舰船目标事件检测及情报分析技术研究
这是一篇关于舰船事件检测,深度学习,情报分析,卷积神经网络的论文, 主要内容为舰船作为海上监测、管理和打击的重点目标,对其进行快速准确的典型事件检测,并结合情报分析手段识别其行为,可以给海上交通管制、海洋专属经济区保护、非法捕鱼监管、走私偷渡打击等各种处置和决策提供支持。当前,舰船目标事件检测及情报分析过程存在智能化程度低、信息无法实时处理、应用模式效率低下等不足,如何利用海洋大数据实现高效的舰船目标事件检测及情报分析已经成为海洋信息处理智能化发展的研究重点和难点。因此,本文针对海洋大数据处理智能化的需求,开展了基于深度学习的舰船目标事件检测和情报分析相关关键技术研究,主要完成工作如下:(1)通过对国内外研究现状、AIS数据预处理方法、深度学习相关理论的分析总结,本文设计并实现了一种基于深度学习的舰船目标事件检测方法,该方法选用已有的卷积神经网络作为基础网络,并使用时序信息学习分支、轨迹特征通道加权、多尺度卷积以及快捷连接等方式进行改进和优化,提升了深度网络的特征表达能力、对重要特征的捕捉能力以及对特征局部变化的适应能力。(2)以近海海洋牧场中非法捕鱼事件的取证和监管为应用背景,进一步设计并完善了舰船目标事件检测及情报分析方法。首先,通过对海洋多源异构大数据进行信息融合,可以获取舰船目标特征的最优估计;其次,结合基于深度学习的舰船目标事件检测方法和基于滑窗的非定长轨迹分析算法,解决了事件轨迹难以准确划分的问题;最后,利用基于事件检测的情报分析方法,实现了对舰船目标非法捕鱼事件的识别。(3)实验分析及讨论:首先,使用公开的真实AIS数据集,构建本文的舰船目标特征轨迹数据集;第二,在同一舰船目标事件检测辨识框架下,开展性能对比实验,实验结果证明本文提出的方法实现了90.8%的准确率,优于已有的其他7种方法,相较于基础的卷积神经网络提升了5.6个百分点;第三,不同类别事件的实验结果表明,本文方法对捕鱼事件的检测召回率达到95.1%,满足非法捕鱼的取证和监管应用的需求;最后,把本文方法部署在指定的嵌入式设备,实现了每秒200段轨迹的处理速度,满足实时性要求。(4)基于Vue.js与Spring Boot的前后端分离框架,综合利用Java、Mybatis等工具,设计并实现了面向海洋智能监管应用下的舰船事件检测原型系统。
舰船目标事件检测及情报分析技术研究
这是一篇关于舰船事件检测,深度学习,情报分析,卷积神经网络的论文, 主要内容为舰船作为海上监测、管理和打击的重点目标,对其进行快速准确的典型事件检测,并结合情报分析手段识别其行为,可以给海上交通管制、海洋专属经济区保护、非法捕鱼监管、走私偷渡打击等各种处置和决策提供支持。当前,舰船目标事件检测及情报分析过程存在智能化程度低、信息无法实时处理、应用模式效率低下等不足,如何利用海洋大数据实现高效的舰船目标事件检测及情报分析已经成为海洋信息处理智能化发展的研究重点和难点。因此,本文针对海洋大数据处理智能化的需求,开展了基于深度学习的舰船目标事件检测和情报分析相关关键技术研究,主要完成工作如下:(1)通过对国内外研究现状、AIS数据预处理方法、深度学习相关理论的分析总结,本文设计并实现了一种基于深度学习的舰船目标事件检测方法,该方法选用已有的卷积神经网络作为基础网络,并使用时序信息学习分支、轨迹特征通道加权、多尺度卷积以及快捷连接等方式进行改进和优化,提升了深度网络的特征表达能力、对重要特征的捕捉能力以及对特征局部变化的适应能力。(2)以近海海洋牧场中非法捕鱼事件的取证和监管为应用背景,进一步设计并完善了舰船目标事件检测及情报分析方法。首先,通过对海洋多源异构大数据进行信息融合,可以获取舰船目标特征的最优估计;其次,结合基于深度学习的舰船目标事件检测方法和基于滑窗的非定长轨迹分析算法,解决了事件轨迹难以准确划分的问题;最后,利用基于事件检测的情报分析方法,实现了对舰船目标非法捕鱼事件的识别。(3)实验分析及讨论:首先,使用公开的真实AIS数据集,构建本文的舰船目标特征轨迹数据集;第二,在同一舰船目标事件检测辨识框架下,开展性能对比实验,实验结果证明本文提出的方法实现了90.8%的准确率,优于已有的其他7种方法,相较于基础的卷积神经网络提升了5.6个百分点;第三,不同类别事件的实验结果表明,本文方法对捕鱼事件的检测召回率达到95.1%,满足非法捕鱼的取证和监管应用的需求;最后,把本文方法部署在指定的嵌入式设备,实现了每秒200段轨迹的处理速度,满足实时性要求。(4)基于Vue.js与Spring Boot的前后端分离框架,综合利用Java、Mybatis等工具,设计并实现了面向海洋智能监管应用下的舰船事件检测原型系统。
基于Spark的情报大数据可视化分析
这是一篇关于Spark,大数据可视化,社区分析,情报分析,图计算的论文, 主要内容为信息化时代数据量激增,同时由于情报部门等特殊需求部门多年来对信息的积累,存储了大量结构化、半结构化数据,由于受技术水平、创新意识、支撑保障等诸多因素影响,出现不同程度的信息壁垒,信息共享度、利用率不高,如何利用这些情报数据掌握社会动向、分析事态的演化趋势,进而提前预警预测,并为决策者提出决策性的建议,尚有大量知识需要研究。大数据技术经过多年的发展和完善已经趋于成熟,使用大数据技术进行情报分析,可有效的利用数据,为决策者提供可靠的指引。通过对信息的采集、整合并辅以大数据技术,大力推进相关部门的信息化建设。利用Spark运行在内存中的特点,为使用者提供高效的、交互式的查询和计算,快速展现数据内在信息,提高情报机关工作效率。本系统以Spark、Hadoop大数据技术为基础,面向特殊应用信息库、各情报资源信息库等已有数据库或其他多种类型数据文件,辅以GraphX图计算框架、SparkRDD、SparkSQL等工具,进行快速、高效的信息查询和多种图形化展示,并为使用者提供对社区人群的分析、通话分析、人员关联查询等多种功能。本文主要工作内容如下:1、研究情报系统业务模型,以及情报、特殊部门的具体需求分析,研究Spark、Hadoop大数据分析与存储技术、基于J2EE的前端系统、分布式消息系统以及数据清洗和数据库使用等,并设计了情报大数据分析系统的一种实现方法。2、开发前端系统使用J2EE技术架构,搭载Spring、SpringMVC、Mybatis三大框架作为前端展示系统。其中视图层采用FreeMarker、JQuery EasyUI、ECharts等组件提供多种形式、直观的数据展示。使用Oracle数据库,为面端组件、用户名、密码等信息提供持久化服务。3、分布式计算和传输系统开发。前端展示系统通过Apache Kafka集群与Spark集群进行实时交互。Spark集群主要负责对数据进行计算、分析。通过使用Spark RDD、SparkSQL、GrpahX、GraphFrame等工具进行社区发现、重点人员查找、话单分析、人群分析等功能,并将结果通过Kafka集群实时的反馈给前端展示系统。4、数据清洗和导入工作。数据存储采用分布式系统存储,并支持多种数据来源的导入,如关系型数据库、文本文档、CSV文件等。经过数据清洗后统一存放在HDFS系统中。通过Sqoop实现对存储系统定时更新的功能,在固定时间间隔将外部数据导入到存储系统中,保证数据的实时有效性。大数据分析系统通过将分散在不同业务部门的信息通过汇总、提取、计算实现了部门之间的信息交换,打破信息壁垒,并提供高效、直观、多样的数据可视化处理,为情报机关工作效率和能力的提高发挥积极作用。
舰船目标事件检测及情报分析技术研究
这是一篇关于舰船事件检测,深度学习,情报分析,卷积神经网络的论文, 主要内容为舰船作为海上监测、管理和打击的重点目标,对其进行快速准确的典型事件检测,并结合情报分析手段识别其行为,可以给海上交通管制、海洋专属经济区保护、非法捕鱼监管、走私偷渡打击等各种处置和决策提供支持。当前,舰船目标事件检测及情报分析过程存在智能化程度低、信息无法实时处理、应用模式效率低下等不足,如何利用海洋大数据实现高效的舰船目标事件检测及情报分析已经成为海洋信息处理智能化发展的研究重点和难点。因此,本文针对海洋大数据处理智能化的需求,开展了基于深度学习的舰船目标事件检测和情报分析相关关键技术研究,主要完成工作如下:(1)通过对国内外研究现状、AIS数据预处理方法、深度学习相关理论的分析总结,本文设计并实现了一种基于深度学习的舰船目标事件检测方法,该方法选用已有的卷积神经网络作为基础网络,并使用时序信息学习分支、轨迹特征通道加权、多尺度卷积以及快捷连接等方式进行改进和优化,提升了深度网络的特征表达能力、对重要特征的捕捉能力以及对特征局部变化的适应能力。(2)以近海海洋牧场中非法捕鱼事件的取证和监管为应用背景,进一步设计并完善了舰船目标事件检测及情报分析方法。首先,通过对海洋多源异构大数据进行信息融合,可以获取舰船目标特征的最优估计;其次,结合基于深度学习的舰船目标事件检测方法和基于滑窗的非定长轨迹分析算法,解决了事件轨迹难以准确划分的问题;最后,利用基于事件检测的情报分析方法,实现了对舰船目标非法捕鱼事件的识别。(3)实验分析及讨论:首先,使用公开的真实AIS数据集,构建本文的舰船目标特征轨迹数据集;第二,在同一舰船目标事件检测辨识框架下,开展性能对比实验,实验结果证明本文提出的方法实现了90.8%的准确率,优于已有的其他7种方法,相较于基础的卷积神经网络提升了5.6个百分点;第三,不同类别事件的实验结果表明,本文方法对捕鱼事件的检测召回率达到95.1%,满足非法捕鱼的取证和监管应用的需求;最后,把本文方法部署在指定的嵌入式设备,实现了每秒200段轨迹的处理速度,满足实时性要求。(4)基于Vue.js与Spring Boot的前后端分离框架,综合利用Java、Mybatis等工具,设计并实现了面向海洋智能监管应用下的舰船事件检测原型系统。
基于Spark的情报大数据可视化分析
这是一篇关于Spark,大数据可视化,社区分析,情报分析,图计算的论文, 主要内容为信息化时代数据量激增,同时由于情报部门等特殊需求部门多年来对信息的积累,存储了大量结构化、半结构化数据,由于受技术水平、创新意识、支撑保障等诸多因素影响,出现不同程度的信息壁垒,信息共享度、利用率不高,如何利用这些情报数据掌握社会动向、分析事态的演化趋势,进而提前预警预测,并为决策者提出决策性的建议,尚有大量知识需要研究。大数据技术经过多年的发展和完善已经趋于成熟,使用大数据技术进行情报分析,可有效的利用数据,为决策者提供可靠的指引。通过对信息的采集、整合并辅以大数据技术,大力推进相关部门的信息化建设。利用Spark运行在内存中的特点,为使用者提供高效的、交互式的查询和计算,快速展现数据内在信息,提高情报机关工作效率。本系统以Spark、Hadoop大数据技术为基础,面向特殊应用信息库、各情报资源信息库等已有数据库或其他多种类型数据文件,辅以GraphX图计算框架、SparkRDD、SparkSQL等工具,进行快速、高效的信息查询和多种图形化展示,并为使用者提供对社区人群的分析、通话分析、人员关联查询等多种功能。本文主要工作内容如下:1、研究情报系统业务模型,以及情报、特殊部门的具体需求分析,研究Spark、Hadoop大数据分析与存储技术、基于J2EE的前端系统、分布式消息系统以及数据清洗和数据库使用等,并设计了情报大数据分析系统的一种实现方法。2、开发前端系统使用J2EE技术架构,搭载Spring、SpringMVC、Mybatis三大框架作为前端展示系统。其中视图层采用FreeMarker、JQuery EasyUI、ECharts等组件提供多种形式、直观的数据展示。使用Oracle数据库,为面端组件、用户名、密码等信息提供持久化服务。3、分布式计算和传输系统开发。前端展示系统通过Apache Kafka集群与Spark集群进行实时交互。Spark集群主要负责对数据进行计算、分析。通过使用Spark RDD、SparkSQL、GrpahX、GraphFrame等工具进行社区发现、重点人员查找、话单分析、人群分析等功能,并将结果通过Kafka集群实时的反馈给前端展示系统。4、数据清洗和导入工作。数据存储采用分布式系统存储,并支持多种数据来源的导入,如关系型数据库、文本文档、CSV文件等。经过数据清洗后统一存放在HDFS系统中。通过Sqoop实现对存储系统定时更新的功能,在固定时间间隔将外部数据导入到存储系统中,保证数据的实时有效性。大数据分析系统通过将分散在不同业务部门的信息通过汇总、提取、计算实现了部门之间的信息交换,打破信息壁垒,并提供高效、直观、多样的数据可视化处理,为情报机关工作效率和能力的提高发挥积极作用。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/50480.html
