0 引　言

军舰是海军力量的核心组成部分，不仅需要执行传统的海上作战任务，还需应对复杂多变的非对称威胁和信息化战争环境^[1]。因此，对军舰作业状态的实时监控和精确评估成为提升作战效能和保障舰船安全的关键。

随着信息技术和传感器技术的快速发展，舰船装备的复杂性和智能化程度不断提高^[2]。然而，这也带来了新的挑战：如何从海量的传感器数据中提取出有价值的作业状态特征，以实现对舰船运行状态的全面监控和精确评估。

为此，崔雷等^[3]构建了一个端到端的海上舰船分类与状态感知模型，通过引入特征金字塔结构，实现了对微小目标深度特征的提取，同时保留了这些目标的相对位置信息。为了解决特征融合网络层数增加带来的梯度消失问题，该研究采用了残差结构，并通过加入舰船状态感知模块，使得模型能够最终输出海上舰船目标相对于图像的信息值。但是，该研究高度依赖于特征数据的准确性和完整性，如果数据出现缺失，直接影响研究结果。TRABATTONI等^[4]综合海底地震和水声站数据，开展舰船检测和跟踪工作。海底地震站长期运行，能够持续监测海底的微小震动，为舰船跟踪提供长时间的数据支持。但是地震站主要用于地震监测，其定位精度难以满足舰船跟踪需求，也不能直接提供舰船的精确位置，且海洋环境复杂多变，存在各种自然和人为噪声源，干扰水声信号的传播和接收，影响定位精度。王泳安等^[5]采用了非线性干扰观测器来估计由外界不确定因素引起的总干扰量，通过实时利用估计的干扰值修正强跟踪容积卡尔曼滤波的过程参数，最终构建了一种交互多模型强补偿容积卡尔曼滤波算法，实现对舰船状态的相对准确估计。但是，该研究在目标位置和速度估计上存在一定偏差。

本文提出基于船位数据采集的舰船作业状态特征提取方法，以舰船的北斗船位数据为基础，实现对其作业状态的自动识别与分类。该方法通过自动采集和处理舰船的实时位置、速度、航向等参数，实现连续、准确监测。

1 舰船作业状态特征提取方法设计 1.1 基于北斗卫星的船位数据采集

在提取舰船作业状态特征前，通过北斗卫星系统提供舰船的船位点数据，包括舰船对应的北斗终端卡号，舰船经纬度、舰船航速、舰船航行方位角以及发送舰船位置时对应的定位时间^{[6 − 7]}。船位数据采集的时间分辨率与空间分辨率分别为3 min以及10 m。利用数据字段记录舰船定位时间。

基于北斗卫星采集舰船船位数据的流程如图1所示。

1.2 基于船位数据的舰船作业状态特征分析

基于采集到的船位数据，分析舰船作业状态特征，为后续的状态分析提供有力支持。

由于舰船在固定时间段内可能作业多次，因此，利用多个离散的船位数据，明确舰船执行作业任务的持续时间。当舰船的作业地点出现变化时，舰船搜寻作业目的地的过程为航行状态，该过程的航速较高^[8]；舰船到达作业地点时呈停船作业状态，舰船航速降低。根据舰船的航速变化，可以判断其作业次数。当作业地点固定时，舰船执行作业任务的水深、航速等状态特征变化较小，此时可忽略不同作业次数之间的时间差，将相同地点的多次作业设置为1个作业任务。

固定作业时间段内，舰船累计作业时长为：

$t = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {\left( {{t_{i,j}} - {t_{i - 1,j}}} \right)} } 。$

(1)

式中：$i$与$m$分别为第$i$个舰船作业点以及固定时间段内的作业点数量；$j$与$n$分别为第$j$次作业以及固定时间段内的舰船作业次数；${t_{i,j}}$与${t_{i - 1,j}}$分别为舰船作业累计时间以及舰船船位点对应时间。

固定时间段内，舰船作业位置$\left( {X,Y} \right)$如下：

$\left\{ {\begin{array}{*{20}{c}} {X = \dfrac{{\displaystyle\sum\limits_{l = 1}^m {{X_l}} }}{m}} ，\\ {Y = \dfrac{{\displaystyle\sum\limits_{l = 1}^m {{Y_l}} }}{m}} 。\end{array}} \right.$

(2)

式中：$X$与$Y$分别为舰船的经度重心与纬度重心；${X_l}$与${Y_l}$分别为作业点经度与纬度。

在采集的船位数据中，包含舰船的定位时间与舰船的经纬度信息。依据相邻两点的舰船船位信息，获取固定时间段内舰船的空间距离。假设$A$与$B$表示在不同时间时的２个船位，其对应的经纬度分别用${A_1}$、${A_2}$、${B_1}$、${B_2}$表示。利用半正矢公式获取两点之间空间距离$L$的表达式如下：

$\begin{aligned} & L=2R\arcsin \\ & \left[\sqrt{\sin^2\left(\frac{B_1-A_1}{2}\right)+\cos A_1B_1\sin^2\left(\frac{B_2-A_2}{2}\right)}\right] \end{aligned} 。$

(3)

式中：$R$为地球平均半径。

利用２个船位点的时间间隔以及利用式(3)获取的空间距离$L$，获取舰船的平均作业速率表达式为：

$v = \frac{L}{{{T_B} - {T_A}}} 。$

(4)

式中：${T_A}$与${T_B}$为船位点$A$与船位点$B$的定位时间。

基于此，利用SPSS 22.2软件，统计不同舰船状态时，船位点在不同平均速率区间出现的频数，确定舰船的平均速率阈值。

1.3 基于深度神经网络的舰船作业状态特征提取

根据舰船的实际状态，构建深度神经网络分类模型，用于精准提取舰船的状态特征。

深度神经网络利用已获取的时间、经度、纬度、航速、航向等船位数据，训练所构建的神经网络，实现舰船状态特征的有效提取。

提取舰船作业状态特征的深度神经网络由1个输入层、$k$个隐含层以及1个输出层组成。深度神经网络的隐含层状态表达式如下：

${h_1} = \sigma \left( {W_1^{\rm{T}}X + {b_1}} \right) 。$

(5)

式中：${W_1}$与${b_1}$分别为输入层与隐含层神经元的连接权值及偏置；$\sigma$为激活函数。

舰船作业状态特征提取的流程如下：

步骤1　归一化处理所采集到的船位数据，并通过线性处理获取高维的舰船船位数据。线性处理的表达式为：

$y = x{W^{\boldsymbol{T}}} + b 。$

(6)

式中：$y$与$x$分别为输出结果以及输入的船位数据；$\boldsymbol{{W\boldsymbol{ }}}\boldsymbol{ }$与$\boldsymbol{T}$分别为权重矩阵以及矩阵转置；$b$为偏置。

步骤2　利用线性激活函数ReLU函数，将深度神经网络的神经元输出转化为0，使所构建的深度神经网络具有较高的稀疏性，降低参数的相互依存关系，避免出现模型过拟合情况。

ReLU函数的表达式为：

$y = \max \left( {0,x} \right) 。$

(7)

利用式(7)将小于0的样本转化为0，不变动大于等于0的样本。

步骤3　利用线性操作将深度神经网络提升至2048维，使所构建的模型具有更优的舰船作业状态特征提取能力。

步骤4　利用激活函数$\sigma$将深度神经网络的维度提升为4096维，获取最佳的舰船作业状态特征提取性能。所采用激活函数$\sigma$的表达式为：

$\sigma = \frac{1}{{1 + {e^{ - x}}}} 。$

(8)

步骤5　利用线性函数对船位数据样本进行分类，输出舰船航行、作业、漂泊３种作业状态特征。

选取交叉熵损失函数训练所构建的深度神经网络，其表达式如下：

$S = - \sum\nolimits_x {\left( {g\left( x \right)\log p\left( x \right)} \right)} 。$

(9)

式中：$g\left( x \right)$与$p\left( x \right)$分别为舰船的实际状态特征及其概率值。

将船位数据作为深度神经网络的输入，利用训练后的深度神经网络输出舰船状态特征提取结果。

2 实验与分析

为了验证所研究方法在提取舰船作业状态特征中的有效性，选取某海域2022年5月15日14:25:00 - 16:38:55的船位点数据作为实验样本。

所采集的舰船的船位数据样本的分布特征如表1所示。

分析可知，经度数据分布比正态分布略尖锐，纬度数据分布比正态分布略平坦。舰船航速分布区间较广，处于航行、停泊、作业等不同状态。航速数据分布比正态分布更加尖锐，即航速数据更加集中在某些特定值附近。航速数据分布向右偏斜，即大多数航速值低于平均值，但有少数较高的航速值拉高了整个分布的右侧。此外，舰船主要在一个相对较小的经纬度范围内活动，航速有一定波动。经度和纬度数据非常集中，航速数据则相对分散一些，但仍保持一定的稳定性。

统计舰船B584618的经纬度变化曲线如图2所示。可知，舰船的经度与纬度数据变化区间较小，表明所采集的船位数据的时间范围内，舰船在小范围海域内活动。

舰船在作业与非作业状态的航速频数分布结果如图3所示。

分析可知，非作业状态的航速主要分布于0 ~ 1.2 m/s，占舰船船位样本的少量部分。作业状态的航速占全部样本的大量部分，其航速均高于1.2 m/s。设置该范围的最大值与最小值作为航速状态划分阈值。故本文方法能够有效确定固定时间段内舰船的作业位置。

以舰船B584618为例，依据船位数据，提取该舰船的状态特征如表2所示。

分析可知，本文方法能够有效提取舰船作业状态特征，确定其在不同时间段的状态。这说明该方法对于舰船管理和安全监控至关重要。准确的状态识别结果，可以帮助舰船作业人员及时作出决策，调整舰船作业计划。

3 结　语

本文将船位数据应用于舰船作业状态特征提取工作中，利用船位数据实时反映舰船的位置、速度、航向等关键信息，为后续的特征提取和模式识别提供了坚实的基础。通过深入分析船位数据，成功提取能够反映舰船作业状态的关键特征参数，在实际应用中表现出了良好的区分度和稳定性，满足舰船作业状态识别需求。