Maritime Anomaly Detection using Density-based Clustering and Recurrent Neural Network
Maritime Anomaly Detection using Density-based Clustering and Recurrent Neural Network
复制标题
使用基于密度的聚类和循环神经网络进行海上异常检测
DOI：
10.1017/s0373463319000031
复制
发表时间：
2019-02
期刊：
影响因子：
--
通讯作者：
史国友
中科院分区：
文献类型：
--
作者：
赵梁滨;史国友
海上异常检测可以提高船舶交通管理人员的态势感知能力，减少海上事故的发生。为了更好地在真实的时间检测异常行为的船舶，一种方法，包括基于密度的空间聚类算法（DBSCAN）的应用程序与噪声（递归神经网络）。该方法通过统计分析确定DBSCAN算法的参数，并将聚类结果作为流量模式训练由长短期记忆（LSTM）单元组成的递归神经网络。将神经网络作为船舶轨迹预测器，进行实时的海上异常检测。基于中国舟山群岛的数据，实验验证了该方法的适用性。结果表明，该方法可以快速检测出船舶在速度、航向和航线方面的异常行为。
Maritime anomaly detection can improve the situational awareness of vessel traffic supervisors and reduce maritime accidents. In order to better detect anomalous behaviour of a vessel in real time, a method that consists of a Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm and a recurrent neural network is presented. In the method presented, the parameters of the DBSCAN algorithm were determined through statistical analysis, and the results of clustering were taken as the traffic patterns to train a recurrent neural network composed of Long Short-Term Memory (LSTM) units. The neural network was applied as a vessel trajectory predictor to conduct real-time maritime anomaly detection. Based on data from the Chinese Zhoushan Islands, experiments verified the applicability of the proposed method. The results show that the proposed method can detect anomalous behaviours of a vessel regarding speed, course and route quickly.
登录
查看更多内容
影响因子：
--
作者：
CARPENTER, GA;GROSSBERG, S;ROSEN, DB
通讯作者：
ROSEN, DB
DOI：
10.2478/v10177-011-0009-8
发表时间：
2011-03-01
影响因子：
0.7
作者：
Stateczny, Andrzej;Kazimierski, Witold
通讯作者：
Kazimierski, Witold
影响因子：
2.4
作者：
Sidibe, Abdoulaye;Shu, Gao
通讯作者：
Shu, Gao
影响因子：
2.4
作者：
Rong Zhen;Yongxing Jin;Q. Hu;Zheping Shao;N. Nikitakos
通讯作者：
Rong Zhen;Yongxing Jin;Q. Hu;Zheping Shao;N. Nikitakos
影响因子：
0.8
作者：
Jiacai Pan;Qings Jiang;Zheping Shao;姜青山
通讯作者：
Jiacai Pan;Qings Jiang;Zheping Shao;姜青山