基于GRNN算法的船舶轨迹分析方法.docx

基于GRNN算法的船舶轨迹分析方法
基于GRNN算法的船舶轨迹分析方法
摘要：船舶轨迹数据的分析对于海洋交通管理、航行安全以及海洋环境保护具有重要的意义。本文基于GRNN算法，提出了一种船舶轨迹分析方法，包括特征提取、船舶聚类和异常检测三个主要步骤。实验结果表明，该方法在船舶轨迹分析中具有较高的准确性和鲁棒性。
关键词：船舶轨迹分析；GRNN算法；特征提取；船舶聚类；异常检测
1.引言
船舶轨迹数据是指船舶在一段时间内的位置坐标及其时间信息的记录。在现代海洋交通中，大量的船舶轨迹数据被收集和记录，这些数据对于海洋交通管理、航行安全以及海洋环境保护等方面具有重要的意义。因此，对船舶轨迹数据的分析与处理成为了研究的热点之一。
船舶轨迹数据的分析涉及到许多问题，如船舶的聚类、轨迹的预测和异常检测等。其中，船舶的聚类可以帮助我们理解船舶的行为模式以及不同船舶类型的特征。轨迹的预测可以帮助我们预测船舶的未来位置及其可能的行为。异常检测可以帮助我们发现异常船舶，提前采取措施防止事故的发生。
2.GRNN算法介绍
GRNN（GeneralizedRegressionNeuralNetwork）是一种基于神经网络的非参数分类和回归模型，其核心思想是通过非线性映射函数来建立输入和输出之间的映射关系。GRNN算法具有以下优点：（1）对输入输出之间的非线性关系具有较好的逼近能力；（2）无需先验知识和参数设置，具有较好的自适应性和泛化能力。
3.船舶轨迹分析方法
3.1特征提取
船舶轨迹数据通常包括船舶的位置坐标及其时间信息。在特征提取阶段，我们可以从轨迹数据中提取一些描述船舶行为的特征。常用的特征包括航速、航向、加速度等。此外，还可以根据轨迹数据的时空特性提取一些统计特征，如平均速度、角度变化率等。
3.2船舶聚类
在船舶轨迹分析中，船舶聚类是一个重要的任务。通过将相似的船舶聚类在一起，可以揭示不同船舶之间的行为模式和特征。在船舶聚类过程中，我们可以使用GRNN算法来建立船舶的特征向量与聚类结果之间的关系。通过训练GRNN模型，我们可以根据船舶的特征预测其所属的类别。
3.3异常检测
异常检测是船舶轨迹分析中的重要问题。通过检测异常船舶，我们可以及时采取措施，预防可能的事故发生。在异常检测阶段，我们可以利用GRNN算法来建立异常船舶与正常船舶之间的边界模型。通过训练GRNN模型，我们可以根据船舶的特征判断其是否为异常船舶。
4.实验结果与讨论
为了评估所提出的船舶轨迹分析方法的效果，我们使用了一个船舶轨迹数据集进行实验。实验结果表明，所提出的方法在船舶聚类和异常检测方面具有较高的准确性和鲁棒性。同时，该方法对于不同类型的船舶和不同行为模式的船舶具有较好的适应能力。
5.总结与展望
本文基于GRNN算法提出了一种船舶轨迹分析方法，该方法包括特征提取、船舶聚类和异常检测三个主要步骤。实验结果表明，所提出的方法在船舶轨迹分析中具有较高的准确性和鲁棒性。未来，我们将进一步完善该方法，提高其适应能力和泛化能力，并将其应用于实际的海洋交通管理和航行安全等领域。
参考文献：
[1]蔡美伟,龚炳秋.基于$GRNN$算法的船舶轨迹分析[J].海洋技术学报,2018.
[2]ChenS,CowanCFN,GrantPM.Orthogonalforwardselectionandbackwardeliminationalgorithmsforconstructingmultilayerperceptrons[J].TheInternationalJournalofNeuralNetworks,1991,2(4):245-258.
[3]KoutrasP,TzimopoulosC,DimouA,etal.AnimprovedGRNNalgorithmfordataclassificationproblems[J].ExpertSystemswithApplications,2013,40(4):1269-1281.