一種基于AIS數(shù)據(jù)建模分析的艦船類型識別方法
2025-08-28 00:00:00牟方厲劉穎樊子德鄧雅朱可卿趙新昱
指揮控制與仿真 2025年4期
中圖分類號：U675；E91 文獻標志碼：A DOI：10.3969/j.issn.1673-3819.2025.04.007
引用格式：牟方厲，劉穎，樊子德，等.一種基于AIS數(shù)據(jù)建模分析的艦船類型識別方法[J].指揮控制與仿真，2025，47（4）：40-48MOUFL，LIUY，F(xiàn)ANZD，etal.AshiptypeidentifcationmethodbasedonmodelingAISdataJ].CommandControlamp;iulation，2025，47（4） ：40-48.
A ship type identification method based on modeling AIS data
MOU Fangli1 ， LIU Ying2 ， FAN Zide1?，DENG Yawen1， ZHU Keqing1， ZHAO Xinyu1 （1.Key Laboratory of Target Cognition and Application Technology，Aerospace Information Research Institute， Chinese Academy of Sciences，Beijing，100084，China；2. Unit 91977 ofPLA，Beijing，100089，China）
Abstract：Withthecontinuous developmentof shipinformation technology，automatic identificationsystem（AIS）playsan increasinglyimportantroleinmarine traficmanagementandshipnavigationsafety.Inthispaper，ashipidentificationmethodbasedonAISdataisproposedtosolvethe problemofmilitary-civilian typeidentificationofships.The method establishes asensitiveseaareamodelforthedistributionofkeypointsofshiptrajectories，calculatestheprobabilityofmilitary-civilian atributesofships，andconstructsacategoryclasifiertojudgethemilitary-civilianatributesofships.Theproposedmethod usescheap，al-domaincoverageandhigh frequencyAISinformationtoidentifythemilitaryandcivilian typesof ships， which can detectand warnthethreatening behaviors existing intheseaareainadvance，providesupportandauxiliarydecision-making for subsequent response and disposal.
KeyWords：AIS data；ship's military and civilian attributes；data mining；abnormal features
我國海域面積廣闊，各項涉海事業(yè)發(fā)達，海上潛在威脅往往隱藏在繁忙的民事經(jīng)濟活動中，這給海域常態(tài)化監(jiān)管、維護國家海洋權(quán)益帶來了很大挑戰(zhàn)。
艦船的軍民類別是艦船具有的重要屬性，直接體現(xiàn)了艦船目標在特定任務中的重要性和威脅程度，對進行海上目標監(jiān)視、威脅分析評估以及后續(xù)任務的指揮籌劃等方面具有重要意義。現(xiàn)有的艦船軍民類別識別主要通過光學遙感、航偵影像判別的方式，即通過圖像目標檢測方法，根據(jù)提取的艦船圖像特征進行艦船軍民類別的自動判別。然而，光學遙感、航偵等基于圖像的方法具有時效性與覆蓋率有限、受天氣影響大、觀測成本高等缺陷。
自動識別系統(tǒng)（AIS）在如今的海上交通管理和船舶航行安全中愈發(fā)重要，AIS數(shù)據(jù)具有大覆蓋區(qū)域、數(shù)據(jù)頻率高、成本低廉等特點，包含各類艦船歷史航行中的規(guī)律信息，具有很高的應用價值[1]。為解決現(xiàn)有基于遙感、航偵信息進行艦船軍民類型識別的缺陷問題，實現(xiàn)對我國廣闊海域的常態(tài)化管控，本文提出一種基于AIS數(shù)據(jù)的艦船軍民類型識別方法。所提方法利用廉價、全域覆蓋、高頻率的AIS信息，能夠?qū)Ｓ蛑写嬖诘臐撛谕{行為提前發(fā)現(xiàn)和預警，為后續(xù)的應對處置提供支撐和輔助決策，更好地保障國家海洋安全。
目前，對AIS數(shù)據(jù)的挖掘研究主要集中在以下兩個方面[2]：一是基于AIS數(shù)據(jù)的航路聚類研究，二是基于AIS數(shù)據(jù)的艦船異常行為檢測研究。AIS聚類分析是航跡分析預測、異常行為檢測、碰撞預警等AIS數(shù)據(jù)挖掘分析的基礎，該過程通過構(gòu)建航跡相似度度量并利用聚類算法實現(xiàn)對船舶航行路線和交通流的分析[3]。艦船異常行為檢測通常采用總結(jié)歸納方法建立艦船的異常行為庫，樸素貝葉斯、卡爾曼濾波、核密度估計等是常見的艦船異常行為檢測方法[4]，一些基于時序網(wǎng)絡的檢測方法同樣被提出用于進行艦船異常行為的檢測[5]。艦船的加速度、平均速度和轉(zhuǎn)向率則為構(gòu)建判據(jù)的常見評價準則。現(xiàn)有的艦船異常行為檢測主要針對特定檢測場景，存在大多數(shù)因素無法直接量化以及異常特征知識庫不具有廣泛適用性的問題，對大范圍內(nèi)艦船的異常行為檢測不適用[]
以上研究展示了AIS數(shù)據(jù)在海洋管控等領(lǐng)域中的有效應用，但是在艦船的軍民類型識別問題上，目前尚未有深入的研究報道。AIS數(shù)據(jù)作為典型的地理時空大數(shù)據(jù)，具有密度不均、分布復雜、頻率差異大等特性。相較而言，民用艦船AIS數(shù)據(jù)具有數(shù)據(jù)量大、分布廣、連續(xù)性強的特點；而軍用艦船AIS數(shù)據(jù)具有數(shù)據(jù)稀疏、分布不均、分散性強的特點，故需要采用不同的分析方法。由于軍用艦船與民用艦船在海域中執(zhí)行任務目的具有顯著差異，因此，如何從海量的民用艦船AIS信息中快速、有效識別出軍用艦船的AIS信息對實現(xiàn)高效的海上目標監(jiān)視、威脅分析以及后續(xù)任務的指揮籌劃等方面具有重要意義。
面向國家需求，充分發(fā)揮現(xiàn)有民用資源潛力，本文針對艦船的軍民類型識別問題，提出了一種基于AIS數(shù)據(jù)的艦船軍民類型識別方法。該方法對AIS數(shù)據(jù)進行高效航路聚類分析，建立航跡關(guān)鍵點分布的敏感海域模型，以計算艦船的軍民屬性概率，并構(gòu)建類別分類器實現(xiàn)對艦船軍民屬性的判斷。實際AIS數(shù)據(jù)集中的驗證結(jié)果表明，該方法可以實現(xiàn)基于AIS信息的艦船軍民類型識別，能夠?qū)Ｓ蛑写嬖诘臐撛谕{行為提前發(fā)現(xiàn)和預警，為后續(xù)的應對處置提供支撐和輔助決策，具有很好的應用價值。
1基于AIS信息的艦船軍民屬性識別方法
基于AIS信息的艦船軍民屬性識別問題即從海量歷史AIS數(shù)據(jù)中提取民用艦船和軍用艦船具有的特征，設計判別器實現(xiàn)對給定AIS航跡的艦船軍民屬性識別。本文方法的整體思路如下：
首先，通過對AIS數(shù)據(jù)進行投影、壓縮等方式剔除錯誤數(shù)據(jù)；之后，通過基于聚類的分析方法進行海域航路建模，實現(xiàn)對具有大數(shù)據(jù)占比的民用艦船AIS特征建模；接下來，通過基于高斯混合模型的方法實現(xiàn)對具有小數(shù)據(jù)占比的軍用艦船AIS特征建模；最后，結(jié)合提取的民用、軍用艦船AIS特征，設計基于支撐向量機的分類器完成對給定AIS航跡的艦船軍民屬性識別。
為了解決基于AIS數(shù)據(jù)的艦船軍民類型識別中存在的海量AIS數(shù)據(jù)難以分析、軍民艦船數(shù)據(jù)分布極度不均衡、軍用艦船數(shù)據(jù)連續(xù)性差的難點問題，本文設計方法的基本流程如圖1所示。
圖1本文方法基本流程
Fig.1 General process of proposed method
1.1AIS數(shù)據(jù)預處理
AIS數(shù)據(jù)是一種典型的地理時空大數(shù)據(jù)。通常一艘艦船完整的AIS航跡具有數(shù)據(jù)量大、報點時空間分布不均衡等特點，導致使用原始的AIS信息進行艦船航行狀態(tài)分析具有較大的困難，也加大了算法的計算復雜度。因此，在分析AIS數(shù)據(jù)之前，需要對AIS數(shù)據(jù)進行預處理，本文采用的具體方法如下：
（1）在讀取原始的AIS數(shù)據(jù)后，我們首先將AIS數(shù)據(jù)的地理坐標轉(zhuǎn)換為墨卡托投影下的坐標，計算公式如下[7]：
其中， （lo，la） 為AIS數(shù)據(jù)的地理經(jīng)緯度坐標； （x，y） 為墨卡托投影坐標； r0 表示標準緯度平行圓的半徑； la0 表示墨卡托投影中的標準緯度； αa 表示地球橢球的赤道半徑， e1 為地球橢球的第一偏心率， q 為等量緯度。
之后，我們根據(jù)投影后AIS的航行航向和船舶航行速度進行AIS數(shù)據(jù)清洗，排除具有錯誤位置、速度或加速度的航跡數(shù)據(jù)點并將具有同一MMSI（Maritimemobileserviceidentity）代碼的AIS點關(guān)聯(lián)為同一艦船。
（2）在完成AIS異常點清洗后，我們使用道格拉斯-普客（Douglas-Peucker，DP）算法實現(xiàn)AIS航跡的壓縮[8]。DP算法是一種遞歸迭代的線狀要素抽稀算法，是目前應用最廣泛的軌跡壓縮算法。其主要思想是從原始軌跡點集 TS 中抽取關(guān)鍵特征點集 KS={K1，… Kn} ，使得在一定保留閾值 ε 下，該特征點集與原始軌跡點集形狀盡可能相似。其中， n 為壓縮后軌跡點的數(shù)目，且 Ki=（xi，yi） 。
DP 算法流程如圖2所示，其基本實現(xiàn)步驟為：
步驟1：將軌跡TS的起點和終點加入 KS
步驟2：遍歷 KS
步驟2.1：記相鄰兩點 Ki 和 Ki+1 之間的直線為基線，兩點之間的線段為子軌跡線段 Subτ={T1，…，Tm} （其中， m 為子軌跡線段的點數(shù)），計算子軌跡線段 Subr 中各點到基線的距離。
步驟2.2：取最大距離 dmax ，若 dmax?ε ，則將最大距離對應的點 Ti 記錄在集合 KS 中。
步驟3：令所有 dmax 中的最大值為 Dmax?ε ，若Dmax?ε ，重復步驟2，否則結(jié)束算法。
算法中點與基線間的距離計算可以使用如下的海倫公式獲得：
式中， a 為曲線的基線長； b?c 分別為分析點到基線兩端
點的距離： α+b+為半周長;S表示由點和基線構(gòu)成三角形的面積。
至此，完成對AIS航跡數(shù)據(jù)的預處理，我們將經(jīng)DP壓縮后得到的AIS航跡點稱為艦船的航行特征點。
1.2海域航路建模
為便于進行海域特性分析，需要對AIS航跡進行聚類。針對AIS地理大數(shù)據(jù)的特點，我們基于交通密度圖像的方法，將復雜AIS軌跡的聚類問題轉(zhuǎn)化為圖像處理問題。該方法不需要計算全部軌跡之間的相似性，綜合考慮了軌跡的局部特征和全局特征，具有適應性強、效率高的優(yōu)點，有效解決了在處理海量AIS數(shù)據(jù)時常規(guī)算法產(chǎn)生的維度災難。
通過對每個網(wǎng)格中的AIS報點進行計數(shù)來構(gòu)建航路密度圖，航路密度圖的像素值為像素區(qū)域內(nèi)AIS報點的計數(shù)值，其過程如圖3所示。
圖3海域AIS航路密度圖建模過程
Fig.3General process of constructing traffic density image
從構(gòu)建過程可知，對于某一相關(guān)區(qū)域，構(gòu)建得到的航路密度圖具有以下線性特征：
式中， Img（t） 是時間段 χt 內(nèi)構(gòu)建的航路密度圖。該特性保證了航路密度圖具有時間上的線性可疊加性，便于進行AIS數(shù)據(jù)的增量分析。
根據(jù)上述構(gòu)建過程可知，航路密度圖中較亮的區(qū)域為艦船在海域中航行的主要干路。結(jié)合AIS數(shù)據(jù)特點可知，該區(qū)域反映了民用艦船的航行特點，可作為民用艦船模式（特征曲線）提取的依據(jù)。本節(jié)建模的主要目標如圖4所示。
如圖4（a）所示，直接構(gòu)建的海域AIS航路密度圖具有大量的噪點。這些噪點反映的是少量非規(guī)律艦船的航跡，對應于航路密度圖中的高頻分量。為進行主要干路區(qū)域提取，獲得具有魯棒性的民用艦船航行特征，首先利用高斯濾波對航路密度圖中的次要航行軌
跡所在區(qū)域進行抑制：
Img1=Gf（σ）*Img0
高斯濾波器是一種線性濾波器，能夠有效抑制圖像噪聲，達到平滑圖像的目標。式中， Img1 為高斯濾波后的航路密度圖，濾波器的 Gf 方差為 σ;Img0 為原始的航路密度圖。高斯濾波器的應用目的如圖5所示，濾波后的航路密度圖如圖6（b）所示。
圖5高斯濾波器和Gabor濾波器應用目的
Fig.5General purposeofusinggaussianfilterandGaborfilter
基于恒虛警率（Constant1alarmrate，CFAR）思想，主要干路區(qū)域的提取方法如下：
RL={xL：xL?Tb}，P（Tb）=α
其中， RL 為提取區(qū)域； xL 為 Img1 中的像素值; Tb 為提取閾值； P 為 Img1 的經(jīng)驗累積分布函數(shù)； α 為選取的顯著性水平。
由于提取的區(qū)域也可能是主要航道以外的相交區(qū)域（如圖4所示），我們采用形態(tài)學處理和連通域分析的方法來消除這些區(qū)域：
A（xL）?A0OREc（xL）?Ec0
式中， xL 是 RL 中的連通區(qū)域； A（xL） 和 Ec（xL） 分別為區(qū)域 
的面積和偏心率； A0 和 ∣Ec0 是對應的閾值常數(shù)。我們將處理后的航路密度圖記為Imgmo
至此，我們有了航路密度圖中的所有主要航道區(qū)域，如圖6（d）所示，下一步是將它們聚類并分割成不同的航行模式，獲得可以量化計算的特征曲線。
在航路密度圖中，主要干路航路的圖像紋理反映了該區(qū)域內(nèi)艦船的主要航行方向，航路的主要航行方向結(jié)合航路的空間位置便能形成該航路的航行模式特征。為便于獲得受亮度影響小、便于聚類的方向特征（圖4b中的特征曲線），構(gòu)建可以進行計算的航行特征，我們使用Gabor濾波器提取航路密度圖的紋理特征。Gabor濾波器是一種線性帶通濾波器，被廣泛應用于圖像處理中的邊緣檢測、紋理分類、特征提取和視差估計。Gabor 特征 HG 是將圖像 Imgy 與Gabor 濾波器{g（x，y∣λ，θ，ψ，σ，γ）} 進行卷積得到的具有相同濾波方向的響應向量 hg 之和：
此處，可以選擇方向參數(shù)為 
5]，波長為λ=[2，4，8]，x表示像素的坐標，y表示像素的 y 坐標， ψ 表示相位偏移量， σ 表示高斯包絡函數(shù)方差參數(shù)， γ 表示空間尺度縱橫比。
在此基礎上，我們使用基于密度的帶噪聲應用空間聚類（Density-based Spatial Clustering of ApplicationwithNoise，DBSCAN）方法利用Gabor特征對像素進行聚類。
DBSCAN算法的核心思想為構(gòu)建數(shù)據(jù)點的 ε 鄰域 Nε（p）[9] ：
Nε（p）={q∈Xc∣dist（p，q）?ε}
式中， Xc 為聚類數(shù)據(jù)點集； Δdist 為定義數(shù)據(jù)點間的距離函數(shù)，文中距離為 L2 范數(shù)距離。
之后，給定鄰域數(shù)據(jù)密度閾值 Mε 來獲得至少包含Mε 個數(shù)據(jù)點的數(shù)據(jù)聚類結(jié)果。
我們將這些具有相似航行航向的航線聚類成一個相同的航行模式，如圖6（e）所示。為反映航跡的空間距離，我們將位置加入圖像特征中，對每個航路模式進行二次DBSCAN聚類，進一步得到在空間上被隔離的航路，如圖6（f所示。然而，由于一些相鄰區(qū)域可能存在過度分割現(xiàn)象。因此，我們根據(jù)每個航跡的空間位置和密度對這些區(qū)域進行檢查，以實現(xiàn)更精確的分割。
我們提出以下判斷相鄰航道區(qū)域是否合并的標準：
MI 的數(shù)值越大，表示相鄰航線之間的相似性越大。其中， Ii∈[0，1] 表示由圖像特征生成的歸一化指標， wi 為對應指標的權(quán)重。
本文用區(qū)域距離指標 I1 、路線相似度 IO2 和密度相似度 I3 三個特征來計算航路間的相似度。區(qū)域距離指標 I1 使用最大-最小距離來計算兩條相鄰航路之間的空間距離；航向相似度 I? 是利用航路的平均航向角來防正獲得的一類航道區(qū)域具有過大的航向差異；密度相似度 
利用航路的平均交通密度使得航道區(qū)域間的艦船流量盡量一致。
選擇合并閾值 MI0 ，并將滿足 MIgt;MI0 的相鄰航路合并，結(jié)果如圖 6（g） 和圖 6（h） 所示。完整的海域航路聚類過程如圖6所示。
在完成海域航路聚類后，圖4（b）中海域航路的特征曲線便可由聚類區(qū)域的中心曲線定義。
1.3敏感海域建模
如圖7所示，軍用艦船與民用艦船的AIS數(shù)據(jù)具有明顯不同形式分布的航行特征點。這里，我們將軍用艦船航行特征點集中分布的海域稱為敏感海域。同樣可知，1.2節(jié)建模得到的海域多為非敏感海域。為提升類型判別的準確性，我們需要對軍用艦船的航行特征點進行分析。
我們首先利用DBSCAN算法對航行特征點進行初步聚類，文中DBSCAN的參數(shù)取值為
ε=1，Mε=4
經(jīng)DBSCAN聚類后，航行特征點將被分為若干類別。我們將具有少于 Ms 個數(shù)據(jù)點的類稱為孤立類，對應于DBSCAN結(jié)果中標簽為-1的類別;將具有不少于Mε 個數(shù)據(jù)點的類稱為非孤立類，對應于DBSCAN結(jié)果中標簽不為-1的類別。
之后，對每個非孤立類根據(jù)高斯混合模型（Gaussian mixture model， GMM[10] ）進行建模，即將每個非孤立類建模為
式中， 
為該高斯混合模型的概率分布， 
{[αk，θk]，k=1，…，K} 為模型參數(shù)； K 為混合模型中子高斯模型的數(shù)量； αk?0，Σαk=1 為航行特征點隸屬第k 個子高斯模型的概率； ?（x∣θk） 為第 k 個子模型的高斯分布密度函數(shù)，形式如下：
其中， θk=[μk，Σk] 為子高斯模型參數(shù)； D 為高斯模型的維度 σi，μk 為高斯模型的期望； 
為高斯模型的協(xié)方差矩陣。
GMM模型是一個由 K 個子高斯模型組成的混合分布，表示觀測數(shù)據(jù)在總體中的概率分布。GMM模型的參數(shù)可以通過Expectation-Maximum（EM）算法進行迭代求解[1]
模型中子高斯模型的數(shù)量 K 通過優(yōu)化Akaikein-formationcriterion（AIC）信息準則[1]得到
AIC=2km-2ln（Lm）
式中， km 為模型的參數(shù)數(shù)量； Lm 為似然函數(shù)。
至此，完成了對非孤立類敏感海域分布的建模。
1.4孤立類處理方法
對于孤立類中的航行特征點，存在以下兩種可能情況：
（1）該孤立類中的航行特征點為原始航跡中的空間冗余點。
（2）該孤立類中的航行特征點為原始航跡中的曲線特征點。
上述情況可以根據(jù)孤立類中航行特征點的平均速度進行判斷，低速或靜止的航行特征點為原始航跡中的空間冗余點；而高速的航行特征點為原始航跡中的曲線特征點。下面分別進行討論：
對于情況1，此時該航行特征點對應于艦船的停泊點或駐點。故同樣需要將航行特征點按敏感海域進行建模，并使用二維高斯分布 ?（x∣ηk） ）進行描述，模型參數(shù) ηk=[εk，σk] 選擇準則為： ε?k 為孤立類中心坐標，σk 為對角的協(xié)方差矩陣，其取值為進行軌跡壓縮前該類附近AIS點的協(xié)方差。
對于情況2，此時該航行特征點對應于艦船航行曲線的近似轉(zhuǎn)向點。此時，需要對該點的航行特征同構(gòu)建的航路特征進行相似性計算，統(tǒng)計該點鄰域內(nèi)曲線的曲率和平均速度，記為輔助特征 Fk 。
1.5 艦船屬性識別
經(jīng)過以上過程，我們實現(xiàn)了民用艦船航行特征和軍用艦船特征點分布敏感海域的建模。
之后，可以利用獲得的建模結(jié)果實現(xiàn)對給定艦船軍民屬性的判斷，具體方法如下：
令艦船特征點處于敏感海域的概率 PA 為
并記訓練集中軍用艦船航行特征點 
的集合為{PA∣M} ；民用艦船航行特征點 
的集合為 {PA∣C} ；可按支撐向量機[13]（Supportvectormachine，SVM）的方法求解最優(yōu)的軍民屬性分界面判斷函數(shù)：
ξi?0
其中， 
為艦船第 i 個航行特征點的 
為最優(yōu)的分界面判斷函數(shù) 
為核函數(shù)，本文中選擇為線性核； C∈R+ 為罰因子； ξi 為允許樣本的錯誤分類區(qū)域。
對艦船每個航行特征點的軍民類別判斷函數(shù)如下：
wf（pi）+b?0，yi=1
wf（pi）+blt;0yi=- 1
式中，1類代表軍用艦船； -1 類代表民用艦船。
對給定艦船軍民屬性的識別流程如圖8所示，具體描述如下：
（1）對艦船的AIS數(shù)據(jù)進行預處理和DP壓縮，得到該艦船的航行特征點；
（2）計算該艦船所有航行特征點處于敏感海域的 概率PA;
（3）根據(jù)軍民類別判斷函數(shù)判斷每個艦船航行特征點的可能軍民類別；
（4）根據(jù)投票法得到該艦船的軍民屬性，若投票法結(jié)果為軍用艦船，退出識別算法；
（5）若投票法結(jié)果為民用艦船，則計算艦船航跡與海域航路間最小距離 D?1 ，以及艦船輔助特征 Fk 與訓練集中軍用艦船 Fk 的最小距離 D2°D1 的計算過程如下：
式中， ?yk??yi?yj 表示局部匹配不同條件的符號函數(shù)，當F1*（k）=F2*（k）≠0 時， yk=1 ；當 ηk=[εk，σk] 時， ?yi= 1；當 
時， ?yj=1 ;此外 ，yk，yi，yj=0;α1 ，α2，α3 為權(quán)值因子， ，L（F1），L（F2），L（F1*） 分別表示F1，F(xiàn)2，F(xiàn)1* 的長度。
上述過程使用Smith-Waterman算法在獲得的AIS軌跡的模式特征向量和之間尋找最合適的局部匹配，評分標準 s 定義為
其中， F1 為海域的模式特征向量； F2 為海域的數(shù)量特征向量； ai 和 bj 代表 
與 
中的第 i 個元素和第 j 個元素，我們將 
和 
最合適的局部匹配記為 F1* 和F。
D?1 越小，則該航跡與民用艦船航跡越相似， D2 越 小，則該航跡與軍用艦船航跡越相似。
綜合最小距離 Df 定義為 D2 和 D1 的加權(quán)結(jié)果：
Df=ε2D2-ε1D1
式中， ε1，ε2 為對民用匹配和軍用匹配的置信因子。
若獲得的綜合最小距離小于給定閾值，則將該艦船標記為軍用艦船。
2 實際AIS數(shù)據(jù)驗證結(jié)果
驗證中的AIS數(shù)據(jù)集來源于第二屆“金海豚杯”算法競賽數(shù)據(jù)集[14]。該數(shù)據(jù)集由全球開源AIS數(shù)據(jù)整理制備得到。其中，民用類別數(shù)據(jù)共1915條，軍用類別數(shù)據(jù)共351條。數(shù)據(jù)的分布情況如圖1所示。
算法運行環(huán)境為Matlab2021b，訓練集與測試集的數(shù)據(jù)劃分比為8：2。研究中的對比算法為基于航行特征的艦船異常行為檢測算法[15]和基于LSTM長短期神經(jīng)網(wǎng)絡的檢測算法[5，訓練集和測試集中算法對軍民屬性的識別結(jié)果分別如表1和表2中數(shù)據(jù)所示。
表中的民用識別準確率 p1 、軍用識別準確率 p2 和綜合識別準確率 pa 分別定義如下：
式中， TPci 為檢測算法判斷為民用艦船的樣本； TPMi 為檢測算法判斷為軍用艦船的樣本； Pci 為實際民用艦船的樣本； PMi 為實際軍用艦船的樣本； λ1，λ2 為對民用檢測和軍用檢測的關(guān)注程度，文中取 λ1=0.4，λ2=0.6 0
由表中數(shù)據(jù)可知，由于數(shù)據(jù)集樣本量有限且類別不均、軍用艦船的AIS數(shù)據(jù)分布較為稀疏等原因，傳統(tǒng)的基于航行特征的艦船異常行為檢測算法和基于LSTM的時序檢測算法均難以實現(xiàn)對軍用艦船的有效識別。在訓練集上的軍用識別率分別為 42.75% 和56.34% ，綜合識別率分別為 59.70% 和 68.34% ，對軍用艦船的鑒別能力較差；所提方法在訓練集上的軍用識別率和綜合識別率分別為 85.05% 和 87.14% ，對軍用艦船的鑒別能力提升了 15% 以上。
在測試集上，傳統(tǒng)的基于航行特征的艦船異常行為檢測算法和基于LSTM的時序檢測算法產(chǎn)生了顯著的性能衰退，對軍用艦船的檢測率分別約 5% 與 12% ，幾乎無法對軍用艦船進行正確鑒別。所提方法在測試集上仍具有超過 74% 的軍用艦船識別正確率和 80% 的綜合識別準確率，該結(jié)果說明本文方法具備較好的應用效果。
3 結(jié)束語
本文針對艦船的軍民類型識別問題，提出了一種基于AIS數(shù)據(jù)的建模分析方法。該方法對AIS數(shù)據(jù)進行高效航路聚類分析，建立航跡關(guān)鍵點分布的敏感海域模型，以計算艦船的軍民屬性概率，并構(gòu)建類別分類器實現(xiàn)對艦船軍民屬性的判斷。實際AIS數(shù)據(jù)集上的驗證結(jié)果表明，所提方法可以利用廉價、全域覆蓋、高頻率的AIS信息識別艦船的軍民類型，可以對海域中存在的威脅行為進行提前發(fā)現(xiàn)和預警，為后續(xù)的應對處置提供支撐和輔助決策，更好保障國家海洋安全，具有很好的應用價值。
參考文獻：
[1]YAN R，WANG SA，CAO JN，et al. Shipping domain knowledge informed prediction and optimization in port statecontrol[J].Transportation ResearchPart B：Methodological，2021（149）：52-78.
[2] MOUFL，F(xiàn)ANZD，LIXH，etal.Amethod forclusteringand analyzing vessel sailing routes efficiently fromAIS data using trafc density Images[J]. J. Mar. Sci.Eng.， 2024，12（1）：75.
[3] YANGD，WU L，WANG S，et al. How big data enriches maritimeresearch—acritical reviewofautomaticidentification system（AIS）data applications[J]. Transport Reviews，2019（39）：755-773.
[4] ANNEKENM，F(xiàn)ISCHERY，BEYERERJ.Evaluationand comparison of anomaly detection algorithms in annotated datasetsfrom themaritime domain[C]//SaiIntelligent SystemsConference.IEEE，2015.
[5］楊帆，何正偉，何帆.基于LSTM神經(jīng)網(wǎng)絡的船舶異常 行為檢測方法[J].武漢理工大學學報（交通科學與工 程版），2019，43（5）：886-892. YANGF，HEZW，HEF.Detectionmethodofabnormal shipbehaviour based onLSTM neural network[J].Journal ofWuhan UniversityofTechnology（Transportation Scienceamp;Engineering），2019，43（5）：886-892.
[6] RONG H，TEIXEIRA A P，GUEDESSOARESC. Data mining approach to shipping route characterization and anomaly detection based on AIS data[J].Ocean Engineering，2020（198）：106936.
LJ HCICLJ Data Assimilation for the Geosciences，2017：483-554.
[8]ZHAO L B，SHI G Y. A trajectory clustering method based on Douglas-Peucker compression and density for marine traffic pattern recognition[J]. Ocean Engineering， 2019（172） ： 456-467.
[9]ESTER M， KRIEGEL H P，SANDER J，et al. A densitybased algorithm for discovering clusters in large spatial databases with noise[J]. Proceedings of the second International Conference on Knowledge Discovery and Data Mining，1996，96（34）：226-231.
[10]HUANG Y H，ENGLEHARTKB，HUDGINS B，et al.A Gaussian mixture model based classification scheme for myoelectric control of powered upper limb prostheses[J]. IEEE Transactions on Bio-Medical Engineering， 2005， 52 （11）：1 801-1 811.
[11]MOON T K. The expectation-maximization algorithm. IEEE signal process mag[J]. IEEE Signal Processing Magazine，1996，13（6） ：47-60.
[12]POSADAD，BUCKLEY TR.Model selection and model averaginginphylogenetics：advantagesofakaike information criterion and Bayesian approaches over likelihood ratio tests[J].Systematic Biology，2004，53（5）： 793-808.
[13]SUYKENS J A K，VANDEWALLE J.Least squares support vector machine classifiers[J]. Neural Processing Letters，1999，9（3）：293-300.
[14］海軍第二屆\"金海豚\"杯算法挑戰(zhàn)賽海情板塊公告（含 訓練數(shù)據(jù)集、測試集）［EB/OL]．［2023-11-09]. https：//radars.ac. cn/web/data/getData？ dataType Σ=Σ DatasetintheCompetition. Announcement of the second\" Gold Dolphin \"cup algorithm challenge competition—oceanographic conditions section（including training dataset and test set）.[EB/ OL].[2023-11-09]. https：//radars.ac.cn/web/data/getData？dataType 
DatasetintheCompetition.
[15］段浩然.基于AIS數(shù)據(jù)的漁船異常行為檢測［D].大連 海洋大學，2023. DUAN H R.Abnormal behavior detection of fishing boats based on AIS data[D]. Dalian Ocean University，2023.
（責任編輯：李楠）
