[发明专利]一种基于多步聚类的拖网渔船行为判别方法

摘要

本发明公开了一种基于多步聚类的拖网渔船行为判别方法。本发明综合考虑速度、角度、经纬度、时间等时空数据建立多维距离模型，并采用时序近邻计算准则计算轨迹点间相似度距离矩阵，大幅降低了矩阵计算时间，使用OPTICS算法与ξ‑steep自动识别簇方法实现基于非全局参数的轨迹划分，得到轨迹段，再基于轨迹段之间相似度距离使用k‑means算法实现轨迹段再次聚类，从而实现轨迹点的分类，再通过对分类进行特征提取，建立拖网渔船行为判别模型，实现拖网渔船行为的快速判别。实验表明，本发明具有低参数敏感性、高精度、高通用性、耗时少等优点，可应用于大批量拖网渔船行为的快速判定。

主权项

1.一种基于多步聚类的拖网渔船行为判别方法，其特征在于该方法包括如下步骤：步骤1.建立轨迹点间相似度距离模型；所述的轨迹点间相似度距离模型，是对两轨迹点间速度距离、角度距离、时间距离以及空间距离的加权和，其中，速度距离为两点间速度差值的平方，角度距离为两点船只航行角度的夹角平方，时间距离为两点之间毫秒时间差值的平方，空间距离为两点经纬度距离的平方；步骤2. 按照时序近邻计算准则计算轨迹点间相似度矩阵；拖网渔船轨迹数据具有状态一致性，时序近邻计算准则不计算所有任意两点间的相似度距离，而仅计算时间相邻n个点之间的相似度距离，其他距离直接取值无穷大；步骤3.使用OPTICS算法获得轨迹点有序可达图；步骤4.使用ξ‑steep自动识别簇算法将有序可达图切分得到轨迹子段，实现对轨迹点初步聚类；拖网渔船状态具有状态一致性，相邻时间段内同一状态的拖网渔船轨迹点的聚集状态明显，其对应的有序可达图内部平缓边缘陡立的特征，利用ξ‑steep自动识别簇算法对陡峭边缘点的识别与切割，从而完成对轨迹子段的切割，实现轨迹点的初步聚类；步骤5. 计算轨迹子段的速度平均值，使用k‑means算法实现轨迹段再次聚类，从而实现轨迹点的状态判别；切分后的轨迹子段内部状态一致，取轨迹子段内部所有轨迹点的速度平均值，以消除轨迹段内的波动数据影响，使用k‑means算法实现对轨迹子段的聚类；步骤6.对于多步聚类结果，建立Fisher判别模型，实现拖网渔船轨迹点处行为的快速判别。