论文部分内容阅读
基于船舶自动识别系统（AIS）、雷达、声呐等海洋传感器数据的目标高效识别技术对保障海洋安全和维护海上贸易发展有着重要意义。其中,多维度目标数据关联与累积识别是研究热点之一,此类研究的算法性能很大程度上取决于传感器所采集数据的数量与质量。然而,受限于数据集公开程度有限、真实数据采集困难、后期处理复杂等条件,如何获得充足的海域目标数据用于算法的训练和测试是该领域亟待解决的难题。目前已经存在一些针对海域目标的数据仿真工作。然而,现有的研究多着眼于单一传感器维度的数据仿真,且没有同时考虑目标样本数据集的稀缺性和海域目标运动行为的复杂性。因此,本文提出了基于生成对抗网络的海上目标多维数据仿真工具。该工具在少量真实目标样本数据的基础上,通过机器学习算法仿真出大量与真实数据“神似形异”的多维度目标属性和行为数据,用以支撑课题组后续的海上小目标累积识别与认知算法的研究。针对上述问题,论文的主要工作分为三部分:（1）研究并实现了基于 Conditional-WGAN-GP（简称:C-WGAN-GP）的目标AIS航迹空间数据生成方法。本文实现了 C-WGAN-GP网络以解决大量AIS航迹数据生成问题。利用少量真实目标AIS航迹数据,学习数据的空间特征并遵循其特征分布生成大量基础的AIS航迹空间数据。（2）设计并实现了海上目标多维数据仿真工具。本文基于上述数据生成方法,结合传感器信息内容与设备参数,采用数据关联逆向思维实现AIS、雷达、声呐与光电等多维度仿真数据的批量和实时流式生成。（3）针对目标异常行为实现了异常事件模拟器,并搭建了异常事件类框架,以完成目标异常行为仿真数据生成与数据场景定制,并为后续异常行为多元化提供基础。最后,对本文所实现的工具进行功能和性能测试,结果表明所研究的数据生成方法有效,多维数据仿真工具符合需求且具备可用性,所生成的仿真数据为目标累积识别算法与异常检测算法的训练与验证提供了有效支持。