基于多尺度卷積的船舶行為識別方法

王立林　劉俊

摘 要：針對復(fù)雜海洋環(huán)境下人工監(jiān)管船舶行為效率低的問題，提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的船舶行為識別方法。首先，從船舶自動識別系統(tǒng)（AIS）中獲取海量船舶行駛數(shù)據(jù)，并提取出具有判別力的船舶行為軌跡;然后，根據(jù)軌跡數(shù)據(jù)的特性，利用多尺度卷積設(shè)計(jì)并實(shí)現(xiàn)了針對船舶軌跡數(shù)據(jù)的行為識別網(wǎng)絡(luò)，并且使用特征通道加權(quán)以及長短時(shí)記憶網(wǎng)絡(luò)（LSTM）來提高算法的準(zhǔn)確率。在船舶行為數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，對于指定長度的船舶軌跡，所提識別網(wǎng)絡(luò)能夠達(dá)到92.1%的識別準(zhǔn)確率，相較于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)提高了5.9個(gè)百分點(diǎn)，并且在穩(wěn)定性以及收斂速度上都有明顯提升。該方法能夠有效地提高船舶行為的識別精度，為海洋監(jiān)管部門提供高效的技術(shù)支持。

關(guān)鍵詞：深度學(xué)習(xí);行為識別;多尺度卷積;長短期記憶網(wǎng)絡(luò);海上交通

中圖分類號： TP391.4文獻(xiàn)標(biāo)志碼：A

Ship behavior recognition method based on multi-scale convolution

WANG Lilin， LIU Jun*

（Fundamental Science on Communication Information Transmission and Fusion Technology Laboratory

（Hangzhou Dianzi University）， Hangzhou Zhejiang 310018， China）

Abstract： The ship behavior recognition by human supervision in complex marine environment is inefficient. In order to solve the problem， a new ship behavior recognition method based on multi-scale convolutional neural network was proposed. Firstly， massive ship driving data were obtained from the Automatic Identification System （AIS）， and the discriminative ship behavior trajectories were extracted. Secondly， according to the characteristics of the trajectory data， the behavior recognition network for ship trajectory data was designed and implemented by multi-scale convolution， and the feature channel weighting and Long Short-Term Memory network （LSTM） were used to improve the accuracy of algorithm. The experimental results on ship behavior dataset show that， the proposed recognition network can achieve 92.1% recognition accuracy for the ship trajectories with specific length， which is 5.9 percentage points higher than that of the traditional convolutional neural network. In addition， the stability and convergence speed of the proposed network are significantly improved. The proposed method can effectively improve the ship behavior recognition accuracy， and provide efficient technical support for the marine regulatory authority.

Key words： deep learning; behavior recognition; multi-scale convolution; Long Short-Term Memory network （LSTM）; maritime traffic

0 引言

我國擁有豐富的海洋資源與港口資源，隨著人們對海洋資源的進(jìn)一步開發(fā)和利用，各類船舶數(shù)量日益增加，海上交通活動日益頻繁，存在著各種船舶進(jìn)行非法活動的行為，包括走私、非法移民、非法捕魚等。船舶自動識別是一種新型的助航系統(tǒng)，可以幫助有關(guān)部門協(xié)調(diào)海洋交通、監(jiān)管海洋活動。目前，大多數(shù)在冊船舶已經(jīng)安裝了船舶自動識別系統(tǒng)（Automatic Identification System， AIS），雖然可以近實(shí)時(shí)地獲取船舶的位置、速度、船號等信息，但是還缺少有效的方法分析數(shù)據(jù)，對近海非法行為取證和監(jiān)管。隨著數(shù)據(jù)爆炸式增長，采用傳統(tǒng)人工查驗(yàn)的模式效率太低，給相關(guān)部門的監(jiān)管帶來了很大的挑戰(zhàn)。所以，從海量的AIS數(shù)據(jù)中自動分析船舶的狀態(tài)變化規(guī)律進(jìn)而分析船舶的潛在行為，為有關(guān)部門處理和決策提供輔助和依據(jù)，已經(jīng)成為了海上交通研究的熱點(diǎn)[1]。

裝有AIS設(shè)備的船舶，配合全球定位系統(tǒng)（Global Positioning System， GPS）或者北斗定位系統(tǒng)，就可以將完整的AIS軌跡記錄下來。研究人員通過對AIS數(shù)據(jù)分析來進(jìn)行有關(guān)船舶活動的研究。Laxhammar等[2]提出融合多個(gè)概率分布的高斯混合模型來對艦船航跡進(jìn)行建模，在該算法中，必須事先給定高斯分量的個(gè)數(shù);但是，確定高斯分量的個(gè)數(shù)是一個(gè)很困難的問題，數(shù)量太少難以有效刻畫樣本的分布，數(shù)量太大則容易出現(xiàn)過擬合。甄榮等[3]利用最小二乘法來擬合船舶AIS軌跡，得到船舶典型航跡的數(shù)學(xué)表達(dá)模型，該模型可對偏離典型軌跡95%置信區(qū)間的異常行為進(jìn)行識別。劉磊等[4]基于K最近鄰方法，融合軌跡之間的平均距離、航速距離以及航向距離，對船舶的航線情況進(jìn)行分類;該方法只能利用軌跡的空間變化信息，無法識別船舶的行為。Kraus等[5]針對AIS數(shù)據(jù)的地理特征和行為特征，使用隨機(jī)森林算法對船舶進(jìn)行分類，該算法可以有效識別四個(gè)類別的船舶;但是對噪聲敏感，容易產(chǎn)生過擬合的問題。傳統(tǒng)的方法計(jì)算開銷依賴于所建立的模型，并且對參數(shù)的設(shè)定十分復(fù)雜，難以復(fù)現(xiàn)。深度學(xué)習(xí)已經(jīng)被證實(shí)了可以自動學(xué)習(xí)數(shù)據(jù)中的信息，研究者們也開始將深度學(xué)習(xí)的方法引入AIS數(shù)據(jù)的分析中。韓昭蓉等[6]設(shè)計(jì)了一個(gè)雙向長短期記憶網(wǎng)絡(luò)（Bi-directional Long Short-Term Memory network， Bi-LSTM），能夠?qū)W習(xí)軌跡中正常點(diǎn)與鄰近異常點(diǎn)在運(yùn)動特征上的差異，對行為異常點(diǎn)進(jìn)行檢測。Ljunggren[7]將AIS數(shù)據(jù)中不同的特征分開處理，使用不同尺寸的卷積網(wǎng)絡(luò)來學(xué)習(xí)各個(gè)特征的序列，最后將各個(gè)網(wǎng)絡(luò)的輸出合并為一個(gè)特征用于船舶的分類。Jiang等[8]提出了一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN），該網(wǎng)絡(luò)對每一個(gè)特征進(jìn)行分區(qū)，并對不同分區(qū)使用特定的區(qū)域參數(shù)進(jìn)行訓(xùn)練，提高了RNN對低維非均勻通道數(shù)據(jù)的表達(dá)能力，能夠有效地識別船舶的捕魚行為。

綜上所述，本文從當(dāng)前近海船舶軌跡智能分析的需求出發(fā)，設(shè)計(jì)了船舶行為識別框架（正常航行、捕魚、拋錨、系泊四個(gè)行為類別）;同時(shí)，針對AIS數(shù)據(jù)特征，提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的船舶行為識別網(wǎng)絡(luò)，并結(jié)合長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory network， LSTM）[9]，利用特征通道加權(quán)的方法提高網(wǎng)絡(luò)對特征的表達(dá)能力，實(shí)現(xiàn)了在近實(shí)時(shí)的條件下92.1%的船舶行為識別準(zhǔn)確率。

1 基于多尺度卷積的船舶行為識別方法

1.1 船舶行為識別系統(tǒng)流程

AIS數(shù)據(jù)包含船舶的各種信息，包括海上移動識別碼、基準(zhǔn)時(shí)間經(jīng)度、緯度、對地速度、對地航向等信息，是極具研究價(jià)值的應(yīng)用型移動性數(shù)據(jù)[10]。本文提出的整個(gè)系統(tǒng)流程分為三個(gè)部分，如圖1所示。

第一部分是數(shù)據(jù)層，負(fù)責(zé)原始AIS數(shù)據(jù)的預(yù)處理。由于原始數(shù)據(jù)長短不一，且存在異常數(shù)據(jù)，為了保證數(shù)據(jù)可用，需要對數(shù)據(jù)進(jìn)行一系列處理，包括特征空間的選擇、位置異常處理、速度異常處理、軌跡分割、歸一化處理，最終得到本文使用的船舶行為分類數(shù)據(jù)集，每段軌跡包含64個(gè)點(diǎn)數(shù)據(jù)。為了能夠描述船舶的位置變化和運(yùn)動變化，選取的特征為船舶的經(jīng)度、緯度、對地速度以及對地航向。第二部分是網(wǎng)絡(luò)層，為船舶行為識別方法。在設(shè)計(jì)好的多尺度卷積網(wǎng)絡(luò)中，添加LSTM分支用于提取AIS數(shù)據(jù)的時(shí)序信息，并且利用特征壓縮與激活（Squeeze-and-Excitation， SE）模塊對前兩個(gè)卷積層的特征進(jìn)行通道加權(quán)處理。最后一部分是測試層，用于測試訓(xùn)練好的模型，驗(yàn)證方法的可行性。下面將對網(wǎng)絡(luò)層算法的每個(gè)模塊進(jìn)行詳細(xì)闡述。

1.2 多尺度卷積網(wǎng)絡(luò)

選取的AIS數(shù)據(jù)特征為經(jīng)度x、緯度y、對地速度v以及對地航向c。在經(jīng)過預(yù)處理之后，得到的AIS數(shù)據(jù)失去了原有的物理意義，單純表示該特征在一定范圍內(nèi)的變化值。與圖像數(shù)據(jù)不同，AIS數(shù)據(jù)是一段連續(xù)變化的時(shí)間序列，數(shù)據(jù)包含了時(shí)間信息和不同特征的語義信息。在計(jì)算機(jī)視覺領(lǐng)域中，使用二維卷積操作提取圖像的局部特征，但是在時(shí)間序列上，使用二維卷積會對語義造成損失，并且無法有效學(xué)習(xí)和表達(dá)數(shù)據(jù)中存在的時(shí)間信息。故本文針對AIS數(shù)據(jù)的特性，使用一維卷積操作對固定長度的時(shí)間序列進(jìn)行特征提取，類似于時(shí)間序列上的滑動窗口，如圖2所示。

圖2中的卷積核尺寸為3，輸入為處理過后的AIS數(shù)據(jù)，圖中曲線展示了數(shù)據(jù)四個(gè)特征隨時(shí)間的變化規(guī)律，不同尺寸的卷積核提取到的特征不同。

初始網(wǎng)絡(luò)為三層的一維卷積加上一個(gè)全連接層。前兩層卷積的卷積核數(shù)分別為64和128，卷積核尺寸為8和5，并使用批標(biāo)準(zhǔn)化和線性整流（Rectified Linear Unit， ReLU）激活函數(shù)來計(jì)算訓(xùn)練，緩解過擬合問題，最后使用Softmax分類器進(jìn)行分類。第三層的卷積核數(shù)為128，卷積核尺寸為3，考慮到尺寸不同的卷積核能夠提取到的感受野的特征不同，本文借鑒Inception網(wǎng)絡(luò)[11]的思想，設(shè)計(jì)了一個(gè)多尺度卷積模塊作為網(wǎng)絡(luò)的第三層卷積，如圖1網(wǎng)絡(luò)層所示。該模塊有四個(gè)通道，其中一個(gè)通道傳入原始特征信號，另外三個(gè)通道的一維卷積核大小分別為2、3和5。不同尺度的卷積能夠提取AIS數(shù)據(jù)上不同長度的時(shí)間片段特征，豐富了網(wǎng)絡(luò)的感受野，增強(qiáng)了網(wǎng)絡(luò)對特征局部信息變化的適應(yīng)能力。大尺寸的卷積可以學(xué)習(xí)特征的對稱性，小尺寸的卷積可以學(xué)習(xí)特征的局部特性，并且每個(gè)通道含有兩層相同的卷積：第一個(gè)卷積用來學(xué)習(xí)特征之間的局部相關(guān)性;第二個(gè)卷積增加了網(wǎng)絡(luò)的非線性，進(jìn)一步擴(kuò)大信息的感受野，提高了特征表達(dá)能力。這種堆疊小尺寸卷積的方式相較于直接使用大尺寸卷積，可以有更多的非線性和更少的參數(shù)。另外，由于傳入原始特征信號的通道類似于shortcut操作[12]，使網(wǎng)絡(luò)在訓(xùn)練時(shí)收斂得更快。多尺寸卷積層四個(gè)通道的輸出通過concatenation層進(jìn)行融合，并使用平均池化的方法降維，緩解過擬合，最后得到一個(gè)一維的向量。

1.3 AIS時(shí)序特征學(xué)習(xí)

單獨(dú)的卷積堆疊能夠自動學(xué)習(xí)AIS數(shù)據(jù)的語義信息，但是由于卷積的局限性，網(wǎng)絡(luò)無法學(xué)習(xí)更多的時(shí)序信息。為此，本文提出了雙分支的網(wǎng)絡(luò)設(shè)計(jì)：一條分支為多尺度卷積網(wǎng)絡(luò)，用于學(xué)習(xí)數(shù)據(jù)的語義特征;另一條分支為長短期記憶網(wǎng)絡(luò)（LSTM），用于學(xué)習(xí)數(shù)據(jù)的時(shí)序特征，如圖1網(wǎng)絡(luò)層所示。得到預(yù)處理后的AIS數(shù)據(jù)，長度為T，特征數(shù)為N。首先，通過維度變換層，將輸入數(shù)據(jù)變換為N×T的矩陣。然后，輸入一個(gè)核心數(shù)為T的LSTM層后，輸出一個(gè)維度為T的向量，如圖3所示。其中：pt表示AIS數(shù)據(jù)t時(shí)刻的特征值;ht為對應(yīng)時(shí)刻LSTM的輸出。最后，對LSTM的輸出使用Dropout方法，防止模型過擬合。

LSTM網(wǎng)絡(luò)是遞歸神經(jīng)網(wǎng)絡(luò)的改進(jìn)，它具有記憶單元，可以儲存之前計(jì)算保留下的信息。它通過引入門機(jī)制，解決了遞歸神經(jīng)網(wǎng)絡(luò)中梯度彌散與梯度爆炸的問題，其內(nèi)部結(jié)構(gòu)如圖4所示。

LSTM內(nèi)部有三個(gè)控制門，分別為輸入門It、輸出門Ot以及遺忘門Ft。每一時(shí)刻的輸入pt與上一時(shí)刻的輸出ht-1共同決定當(dāng)前時(shí)刻各個(gè)門單元的狀態(tài)值以及中間單元Gt，如式（1）～（4）。在輸入門中，當(dāng)前時(shí)刻的輸入pt經(jīng)過非線性變換得到記憶單元中的保留狀態(tài)St，如式（5）。在輸出門中，當(dāng)前時(shí)刻的St與輸出門單元狀態(tài)Ot共同控制當(dāng)前時(shí)刻的輸出ht，如式（6）。

式中：w為相應(yīng)門與輸入pt相乘的權(quán)重;ε為相應(yīng)門與上一時(shí)刻的輸出ht-1相乘的權(quán)重;b為相應(yīng)門的偏置項(xiàng);“⊙”表示矩陣對應(yīng)元素相乘;σ是Sigmoid函數(shù)。

1.4 基于特征通道加權(quán)的改進(jìn)方法

如圖1，為了提高網(wǎng)絡(luò)對特征的表達(dá)能力，在初始網(wǎng)絡(luò)的前兩層增加一個(gè)針對AIS數(shù)據(jù)特征的SE模塊。借鑒SENet[13]中通道加權(quán)的思想，將AIS數(shù)據(jù)中的每一個(gè)特征隨時(shí)間變化的序列看作一個(gè)特征通道，通過顯式地構(gòu)建特征通道的相互依賴關(guān)系來提高網(wǎng)絡(luò)的表達(dá)能力，如圖5所示。

將輸入定義為U=[u1，u2，…，uN]，其中：u表示輸入的AIS數(shù)據(jù)經(jīng)過一維卷積得到的特征矩陣的一個(gè)特征向量，其長度為T，N表示特征矩陣通道數(shù)（也就是特征數(shù)）。首先，在時(shí)間維度T上使用全局平均池化的方法對輸入矩陣進(jìn)行特征通道壓縮，得到一個(gè)通道相關(guān)的統(tǒng)計(jì)量s，s∈RN。其中，統(tǒng)計(jì)信息s的第n個(gè)元素的計(jì)算式為：

sn=Fsq（un）=1T∑Tt=1un（t）（7）

接著，將壓縮操作得到的特征向量激活，通過激活操作，顯式地構(gòu)建特征通道之間的相互依賴性。如圖6所示，在激活操作中，特征向量通過兩個(gè)全連接層，先進(jìn)行降維，再升維，r為降維比例。最后由Sigmoid函數(shù)激活，輸出一個(gè)具有特征通道依賴性權(quán)重的向量d，其計(jì)算式為：

d=Fex（s，W）=σ（W2δ（W1s））（8）

其中：W1為降維操作中全連接層的參數(shù)。計(jì)算出的權(quán)重向量d與原有特征矩陣結(jié)合，得到SE模塊最終的輸出U，計(jì)算式為：

Un=Fscale（un，sn）=sn·un（9）

其中：U=[u1，u2，…，un];Fscale表示將同一通道的特征向量與權(quán)重向量之間乘積。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)集

本文實(shí)驗(yàn)數(shù)據(jù)集使用美國海洋能源管理局（Bureau of Ocean Energy Management， BOEM）與美國國家海洋和大氣管理局（National Oceanic and Atmospheric Administration， NOAA）公開的2017年美國沿海水域所有船舶的AIS數(shù)據(jù)[10，14]，所有數(shù)據(jù)均為真實(shí)采集的數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理從中提取出20000條有效的AIS軌跡片段作為船舶行為分類數(shù)據(jù)集。選用特征有經(jīng)度、緯度、對地速度以及對地航向。選用行為類別有4個(gè)，分別是：類別1正常行駛，類別2捕魚，類別3錨泊（at anchor），類別4系泊（moored）。數(shù)據(jù)集的統(tǒng)計(jì)信息如表1所示。

表格（有表名）表1 實(shí)驗(yàn)中使用船舶行為數(shù)據(jù)

Tab. 1 Ship behavior data used in experiment

名稱值經(jīng)度范圍[-126， -120]緯度范圍[0， 77.7]速度范圍[0， 55.8]航向范圍[0， 360]類別1數(shù)量6000類別2數(shù)量5000類別3數(shù)量5000類別4數(shù)量4000

2.2 實(shí)驗(yàn)環(huán)境與評價(jià)指標(biāo)

本文實(shí)驗(yàn)硬件環(huán)境為：筆記本電腦，處理器為Intel i7-8750HQ，內(nèi)存為16GB，固態(tài)硬盤256GB，圖形處理器（Graphics Processing Unit， GPU）為GTX1050Ti，顯存為4GB。軟件環(huán)境為：Windows 10系統(tǒng)，網(wǎng)絡(luò)框架是基于Keras工具開發(fā)的，開發(fā)語言為Python 3.6.5。Keras具有簡潔的深度網(wǎng)絡(luò)編程接口，可以高效地搭建深度學(xué)習(xí)網(wǎng)絡(luò)。

考慮到數(shù)據(jù)集中各個(gè)類別數(shù)量不相等，所以選取的多分類評價(jià)指標(biāo)為準(zhǔn)確率（accuracy），計(jì)算式如式（10）所示：

accuracy=預(yù)測正確數(shù)量測試樣本總數(shù)量（10）

為了分析各個(gè)類別的識別情況，選取的二分類評價(jià)指標(biāo)為精確度（Precision）、召回率（Recall）以及F1-score，計(jì)算式分別為式（11）、式（12）以及式（13）。

Presion=TPTP+FP（11）

Recall=TPTP+FN（12）

F1-score=2×Precision×RecallPrecision+Recal（13）

其中：TP為真正類（True Positive），表示真實(shí)值與預(yù)測值同為正類的樣本;FP為假正類（False Positive），表示真實(shí)值為負(fù)類，但預(yù)測值為正類的樣本;FN為假負(fù)類（False Negative）表示真實(shí)值為正類，但預(yù)測值為負(fù)類的樣本。

2.3 實(shí)驗(yàn)參數(shù)設(shè)定

將網(wǎng)絡(luò)性能最優(yōu)的參數(shù)設(shè)置為最終該網(wǎng)絡(luò)的模型參數(shù)，詳細(xì)信息如表2所示。其中，特征通道加權(quán)模塊的降維比例r為16，維度變換（Dimension Transform， DT）層用于減少時(shí)序?qū)W習(xí)模塊的數(shù)據(jù)輸入次數(shù)。模型訓(xùn)練的參數(shù)設(shè)置如表3所示，使用Adam算法作為參數(shù)的更新優(yōu)化策略。

2.4 結(jié)果分析

2.4.1 識別結(jié)果展示

在具體使用過程中，首先對船舶軌跡點(diǎn)進(jìn)行采樣，采樣的同時(shí)進(jìn)行數(shù)據(jù)格式化與預(yù)處理，采樣完成之后得到有效軌跡，輸入訓(xùn)練好的網(wǎng)絡(luò)模型，完成網(wǎng)絡(luò)識別，結(jié)果如圖7所示。該船舶當(dāng)前行為被識別為捕魚，與實(shí)際結(jié)果相符，識別結(jié)果正確。

2.4.2 算法性能分析

為了驗(yàn)證本文所提方法的優(yōu)越性，選取了具有代表性的網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對比，原有方法中不具備本文識別框架能力的網(wǎng)絡(luò)通過修改網(wǎng)絡(luò)層的結(jié)構(gòu)，使其能夠?qū)崿F(xiàn)本文的行為識別任務(wù)。其中：MLP（Multi-Layer Perception）表示多層感知器;LSTM-FCN（LSTM and Fully Convolutional Network）[15]為LSTM與全卷積網(wǎng)絡(luò)的雙通道時(shí)序分類網(wǎng)絡(luò);GRU-FCN（Gated Recurrent Unit and FCN）與BiLSTM-FCN（Bi-directional LSTM and FCN）都是基于LSTM-FCN網(wǎng)絡(luò)的合理改進(jìn);MLSTM-FCN（Multivariate LSTM-FCN）[16]在LSTM-FCN網(wǎng)絡(luò)的基礎(chǔ)上，針對多特征輸入數(shù)據(jù)的特性進(jìn)行了相應(yīng)的處理;MVCNN（Multivariate Convolutional Neural Network）[17]通過滑窗方法將一維的軌跡數(shù)據(jù)變換為二維數(shù)據(jù)，通過二維卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行分類;MC-DCNN（Multi-Channel Deep Convolutional Neural Network）[18]將軌跡的不同特征通道單獨(dú)處理，然后再將每個(gè)通道的特征級聯(lián)進(jìn)行分類;MPFR（Matching Pursuit-Fletcher Reeves）[19] 用來求解軌跡分類方法最小二乘三次樣條近似模型的稀疏解。各個(gè)方法在測試集上的結(jié)果如表4所示。

[3]甄榮，邵哲平，潘家財(cái)，等.基于統(tǒng)計(jì)學(xué)理論的船舶軌跡異常識別[J].集美大學(xué)學(xué)報(bào) （自然科學(xué)版），2015，20（3）：193-197.（ZHEN R， SHAO Z P， PAN J C， et al. A study on the identification of abnormal ship trajectory based on statistic theories [J]. Journal of Jimei University （Nature Science）， 2015， 20（3）： 193-197.）

[4]劉磊，初秀民，蔣仲廉，等.基于KNN的船舶軌跡分類算法[J].大連海事大學(xué)學(xué)報(bào)，2018，44（3）：15-21.（LIU L， CHU X M， JIANG Z L， et al. Ship trajectory classification algorithm based on KNN [J]. Journal of Dalian Maritime University， 2018， 44（3）： 15-21.）

[5]KRAUS P， MOHRDIECK C， SCHWENKER F. Ship classification based on trajectory data with machine learning methods [C]// Proceedings of the 19th International Radar Symposium. Piscataway： IEEE， 2018： 1-10.

[6]韓昭蓉，黃廷磊，任文娟，等.基于Bi-LSTM模型的軌跡異常點(diǎn)檢測算法[J].雷達(dá)學(xué)報(bào)，2019，8（1）：36-43.（HAN Z R， HUANG T L， REN W J， et al. Trajectory outlier detection algorithm based on Bi-LSTM model [J]. Journal of Radars， 2019， 8（1）： 36-43.）

[7]LJUNGGREN H. Using deep learning for classifying ship trajectories [C]// Proceedings of 21st International Conference on Information Fusion. Piscataway： IEEE， 2018： 2158-2164.

[8]JIANG X， de SOUZA E N， LIU X， et al. Partition-wise recurrent neural networks for point-based AIS trajectory classification [C]// Proceedings of 2017 European Symposium on Artificial Neural Networks， Computational Intelligence and Machine Learning. Amsterdam： Elsevier， 2017： 529-534. https：//www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2017-18.pdf

[9]HOCHREITER S， SCHMIDHUBER J. Long short-term memory [J]. Neural Computation， 1997， 9（8）： 1735-1780.

[10]MAO S， TU E， ZHANG G， et al. An Automatic Identification System （AIS） database for maritime trajectory prediction and data mining [M]// CAO J， CAMBRIA E， LENDASSE A， et al. Proceedings of ELM-2016， PALO 9. Cham： Springer， 2018： 241-257.

[11]SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions [C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 1-9.

[12]HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition [C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778.

[13]HU J， SHEN L， SUN G. Squeeze-and-excitation networks [C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141.

[14]Marinecadastre. Vessel traffic data [EB/OL]. [2019-04-28]. https：//marinecadastre.gov/ais/.

[15]KARIM F， MAJUMDAR S， DARABI H， et al. LSTM fully convolutional networks for time series classification [J]. IEEE Access， 2018， 6： 1662-1669.

[16]KARIM F， MAJUMDAR S， DARABI H， et al. Multivariate LSTM-FCNs for time series classification [J]. Neural Networks， 2019， 116： 237-245.

[17]LIU C L， HSAIO W H， TU Y C. Time series classification with multivariate convolutional neural network [J]. IEEE Transactions on Industrial Electronics， 2018， 66（6）： 4788-4797.

[18]ZHENG Y， LIU Q， CHEN E， et al. Time series classification using multi-channels deep convolutional neural networks [C]// Proceedings of the 2014 International Conference on Web-Age Information Management， LNC 8485. Cham： Springer， 2014： 298-310.

[19]CHEN Z， XUE J， WU C， et al. Classification of vessel motion pattern in inland waterways based on automatic identification system [J]. Ocean Engineering， 2018， 161： 69-76.

[20]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks [C]// Proceedings of the 25th International Conference on Neural Information Processing Systems. New York： Curran Associates Inc. 2012： 1097-1105.

This work is partially supported by the National Natural Science Foundation of China （Key Program） （61333009）.

WANG Lilin， born in 1995， M. S. candidate. His research interests include deep learning， behavior recognition.

LIU Jun， born in 1971， Ph. D.， professor. His research interests include information fusion， pattern recognition， intelligent system.

收稿日期：2019-05-28;修回日期：2019-07-02;錄用日期：2019-07-03?；痦?xiàng)目：國家自然科學(xué)基金重點(diǎn)項(xiàng)目（61333009）。

作者簡介：王立林（1995—），男，江西吉安人，碩士研究生，主要研究方向：深度學(xué)習(xí)、行為識別; 劉?。?971—），男，貴州安順人，教授，博士，主要研究方向：信息融合、模式識別、智能系統(tǒng)。

文章編號：1001-9081（2019）12-3691-06DOI：10.11772/j.issn.1001-9081.2019050896