[发明专利]一种远洋船舶分类方法

权利要求书

1.一种远洋船舶分类方法，其特征在于，包括：

步骤(1)：获取AIS数据，对所述AIS数据进行预处理，得到每条船舶的连续轨迹点数据；

步骤(2)：构建渔船/非渔船分类识别模型，所述输入渔船/非渔船分类识别模型根据所述每条船舶的轨迹点数据对船舶进行分类，并提取渔船信息；

步骤(3)：构建渔船分类识别模型，所述渔船分类识别模型根据所述渔船信息对渔船捕捞种类进行分类。

2.根据权利要求1所述的远洋船舶分类方法，其特征在于，所述步骤(1)中对所述AIS数据进行预处理，得到每条船舶的连续轨迹点数据，具体为：基于所述AIS数据得到MMSI时间序列数据，将每个所述MMSI时间序列数据分成多个时间序列数据段，再根据预设条件从最大的时间序列数据段中挑选时间连续的特征点信息，得到每条船舶的连续轨迹点数据。

3.根据权利要求1所述的远洋船舶分类方法，其特征在于，所述步骤(1)中的AIS数据包括静态信息和动态信息；所述静态信息包括MMSI编号、IMO编号、呼号、船名、船长和功率；所述动态信息包括MMSI编号、船名、发送时间、经度、纬度、航向和航速。

4.根据权利要求1所述的远洋船舶分类方法，其特征在于，所述步骤(2)中的渔船/非渔船分类识别模型和步骤(3)中的渔船分类识别模型均为BiLSTM深度学习模型，所述BiLSTM深度学习模型包括前向输出和后向输出，所述BiLSTM深度学习模型的前向输出迭代公式为：

其中，x_t为输入的时间序列矩阵x在t时刻的向量值，为向前方向的t时刻单个LSTM神经元输出值，为向前传递方向输入变量权值，为向前传递方向上一时刻LSTM神经元输出权值，为向前传递方向神经单元阈值；

所述BiLSTM深度学习模型的后向输出迭代公式为：

其中，为向后方向的t时刻单个LSTM神经元输出值，为向后传递方向输入变量权值，为向后传递方向上一时刻LSTM神经元输出权值，为向后传递方向神经单元阈值；

根据所述和计算所述BiLSTM深度学习模型的输出，公式为：

其中，为t时刻向前传递方向神经元输出权值，为t时刻向后传递方向神经元输出权值，b_y为BiLSTM神经元输出阈值。

5.根据权利要求1所述的远洋船舶分类方法，其特征在于，所述步骤(2)中的渔船/非渔船分类识别模型的输出结果为二分类，步骤(3)中的渔船分类识别模型的输出结果为四分类；所述渔船分类识别模型将渔船分为延绳钓捕捞渔船、围网捕捞渔船、拖网捕捞渔船和鱿鱼钓捕捞渔船。

6.根据权利要求4所述的远洋船舶分类方法，其特征在于，所述BiLSTM深度学习模型包括三层网络单元，每层网络单元均采用Adam算法进行梯度训练和优化。

7.根据权利要求1所述的远洋船舶分类方法，其特征在于，所述步骤(3)之后还包括步骤(4)：通过平均准确率、平均精确率、平均召回率、平均Kappa系数、F1分数和曲线下面积来分别评价所述渔船/非渔船分类识别模型和渔船分类识别模型。