CN117312846A - 一种基于卷积神经网络的船舶异常告警与预警方法 - Google Patents
一种基于卷积神经网络的船舶异常告警与预警方法 Download PDFInfo
- Publication number
- CN117312846A CN117312846A CN202311144198.6A CN202311144198A CN117312846A CN 117312846 A CN117312846 A CN 117312846A CN 202311144198 A CN202311144198 A CN 202311144198A CN 117312846 A CN117312846 A CN 117312846A
- Authority
- CN
- China
- Prior art keywords
- data
- ship
- abnormal
- neural network
- convolutional neural
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 230000005856 abnormality Effects 0.000 title claims description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 72
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001544487 Macromiidae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于卷积神经网络的船舶异常告警与预警模型及方法,包括以下步骤:利用序贯法对船舶航迹数据进行数据预处理;利用卷积神经网络提取数据特征,得到特征图;通过多层感知器进行预测,判断船舶是否属于异常类别。利用卷积神经网络从大规模数据中自动提取有用的数据特征,有效改善人工进行船舶数据特征提取和异常数据标记效率低的问题,实现异常数据的推理判断,本发明提出的模型在大数据集的情况下告警准确率和异常情况的分类准确率明显更优。
Description
技术领域
本发明涉及一种基于卷积神经网络的船舶异常告警与预警方法,属于海上目标异常检测技术领域。
背景技术
异常检测是帮助识别数据异常值的过程,或者与大量其他数据点有很大偏差的点。在简单数据集中,异常值只是一个数据点,它与特定数据集中的其余数据点有很大的偏差。当涉及到大型数据集时,可能包含非常复杂的模式,这些模式无法通过简单地查看数据来检测。
异常检测目前面临主要挑战有未知性、异构性、类别不均衡三种。未知性:异常与许多未知因素有关,例如,具有未知的突发行为、分布的实例。它们直到真正发生时才为人所知,比如恐怖袭击、海盗等应用。异常类的异构性:异常是不规则的,一类异常可能表现出与另一类异常完全不同的异常特征。例如,在海事监控中,海盗、碰撞事故等异常事件在视觉上有很大差异。类别不均衡:异常通常是罕见的数据实例,而正常实例通常占数据的绝大部分。因此,收集大量标了标签的异常实例是困难的,甚至是不可能的。这导致在大多数应用程序中无法获得大规模的标记数据。
目前异常检测研究主要有三种范式,包括有监督异常检测算法、半监督异常检测算法、无监督异常检测算法。有监督异常检测算法是指在训练集中的正常实例和异常实例都有标签,训练二类或多类分类器。有监督异常检测方法主要面临两个问题,一方面是在训练数据中,相对于正常时间序列来讲,异常的数据量太小,会对检测效果产生影响;另一方面是在实际操作中很难精确地标注数据是正常或异常,而且异常的情况也难以全部覆盖。半监督异常检测算法是指在训练集中只有单一类别(正常实例)的实例,没有异常实例参与训练。半监督异常检测技术的一种典型方法是基于训练数据集为正常时间序列数据建立模型,然后利用该模型识别待检测数据中的异常。半监督异常检测学习正常数据的判别边界,不属于正常类的数据被判断为异常。由于训练中不需标注异常序列,因此半监督式异常检测方法的应用相对更加广泛。无监督异常检测算法在训练集中既有正常实例也可能存在异常实例,但假设数据的比例是正常实例远大于异常实例,模型训练过程中没有标签进行校正。此类技术的核心思想在于异常的情况相对于正常的情况而言是很少的,且其与正常情况存在较大的差异,这种差异可以体现在数据之间的距离远近、分布密度、偏离程度等方面。无监督异常检测算法仅根据数据的内在属性(如距离、密度等)检测数据的异常值,自编码器是所有无监督深度异常检测模型的核心。
卷积神经网络(CNN)结构由多个卷积层和池化层组成,然后是多个多层感知器MLP。在处理序列数据时模型使用一维卷积层,因为序列数据是一维的(相对于图像处理中常用的二维卷积层)。卷积神经网络的一个优点是参数较为稀疏,因为同一特征图共享卷积核。因此,对于海洋目标的长时间检测,使用卷积神经网络是合适的选择。
船舶行为检测是海事监控和管理的关键领域,对于确保船舶安全航行、港口正常运营、海洋环境保护以及打击水上非法行为具有重要意义。然而,随着助航仪器和通信设备的广泛使用,以及大量与船舶航行相关的数据通过这些设备和传感器被收集和存储,目前,由于海上环境日益复杂,传统的基于人工处理船舶异常数据的方法已显得日益被动。因此,当前面临的关键问题是如何从海量数据中自动提取有用信息,以提高船舶异常数据处理的效率和准确度。
卷积神经网络的一个优点是参数较为稀疏,因为同一特征图共享卷积核。因此,对于海洋目标的长时间检测,使用卷积神经网络是合适的选择,但是现有技术中未有卷积神经网络在船舶异常告警与预警中应用的相关报道,目前处于空白阶段。
发明内容
本发明的目的在于解决上述现有技术存在的不足之处,提供一种基于卷积神经网络的船舶异常告警与预警模型及方法,可以利用卷积神经网络能从大规模数据中自动提取有用的数据特征,有效改善了人工进行船舶数据特征提取和异常数据标记效率低的问题,实现异常数据的推理判断,本发明提出的模型在大数据集的情况下告警准确率和异常情况的分类准确率明显更优。
本发明的一种基于卷积神经网络的船舶异常告警与预警方法,其特征在于包括以下步骤:
1)训练阶段
(1)采用序贯法进行训练集航迹数据的预处理;
航迹数据预处理依据序贯重叠的方法,即每个船舶的轨迹首先从起始时间按照一定序列长度切片,随后每次切片时将起始位置向后移动一个时刻,再按照一定序列长度/>切片,直至某一切片的末位置是该轨迹的末位置完成数据预处理。
(2)利用卷积神经网络构建船舶异常告警与预警模型,提取数据特征;
初始化卷积神经网络模型参数,将预处理后的训练集航迹数据输入到模型中,经过卷积层和池化层的计算得到特征图。
(1)
其中表示卷积层的第/>个特征图,/>是特征图中的索引,/>表示特征图中索引/>的输入,/>表示第/>个特征图对应的权重矩阵。
使用最大池化(Max pooling)进行降维操作:
(2)
其中,表示网络激活函数,当/>时,激活函数/>恒为1;而当/>时,激活函数/>恒为0,选择最大池化层作为默认的池化层,通过提取具有最大值的特征,使用最大池化层和步长为2来减小特征图的尺寸。
(3)将特征图的输出传递给多层感知器MLP,通过激活函数ReLU、批量归一化和dropout 进行训练。
具体为:使用多层感知器MLP作为分类头,对于告警和异常分类两个任务分配两个独立的MLP分类头,告警分类头分为两类正常和异常类别,异常分类任务的分类头分为13种类别,包括12种异常类别和正常类别,在将最大池化层的平坦输出传递给多层感知器MLP后,该模型使用ReLU激活函数、批量归一化(batch normalization)和dropout来进行训练,批量归一化和dropout被应用于每个Conv1D层和MLP层,以提高模型性能,dropout的设置为0.2。
(4)使用损失函数对正常和异常数据进行分类惩罚项/>和异常数据惩罚项进行训练,对异常类型和正常类型都惩罚,减轻过拟合状态。
(3)
其中是真实的数据标签;/>是模型预测的数据标签值;/>表示样本集标签总数;分类惩罚项/>表示模型对正常和异常数据进行惩罚;异常数据惩罚项/>负责对具体异常类型进行惩罚。
(5)使用优化器Adam进行参数更新,以最小化损失函数。
(6)重复执行上述步骤(1)~(5),直到达到预定的训练轮数或达到停止条件。
(7)输出训练好的模型权重参数。
2)推理阶段
(1)利用序贯法对推理集的航迹数据进行预处理;
(2)将预处理后的数据输入到已经训练好的卷积神经网络模型中;
(3)加载训练好的模型参数,将输入经过卷积层和池化层的计算,利用公式(1)和(2)得到特征图;
(4)将特征图的输出传递给训练好的多层感知器MLP进行预测;
(5)根据预测结果,判断船舶是否属于异常类别;
(6)模型输出异常船舶的分类结果。
本发明提出了一种基于卷积神经网络的船舶异常告警与预警方法,可以利用卷积神经网络能从大规模数据中自动提取有用的数据特征,有效改善了人工进行船舶数据特征提取和异常数据标记效率低的问题,实现异常数据的推理判断。与现有技术相比,本发明提出的模型在海上目标长时间检测,以及在大数据集的情况下告警准确率和异常情况的分类准确率明显更优。数据量越多,告警准确率和异常分类准确率越高。
附图说明
图1为基于卷积神经网络的船舶异常告警与预警方法框图。
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做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。
实施例1
由于海上环境日益复杂,传统的基于人工处理船舶异常数据的方法已显得日益被动。因此,当前面临的关键问题是如何从海量数据中自动提取有用信息,以提高船舶异常数据处理的效率和准确度。本实施例发展了一种基于卷积神经网络的船舶异常告警与预警模型,可以利用卷积神经网络能从大规模数据中自动提取有用的数据特征,有效改善了人工进行船舶数据特征提取和异常数据标记效率低的问题,实现异常数据的推理判断。
图1为本发明的系统整体结构示意图。参照图1,基于卷积神经网络的船舶异常告警与预警方法,包括以下步骤:
(1)采用序贯法进行训练集航迹数据的预处理;
航迹数据预处理依据序贯重叠的方法,即每个船舶的轨迹首先从起始时间按照一定序列长度
(2)利用卷积神经网络构建船舶异常告警与预警模型,提取数据特征;
初始化卷积神经网络模型参数,将预处理后的训练集航迹数据输入到模型中,经过卷积层和池化层的计算得到特征图。
(1)
其中表示卷积层的第/>个特征图,/>是特征图中的索引,/>表示特征图中索引/>的输入,/>表示第/>个特征图对应的权重矩阵。
使用最大池化(Max pooling)进行降维操作:
(2)
其中,表示网络激活函数,当/>时,激活函数/>恒为1;而当/>时,激活函数/>恒为0,选择最大池化层作为默认的池化层,通过提取具有最大值的特征,使用最大池化层和步长为2来减小特征图的尺寸。
(3)将特征图的输出传递给多层感知器MLP,通过激活函数ReLU、批量归一化和dropout 进行训练。
具体为:使用多层感知器MLP作为分类头,对于告警和异常分类两个任务分配两个独立的MLP分类头,告警分类头分为两类正常和异常类别,异常分类任务的分类头分为13种类别,包括12种异常类别和正常类别,在将最大池化层的平坦输出传递给多层感知器MLP后,该模型使用ReLU激活函数、批量归一化(batch normalization)和dropout来进行训练,批量归一化和dropout被应用于每个Conv1D层和MLP层,以提高模型性能,dropout的设置为0.2。
(4)使用损失函数对正常和异常数据进行分类惩罚项/>和异常数据惩罚项进行训练,对异常类型和正常类型都惩罚,减轻过拟合状态。
(3)
其中是真实的数据标签;/>是模型预测的数据标签值;/>表示样本集标签总数;分类惩罚项/>表示模型对正常和异常数据进行惩罚;异常数据惩罚项/>负责对具体异常类型进行惩罚。
(5)使用优化器Adam进行参数更新,以最小化损失函数。
(6)重复执行上述步骤(1)~(5),直到达到预定的训练轮数或达到停止条件。
(7)输出训练好的模型权重参数。
2)推理阶段
(1)利用序贯法对推理集的航迹数据进行预处理;
(2)将预处理后的数据输入到已经训练好的卷积神经网络模型中;
(3)加载训练好的模型参数,将输入经过卷积层和池化层的计算,利用公式(1)和(2)得到特征图;
(4)将特征图的输出传递给训练好的多层感知器MLP进行预测;
(5)根据预测结果,判断船舶是否属于异常类别;
(6)模型输出异常船舶的分类结果。
实施例2
本实施例的一种基于卷积神经网络的船舶异常告警与预警方法,包括以下步骤:
步骤1. 利用序贯法对船舶航迹数据进行数据预处理;
步骤2. 利用卷积神经网络提取数据特征,得到特征图;
步骤3. 通过多层感知器进行预测,判断船舶是否属于异常类别。
下面对上述各个步骤进行详细展开:
实施例条件:确定数据集。数据集包括正常船舶和异常船舶。正常船舶包括客船、海警巡逻船、运输船、编队捕鱼船舶四种船舶,异常船舶包括非法捕捞船、海警执法船、海盗船、挖沙船、迷航船舶、被攻击船舶、编队捕渔船舶、客船偏航、客船速度过快、客船速度过慢、客船异常停止、中途返航的客船以及脱离编队的捕鱼船。正常船舶占据大多数,异常船舶占据少数。
(1)采用序贯法进行新得到的航迹数据进行预处理。
航迹数据预处理依据序贯重叠的方法,即每个船舶的轨迹首先从起始时间按照一定序列长度切片,随后每次切片时将起始位置向后移动一个时刻,再按照一定序列长度/>切片,直至某一切片的末位置是该轨迹的末位置完成数据预处理。数据预处理有助于帮助模型理解上下文的关系。
(2)将预处理后的数据输入到船舶异常告警与预警模型中,经过卷积神经网络的卷积层和池化层的计算,利用公式(1)得到特征图,并利用公式(2)使用最大池化(Maxpooling)进行降维操作。
(3)使用多层感知器MLP作为分类头,将特征图的输出传递给多层感知器MLP进行预测。对于告警和异常分类两个任务分配两个独立的MLP分类头,告警分类头分为两类正常和异常类别,异常分类任务的分类头分为13种类别,包括12种异常类别和正常类别。根据预测结果,判断船舶是否属于异常类别。
在实施例条件中,海盗船、迷航船舶、被攻击船、客船异常停止、脱离编队的告警准确率较高。这几种船舶由于与其他类型船舶在位置和速度上有较大的差异,准确率较高。例如异常停止的客船会在航路速度为零、海盗船的序列持续时间较短。其中迷航船舶与客船异常停止较为相似,都是停止较长时间,坐标不变。但二者未异常段的位置和速度有较大差异,可以被区分。迷航船舶正确率较高,异常停止的客船准确率较低。海警执法船有多条航线,平均到每个航线的样本量稍微不足。客船速度过低,正常客船的速度有一定的噪声,因此可能效果较差。由于迷航船舶也有停止的阶段,不容易与异常停止区分。客船速度过快和过慢属于同一种异常,但由于正常船舶的速度噪声通常较小,因此客船速度过慢比较不容易被检测到,客船速度过快容易被检测到,导致准确率比客船速度过慢高一些。客船中途返航,在较大的时间窗内效果较好。
当输入序列长度为2000时,告警准确率为97.87%,意味着模型能够依据过去两千个时刻的运动,对当前时刻的船舶是否异常的判断准确率是97.87%。同时异常分类准确率达到了93.56%,意味着模型能够依据过去两千个时刻的运动情况,对当前时刻的船舶的异常类型的判断准确率是93.56%。
Claims (4)
1.一种基于卷积神经网络的船舶异常告警与预警方法,其特征在于包括以下步骤:
1)训练阶段
(1)采用序贯法进行训练集航迹数据的预处理;
(2)利用卷积神经网络构建船舶异常告警与预警模型,提取数据特征;
初始化卷积神经网络模型参数,将预处理后的训练集航迹数据输入到模型中,经过卷积层和池化层的计算得到特征图;
(1)
其中表示卷积层的第/>个特征图,/>是特征图中的索引,/>表示特征图中索引/>的输入,/>表示第/>个特征图对应的权重矩阵;
使用最大池化(Max pooling)进行降维操作:
(2)
其中,表示网络激活函数,当/>时,激活函数/>恒为1;而当/>时,激活函数恒为0,选择最大池化层作为默认的池化层,通过提取具有最大值的特征,使用最大池化层和步长为2来减小特征图的尺寸;
(3)将特征图的输出传递给多层感知器MLP,通过激活函数ReLU、批量归一化和dropout 进行训练;
(4)使用损失函数对正常和异常数据进行分类惩罚项/>和异常数据惩罚项/>进行训练,对异常类型和正常类型都惩罚,减轻过拟合状态;
(3)
其中是真实的数据标签;/>是模型预测的数据标签值;/>表示样本集标签总数;分类惩罚项/>表示模型对正常和异常数据进行惩罚;异常数据惩罚项/>负责对具体异常类型进行惩罚;
(5)使用优化器Adam进行参数更新,以最小化损失函数;
(6)重复执行上述步骤(1)~(5),直到达到预定的训练轮数或达到停止条件;
(7)输出训练好的模型权重参数。
2.按照权利要求1所述的一种基于卷积神经网络的船舶异常告警与预警方法,其特征在于所述1)训练阶段中的步骤(1)中所述航迹数据的预处理依据序贯重叠的方法,即每个船舶的轨迹首先从起始时间按照一定序列长度切片,随后每次切片时将起始位置向后移动一个时刻,再按照一定序列长度/>切片,直至某一切片的末位置是该轨迹的末位置完成数据预处理。
3.按照权利要求1所述的一种基于卷积神经网络的船舶异常告警与预警方法,其特征在于所述1)训练阶段中的步骤(3)具体为:使用多层感知器MLP作为分类头,对于告警和异常分类两个任务分配两个独立的MLP分类头,告警分类头分为两类正常和异常类别,异常分类任务的分类头分为13种类别,包括12种异常类别和正常类别,在将最大池化层的平坦输出传递给多层感知器MLP后,该模型使用ReLU激活函数、批量归一化和dropout来进行训练,批量归一化和dropout被应用于每个Conv1D层和MLP层,以提高模型性能,dropout的设置为0.2。
4.按照权利要求1所述的一种基于卷积神经网络的船舶异常告警与预警方法,其特征在于所述1)训练阶段后面还包括:
2)推理阶段
(1)利用序贯法对推理集的航迹数据进行预处理;
(2)将预处理后的数据输入到已经训练好的卷积神经网络模型中;
(3)加载训练好的模型参数,将输入经过卷积层和池化层的计算,利用公式(1)和(2)得到特征图;
(4)将特征图的输出传递给训练好的多层感知器MLP进行预测;
(5)根据预测结果,判断船舶是否属于异常类别;
(6)模型输出异常船舶的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311144198.6A CN117312846A (zh) | 2023-09-06 | 2023-09-06 | 一种基于卷积神经网络的船舶异常告警与预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311144198.6A CN117312846A (zh) | 2023-09-06 | 2023-09-06 | 一种基于卷积神经网络的船舶异常告警与预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117312846A true CN117312846A (zh) | 2023-12-29 |
Family
ID=89259327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311144198.6A Pending CN117312846A (zh) | 2023-09-06 | 2023-09-06 | 一种基于卷积神经网络的船舶异常告警与预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312846A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970858A (zh) * | 2024-04-02 | 2024-05-03 | 山西久远爱思普软件股份有限公司 | 基于物联网的医疗设备监控方法及系统 |
-
2023
- 2023-09-06 CN CN202311144198.6A patent/CN117312846A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970858A (zh) * | 2024-04-02 | 2024-05-03 | 山西久远爱思普软件股份有限公司 | 基于物联网的医疗设备监控方法及系统 |
CN117970858B (zh) * | 2024-04-02 | 2024-06-11 | 山西久远爱思普软件股份有限公司 | 基于物联网的医疗设备监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hanselmann et al. | CANet: An unsupervised intrusion detection system for high dimensional CAN bus data | |
CN110223302B (zh) | 一种基于旋转区域提取的舰船多目标检测方法 | |
Sheng et al. | Research on ship classification based on trajectory features | |
CN110363115B (zh) | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 | |
CN110633353B (zh) | 一种基于集成学习的船舶类型仿冒监测方法 | |
Laxhammar et al. | Inductive conformal anomaly detection for sequential detection of anomalous sub-trajectories | |
CN117312846A (zh) | 一种基于卷积神经网络的船舶异常告警与预警方法 | |
CN110598730A (zh) | 基于决策树的航迹关联算法 | |
Yuan et al. | A multi-task analysis and modelling paradigm using LSTM for multi-source monitoring data of inland vessels | |
CN111460881A (zh) | 基于近邻判别的交通标志对抗样本检测方法和分类装置 | |
CN111538311A (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN115797749B (zh) | 一种水下自主航行器状态检测方法与系统 | |
CN114235050A (zh) | 一种海洋环境监测预警方法、设备及系统 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN112949900A (zh) | 一种水库大坝安全信息智慧感知融合预警方法及终端设备 | |
Sun et al. | NSD‐SSD: a novel real‐time ship detector based on convolutional neural network in surveillance video | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
Gupta et al. | Ship detection from highly cluttered images using convolutional neural network | |
CN114827211A (zh) | 一种物联网节点数据驱动的异常监控区域检测方法 | |
CN112733935A (zh) | 一种基于Stacking算法的渔船捕捞方式预测方法 | |
CN117034112A (zh) | 一种基于样本增强与对比学习的恶意网络流量分类方法 | |
CN116597693A (zh) | 一种内河航运监控系统及方法 | |
CN115865988A (zh) | 利用手机传感器网络的客船旅客踩踏事件监测系统及方法 | |
EP4124998A1 (en) | Generative adversarial network for processing and generating images and label maps | |
CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 |
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 |