zh) 基于深度学习的变参数铣削加工过程信号标记方法及系统
CN117197048B (zh) 一种船舶水尺读数检测方法、装置及设备
CN116541713B (zh) 基于局部时频特征迁移学习的轴承故障诊断模型训练方法
CN117909852B (zh) 一种用于水工环生态数据分析的监测数据状态划分方法
CN117906937B (zh) 一种水压试验方法、试验系统及存储介质
CN116486178B (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN117408581B (zh) 潜浮标数据质量控制方法、系统、计算机及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210223