[发明专利]一种基于GNN的船舶分类识别方法及装置

说明书

本发明提供一种基于GNN的船舶分类识别方法及装置，所述方法包括：提取船舶AIS数据的特征，构建样本总集，所述样本总集为三维矩阵；将所述样本总集转化为图结构数据，并将所述样本总集分为训练集和测试集；由训练集训练GNN网络模型，将测试集中全部待测样本的船舶AIS数据的特征输入训练好的GNN网络模型以测试GNN网络有效性，利用测试通过的GNN网络对待分类船舶进行分类，所述GNN网络模型为具有两层图卷积层的GNN神经网络模型。根据本发明的方案，利用船舶轨迹，可有效提取空间特征进行机器学习，可提高船舶轨迹分类识别准确性。

技术领域

本发明涉及模式识别领域，尤其涉及一种基于GNN的船舶分类识别方法及装置。

背景技术

船舶分类在军事和民用领域均有广泛应用，例如相关部门检测非法船只，警惕海上恐怖主义，打击走私等。目前，国内外研究船舶类型分类的方法主要以传统雷达识别及光学识别为主，但均有其局限性，如光学识别依赖视频监控设备，其视野范围有限，作用距离近，易受雨雾等气象因素影响，特别是海上高湿低云等气象条件下受限大。雷达识别虽然受环境影响小，但存在“看得见，辨不明”的问题，复杂电磁环境下易产生同频干扰杂波。根据AIS进行船舶分类识别的方案受天气影响小、可全天候自动识别船舶状态、数据采集精度高、可采集到航次及船舶本身属性等静态数据，因此AIS对船舶分类识别具有重要意义。而AIS数据又存在数据量大、覆盖区域范围广的特点给分类识别带来一定挑战。

船舶分类的传统研究方法主要包括基于轨迹点之间距离的聚类算法、手动提取特征后进行机器学习算法以及基于神经网络分类方法。近年来，相比人工特征提取与机器学习相结合的方法，深度神经网络逐渐成为研究热点。目前用于对船舶轨迹分类的神经网络主要有CNN、MCDCNN、1DCNN和RNN等传统的循环神经网络和卷积神经网络，但卷积神经网络处理的数据是矩阵形式，以样本排列成的矩阵为基础，属于欧几里得结构，如果将样本的特征看做顶点，传统神经网络顶点与顶点间是独立的，没有利用顶点间的联系；而循环神经网络基于时间序列建模，其不足之处是样本特征不足以及无法利用不同样本推荐特征之间的联系，导致特征学习不全面，分类结果不够理想。

发明内容

为解决上述技术问题，本发明提出了一种基于GNN的船舶分类识别方法及装置，所述方法及装置，用以解决现有技术中没有利用数据间的联系，分类结果不够理想的技术问题。

根据本发明的第一方面，提供一种基于GNN的船舶分类识别方法，所述方法包括以下步骤：

步骤S101：提取船舶AIS数据的特征，构建样本总集，所述样本总集为三维矩阵；将所述样本总集转化为图结构数据，并将所述样本总集分为训练集和测试集；

步骤S102：由训练集训练GNN网络模型，将测试集中全部待测样本的船舶AIS数据的特征输入训练好的GNN网络模型以测试GNN网络有效性，利用测试通过的GNN网络对待分类船舶进行分类；

其中，每条轨迹作为一个样本，所述样本总集为三维矩阵；所述三维矩阵的第一维为所述AIS数据的轨迹数S＝{S₁，…，S_i，…，S_num}；第二维为所述AIS数据的轨迹S_i上的轨迹点数N；第三维为每个轨迹点的属性，包括IMO、h、v、t-stamp、lat、lon；其中，IMO为船舶IMO编码、h为船首向特征、v为航速，t-stamp为时间戳，lat为轨迹点纬度值，lon为轨迹点经度值；

将所述样本总集转化为图结构数据G＝(V，Edge)，其中V为顶点，Edge为连接顶点的边；该图结构数据以轨迹点的船首向特征h作为顶点特征，构建顶点特征矩阵M；根据航速特征v计算连接顶点的边的权重，构建邻接矩阵B；

所述GNN网络模型为具有两层图卷积层的GNN神经网络模型。

根据本发明第二方面，提供一种基于GNN的船舶分类识别装置，所述装置包括：