[發明專利]一種船舶分類方法及裝置

在審

• 申請號: 201711106490.3
• 申請日: 2017-11-10
• 公開（公告）號: CN107797149A
• 公開（公告）日: 2018-03-13
• 發明（設計）人: 崔苗;萬婷婷;林凡
• 申請（專利權）人: 廣東工業大學
• 主分類號: G01V3/08
• 分類號: G01V3/08;G06N3/08;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

技術領域

本發明涉及船舶分類技術領域，特別涉及一種船舶分類方法及裝置。

背景技術

隨著航運業的快速發展，船舶量也不斷增加，為了保障航運交通安全，維護航運交通秩序，提高營運效率，船舶準確分類顯得尤為重要。

目前，一般是基于流形距離來實現船舶分類，其具體基于流形距離表征的目標對象間的相似度量標準。該度量標準較傳統的距離度量標準更貼近反映目標對象真實的空間分布，它是一種有效的度量標準；同時基于該標準的樣本的鄰居樣本的預處理篩選，其可以提高了概率生成模型的分類效率，滿足了艦船目標分類識別提出的實時性處理要求。

但是，這種分類方法不夠及時和精細，在目標距離較遠時分類效果不夠好。

發明內容

本發明的目的是提供一種船舶分類方法及裝置，以解決現有船舶分類方法不夠及時和精細，在目標距離較遠時分類效果不夠好的問題。

為解決上述技術問題，本發明提供如下技術方案：

一種船舶分類方法，包括：

獲取磁感應船舶檢測器采集待分類船只的離散的波形數據；

將所述波形數據統一至預設維數的特征向量；

根據預訓練好的神經網絡分類器，利用所述神經網絡分類器的隱含層對應關系，將所述特征向量對應至相應輸出層，以確定所述待分類船只的所屬類別。

可選地，所述將所述波形數據統一至預設維數的特征向量，包括：

當所述波形數據的維數大于所述預設維數時，利用相鄰分量取平均方法，將所述波形數據的維數降至所述預設維數；

當所述波形數據的維數小于所述預設維數時，利用線性插值方法，將所述波形數據的維數升至所述預設維數；

對降維或升維后的所述波形數據進行特征向量歸一化，得出所述特征向量。

可選地，所述神經網絡分類器為多層前向神經網絡分類器。

可選地，所述神經網絡分類器的訓練過程具體為：

獲取訓練波形數據；

選取預設個數據點分別作為各個初始集合的中心；

計算每個所述初始集合內的各個數據點和相應的所述中心的距離，并將距離最小值對應的數據點劃分至相應的類別；

重新選取各個所述初始集合的中心，并計算各個數據點和相應中心的距離，直止各個所述初始集合不再發生變化。

一種船舶分類裝置，包括：

獲取模塊，用于獲取磁感應船舶檢測器采集待分類船只的離散的波形數據；

維數統一模塊，用于將所述波形數據統一至預設維數的特征向量；

分類模塊，用于根據預訓練好的神經網絡分類器，利用所述神經網絡分類器的隱含層對應關系，將所述特征向量對應至相應輸出層，以確定所述待分類船只的所屬類別。

可選地，所述維數統一模塊包括：

降維子模塊，用于當所述波形數據的維數大于所述預設維數時，利用相鄰分量取平均方法，將所述波形數據的維數降至所述預設維數；

升維子模塊，用于當所述波形數據的維數小于所述預設維數時，利用線性插值方法，將所述波形數據的維數升至所述預設維數；

歸一化子模塊，用于對降維或升維后的所述波形數據進行特征向量歸一化，得出所述特征向量。

可選地，所述神經網絡分類器為多層前向神經網絡分類器。

可選地，還包括：

分類器訓練模塊，用于獲取訓練波形數據；選取預設個數據點分別作為各個初始集合的中心；計算每個所述初始集合內的各個數據點和相應的所述中心的距離，并將距離最小值對應的數據點劃分至相應的類別；重新選取各個所述初始集合的中心，并計算各個數據點和相應中心的距離，直止各個所述初始集合不再發生變化。

本發明所提供的一種船舶分類方法及裝置，通過獲取磁感應船舶檢測器采集待分類船只的離散的波形數據；將波形數據統一至預設維數的特征向量；根據預訓練好的神經網絡分類器，利用神經網絡分類器的隱含層對應關系，將特征向量對應至相應輸出層，以確定待分類船只的所屬類別。本申請先利用磁感應船舶檢測器采集船只波形數據，再利用訓練好的神經網絡分類器對波形數據進行分類，提高了船舶分類準確性和及時性，且利用磁感應船舶檢測器來進一步保證遠距離船舶分類準確性和及時性。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。