CN114595770A - 一种船舶轨迹的长时序预测方法 - Google Patents
一种船舶轨迹的长时序预测方法 Download PDFInfo
- Publication number
- CN114595770A CN114595770A CN202210232770.3A CN202210232770A CN114595770A CN 114595770 A CN114595770 A CN 114595770A CN 202210232770 A CN202210232770 A CN 202210232770A CN 114595770 A CN114595770 A CN 114595770A
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- network
- predicted
- data
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Probability & Statistics with Applications (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种船舶轨迹的长时序预测方法。该方法首先对航迹数据进行预处理;然后,使用K‑means算法对航迹数据进行轨迹聚类,得到船舶运动行为模式集合;其次,基于船舶运动行为模式相似性匹配构建训练与测试样本,搭建改进pix2pix网络模型并进行迭代训练;最后,将需要预测的船舶轨迹以及其匹配轨迹信息输入上述训练好的网络中,得到船舶轨迹长时序预测结果。本发明可有效解决船舶轨迹在长时序预测中存在的误差积累及效率较低等问题,有效实现船舶轨迹长时序、高精度、高效率的预测。
Description
技术领域
本发明属于船舶轨迹智能预测技术领域,尤其涉及一种船舶轨迹的长时序预测方法。
背景技术
传统的海上船舶航行轨迹预测方法,如ARMA、卡尔曼滤波、BP神经网络等,可以很好的完成船舶轨迹在较短时间段内的准确预测任务,但当将预测时长增大时,传统方法往往会由于误差累积等问题导致预测精度较差。随着人工智能的不断发展,深度学习技术在各个领域的相关预测问题中都具有巨大的贡献。同时,伴随船舶自动识别系统(AutomaticIdentification System,AIS)、卫星雷达、电子侦查系统等技术的快速发展,海上移动目标航行轨迹数据已足够完备,为货运船舶、军事舰船等海上移动目标的航行轨迹预测提供了充足的数据支持。
近年来由于海域交通环境日趋复杂,对海上船舶轨迹预测的需求趋于多元化,传统船舶轨迹预测方法在精度、长时序、效率等方面很难满足实际应用需求。虽然近年来基于CNN的船舶轨迹预测模型以及基于LSTM的船舶轨迹预测模型等深度学习预测方法被广泛应用,且在预测效率与预测精度上都较传统方法具有提升,但在较长时序的预测上仍存在误差过大的问题。
发明内容
本发明的目的是构建一种同时兼顾短时序与长时序的船舶轨迹预测模型,实现船舶轨迹多时间尺度准确预测,弥补现有技术在长时序预测误差过大的问题。
为了解决上述技术问题,本发明提供的技术方案为:
一种船舶轨迹的长时序预测方法,包括如下步骤:
步骤1,对航迹数据进行预处理;
步骤2,使用K-means算法对航迹数据进行轨迹聚类,得到多个船舶运动行为模式及对应聚类中心轨迹,构成船舶运动行为模式集合;
步骤3,基于船舶运动行为模式相似性匹配,构建训练与测试样本,搭建改进pix2pix网络模型并进行迭代训练;
步骤4,将需要预测的船舶轨迹以及其匹配轨迹信息输入训练好的网络模型中,得到船舶轨迹长时序预测结果。
进一步的,步骤1的具体方式为,删除原始船舶轨迹数据中的异常情况,包括时间错乱、空间偏移、特殊地区信号干扰以及MMSI码跳号,对缺省值进行线性插值与归一化。
进一步的,步骤3中,利用相似度匹配,在船舶运动行为模式集合中筛选与待预测船舶轨迹最相似的N个聚类中心轨迹作为其匹配轨迹;确定预测时间窗口T,以当前时刻为中心,构建待预测船舶前T个时刻的轨迹以及其匹配轨迹未来T个时刻的轨迹为样本集,其中,80%用作训练样本,20%用作测试样本;所述轨迹的信息包括航速、航向、经度、纬度、时间。
进一步的,步骤3中,改进pix2pix网络模型在深度生成网络pix2pix的基础上,将在预测时间窗口T内的匹配轨迹作为生成网络的输入之一,作为限制条件对模型的输出进行约束,生成网络输入的轨迹信号包括航速、航向、经度、纬度及时间信息,通过航速和航向修正对空间位置的预测,使得生成网络生成的预测结果更加精确;同时,简化判别网络输入的轨迹信息,仅保留经度、纬度,使改进后的判别网络更加容易训练。
进一步的,所述船舶轨迹的预测时序为小时级或以上。
判别网络D为双输入,其中一个是待预测船舶当前轨迹数据S,另一个是改进pix2pix网络模型的输出预测值P或待预测船舶在t时刻至t+T时刻的真实轨迹信息Sp;
条件生成网络G包括输入层、降采样层、卷积层、全连接层;其中,输入层包括3个3*3的卷积核,步长为2*2,输入数据的大小为20*T;降采样层包括2个5*5的卷积核,步长为2*2;卷积层包括2个5*5的卷积核,步长为2*2;全连接层包括2*T个神经元节点;
判别网络D包括卷积层、池化层、连接层;其中,卷积层包括3个3*3的卷积核,步长为2*2;池化层使用2*2的最大池化处理,步长为2;连接层为具有1个神经元节点的全连接层;
改进pix2pix网络模型的选择优化器为Adam优化器,激活函数为Lakey ReLU;
改进pix2pix网络模型的损失函数L改进pix2pix为在CGAN损失函数的基础上加入L1和L2范数;其中,CGAN损失函数LcGAN是含有条件概率的二元极大极小值博弈,定义为:
L1与L2范数的公式如下:
改进pix2pix网络模型的网络误差的反向传播过程中,权重、偏置、各网络层状态的调整都由L改进pix2pix损失函数来确定,反向传播修正各个参数,当测试数据与训练数据的误差差距超过10%时停止训练。
本发明相比于现有技术具有如下优势:
1.本发明针对现有技术在船舶长时序预测中的缺陷,通过模式匹配与深度生成网络相结合,以生成船舶最接近真实情况完整运动轨迹为基本目标,将待预测船舶轨迹以及与其高度相似的轨迹数据作为改进模型的训练样本,增强生成对抗网络对待预测轨迹与匹配轨迹间关联关系的学习,实现船舶轨迹的长时序、高精度预测;
2.本发明构建的船舶预测网络在CGAN(Conditional Generative AdversarialNetworks)与pix2pix的基础上对各自的优点进行融合,去除了随机输入项,使网络不再学习预测结果的分布情况而是学习固定的输入-输出间转换关系,相较于CGAN在预测结果上更加精确;将匹配轨迹作为一个限制条件输入到网络中,网络同时利用输入船舶轨迹的信息与运动行为模式集中被匹配轨迹信息,使得网络的训练同时受到这两方面的约束,较pix2pix以及仅依靠输入船舶信息进行预测的传统深度学习方法在长时序预测问题上有更加优秀的表现;
3.本发明为数据挖掘与深度生成网络模型相结合在船舶轨迹长时序预测问题上的首例,与深度生成模型在车辆轨迹预测、金融预测的方法上相比有所创新,可有效实现船舶轨迹长时序、高精度、高效率的预测。
附图说明
图1是本发明实施例提供的船舶轨迹长时序预测方法流程图;
图2是本发明实施例提供的样本构建流程图;
图3是本发明实施例提供的改进pix2pix预测网络搭建流程图;
图4是本发明实施例提供的预测结果与其他方法的对比图。
具体实施方式
以下将结合实施例对本发明的构思、技术方案优势及产生的技术效果进行清楚、完整地描述,以充分理解本发明的目的、特征和效果。
一种船舶轨迹的长时序预测方法,该方法基于运动行为模式匹配与改进pix2pix进行船舶轨迹的长时序预测。该方法首先对航迹数据进行预处理;然后,使用K-means算法对航迹数据进行轨迹聚类,得到船舶运动行为模式集合;其次,基于船舶运动行为模式相似性匹配构建训练与测试样本,搭建改进pix2pix网络模型并进行迭代训练;最后,将实际需要预测的船舶轨迹及通过相似性度量得到的匹配轨迹信息输入上述训练好的网络之中,得到船舶轨迹的长时序预测结果。
参阅图1,具体步骤如下:
(1)数据预处理步骤:对原始船舶轨迹数据中的船舶类型、始发-目的地、航速、航向、经纬度坐标、时间等信息进行预处理;
进一步地,本实施例中使用的船舶轨迹原始数据空间范围为整个南海区域,时间范围自2016年1月至2019年12月期间,共计19万条民用客船、货船的AIS数据;
进一步地,预处理方法包括:
对输入特征进行筛选,仅保留航速、航向、经度、纬度与相对时间;
删除数据中的异常值并对数据中的缺省值进行线性插值处理;
进一步地,异常情况包括时间错乱、空间偏移、特殊地区信号干扰以及MMSI号码跳号等;
计算轨迹数据1分钟内平均值,将所有数据的时间间隔统一为1分钟并对轨迹数据进行归一化;
进一步地,归一化公式如下:
其中,X、Y分别为转换前后的值,Xmax、Xmn分别为样本的最大值和最小值。将样本数据中的纬度、经度、航速以及航向分别进行转换,转换后样本被映射到[0,1]之间,在计算时更加便捷快速。
(2)运动行为模式集合识别提取步骤:对预处理后的船舶轨迹数据使用K-means算法对船舶航行轨迹进行聚类;
进一步地,K-means算法的输入数据为预处理后船舶轨迹数据;
进一步地,K-means的相似性度量为轨迹间的综合距离,公式如下:
(3)构建训练及测试样本步骤:构建流程参阅图2,利用上述综合距离进行相似度匹配,在船舶运动行为模式集合中筛选与待预测船舶轨迹最相似的N个聚类中心轨迹作为其匹配轨迹;确定预测时间窗口T,以当前时刻为中心,构建待预测船舶前T个时刻的轨迹以及其匹配轨迹未来T个时刻的轨迹信息(航速、航向、经度、纬度、时间)为样本集,其中80%用作训练样本,20%用作测试样本;
进一步地,本实施例中通过预训练选取N为5,预测时间窗口大小T=60;
(4)轨迹预测网络模型搭建与训练步骤:搭建框架参阅图3,将上述样本输入改进pix2pix模型中,完成预测网络训练及测试;
进一步地,轨迹预测网络模型结合CGAN与pix2pix网络的特点,主要包括条件生成网络G与判别网络D;
进一步地,判别网络D为双输入,其中一个是待预测船舶当前轨迹数据S,另一个是改进pix2pix模型的输出预测值P或待预测船舶在t时刻至t+T时刻的真实轨迹信息Sp;
进一步地,本实施例中条件生成网络G包括输入层、降采样层、卷积层、全连接层;
输入层包括3个3*3的卷积核,步长为2*2,padding方式为same padding,输入数据的大小为20*T;
降采样层包括2个5*5的卷积核,步长为2*2,padding方式为same padding;
卷积层包括2个5*5的卷积核,步长为2*2,padding方式为same padding;
全连接层包括2*T个神经元节点;
进一步地,本实施例中判别网络D包括卷积层、池化层、连接层;
卷积层包括3个3*3、步长为2*2、padding方式为same padding的卷积核;
池化层使用2*2的最大池化处理,步长为2;
连接层为具有1个神经元节点的全连接层;
进一步地,本实施例中选择优化器为Adam优化器,激活函数为Lakey ReLU,公式如下:
进一步地,由于改进pix2pix的本质是CGAN,因此在CGAN损失函数的基础上加入L1和L2范数,使生成模型的生成结果更加接近真实数据分布;改进pix2pix的损失函数可以表示为:
L改进pix2pix=LCGAN+L1+L2
进一步地,CGAN模型的损失函数LcGAN是含有条件概率的二元极大极小值博弈,定义为:
L1与L2范数的公式如下:
进一步地,本实施例中网络误差的反向传播过程中,权重、偏置、各网络层状态的调整都由L改进pix2pix损失函数来确定,反向传播修正各个参数,当测试数据与训练数据的误差差距超过10%时停止训练。
(5)轨迹预测步骤:利用所述训练后预测网络模型对船舶t时刻至t+T时刻长时序完整轨迹进行预测;
进一步地,将待预测船舶当前轨迹数据与基于船舶运动行为模式相似性匹配得到的匹配轨迹输入生成器网络G,得到待预测船舶的未来T个时刻内的完整轨迹。本实施例提供的预测结果与其他方法的对比结果如图4所示。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种船舶轨迹的长时序预测方法,其特征在于,包括如下步骤:
步骤1,对航迹数据进行预处理;
步骤2,使用K-means算法对航迹数据进行轨迹聚类,得到多个船舶运动行为模式及对应聚类中心轨迹,构成船舶运动行为模式集合;
步骤3,基于船舶运动行为模式相似性匹配,构建训练与测试样本,搭建改进pix2pix网络模型并进行迭代训练;
步骤4,将需要预测的船舶轨迹以及其匹配轨迹信息输入训练好的网络模型中,得到船舶轨迹长时序预测结果。
2.如权利要求1所述的船舶轨迹的长时序预测方法,其特征在于,步骤1的具体方式为,删除原始船舶轨迹数据中的异常情况,包括时间错乱、空间偏移、特殊地区信号干扰以及MMSI码跳号,对缺省值进行线性插值与归一化。
3.如权利要求1所述的船舶轨迹的长时序预测方法,其特征在于,步骤3中,利用相似度匹配,在船舶运动行为模式集合中筛选与待预测船舶轨迹最相似的N个聚类中心轨迹作为其匹配轨迹;确定预测时间窗口T,以当前时刻为中心,构建待预测船舶前T个时刻的轨迹以及其匹配轨迹未来T个时刻的轨迹为样本集,其中,80%用作训练样本,20%用作测试样本;所述轨迹的信息包括航速、航向、经度、纬度、时间。
4.如权利要求3所述的船舶轨迹的长时序预测方法,其特征在于,步骤3中,改进pix2pix网络模型在深度生成网络pix2pix的基础上,将在预测时间窗口T内的匹配轨迹作为生成网络的输入之一,作为限制条件对模型的输出进行约束,生成网络输入的轨迹信号包括航速、航向、经度、纬度及时间信息,通过航速和航向修正对空间位置的预测,使得生成网络生成的预测结果更加精确;同时,简化判别网络输入的轨迹信息,仅保留经度、纬度,使改进后的判别网络更加容易训练。
5.如权利要求1所述的船舶轨迹的长时序预测方法,其特征在于,所述船舶轨迹的预测时序为小时级或以上。
6.如权利要求3所述的船舶轨迹的长时序预测方法,其特征在于,所述改进pix2pix网络模型包括条件生成网络G与判别网络D;其中,条件生成网络G为双输入,分别是待预测船舶当前轨迹数据S与匹配轨迹数据对应样本输出为待预测船舶未来轨迹数据Sp;
判别网络D为双输入,其中一个是待预测船舶当前轨迹数据S,另一个是改进pix2pix网络模型的输出预测值P或待预测船舶在t时刻至t+T时刻的真实轨迹信息Sp;
条件生成网络G包括输入层、降采样层、卷积层、全连接层;其中,输入层包括3个3*3的卷积核,步长为2*2,输入数据的大小为20*T;降采样层包括2个5*5的卷积核,步长为2*2;卷积层包括2个5*5的卷积核,步长为2*2;全连接层包括2*T个神经元节点;
判别网络D包括卷积层、池化层、连接层;其中,卷积层包括3个3*3的卷积核,步长为2*2;池化层使用2*2的最大池化处理,步长为2;连接层为具有1个神经元节点的全连接层;
改进pix2pix网络模型的选择优化器为Adam优化器,激活函数为Lakey ReLU;
改进pix2pix网络模型的损失函数L改进pix2pix为在CGAN损失函数的基础上加入L1和L2范数;其中,CGAN损失函数LcGAN是含有条件概率的二元极大极小值博弈,定义为:
L1与L2范数的公式如下:
改进pix2pix网络模型的网络误差的反向传播过程中,权重、偏置、各网络层状态的调整都由L改进pix2pix损失函数来确定,反向传播修正各个参数,当测试数据与训练数据的误差差距超过10%时停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232770.3A CN114595770B (zh) | 2022-03-09 | 2022-03-09 | 一种船舶轨迹的长时序预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232770.3A CN114595770B (zh) | 2022-03-09 | 2022-03-09 | 一种船舶轨迹的长时序预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114595770A true CN114595770A (zh) | 2022-06-07 |
CN114595770B CN114595770B (zh) | 2023-10-10 |
Family
ID=81809721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210232770.3A Active CN114595770B (zh) | 2022-03-09 | 2022-03-09 | 一种船舶轨迹的长时序预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595770B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293297A (zh) * | 2022-10-08 | 2022-11-04 | 武汉理工大学 | 一种意图驱动的船舶轨迹预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112445847A (zh) * | 2021-01-29 | 2021-03-05 | 中科星图股份有限公司 | 基于北斗导航时频数据的船舶轨迹预测方法及装置 |
CN112906858A (zh) * | 2021-01-26 | 2021-06-04 | 武汉工程大学 | 一种船舶运动轨迹实时预测方法 |
CN113658214A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
-
2022
- 2022-03-09 CN CN202210232770.3A patent/CN114595770B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906858A (zh) * | 2021-01-26 | 2021-06-04 | 武汉工程大学 | 一种船舶运动轨迹实时预测方法 |
CN112445847A (zh) * | 2021-01-29 | 2021-03-05 | 中科星图股份有限公司 | 基于北斗导航时频数据的船舶轨迹预测方法及装置 |
CN113658214A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293297A (zh) * | 2022-10-08 | 2022-11-04 | 武汉理工大学 | 一种意图驱动的船舶轨迹预测方法 |
CN115293297B (zh) * | 2022-10-08 | 2023-01-20 | 武汉理工大学 | 一种意图驱动的船舶轨迹预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114595770B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
CN108460382B (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
CN112561148B (zh) | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN104299248A (zh) | 利用前视声呐图像对水下多个动态目标运动预测的方法 | |
CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
CN114266977A (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
CN114063056A (zh) | 一种船舶航迹融合方法、系统、介质和设备 | |
CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
CN114595770A (zh) | 一种船舶轨迹的长时序预测方法 | |
CN115512152A (zh) | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 | |
CN111325259A (zh) | 一种基于深度学习和二进制编码的遥感图像分类方法 | |
CN114549909A (zh) | 一种基于自适应阈值的伪标签遥感图像场景分类方法 | |
CN117391244A (zh) | 一种融合多源信息的船舶轨迹预测方法 | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
Chen et al. | Differential evolution algorithm with learning selection strategy for SAR image change detection | |
CN112257566A (zh) | 一种基于大数据的人工智能目标识别测距方法 | |
CN114638298B (zh) | 飞行器攻击行为预测方法及电子设备 | |
CN117933492B (zh) | 基于时空特征融合的船舶航迹长期预测方法 | |
CN114545343B (zh) | 基于量子认知的雷达干扰决策方法 | |
Zhang et al. | Prediction of dynamic navigation information of unmanned surface vehicles based on Bayesian optimization LSTM |
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 |