0 引　言

船舶自动识别系统（Automatic Ship Identification System，AIS）是海事安全与通信领域的关键助航系统，在现代航海中发挥不可替代的作用。它通过甚高频（VHF）通信技术，自动交换航速、航向、船名、呼号等重要信息，实现船与船、船与岸之间的有效信息交互，AIS在船舶交通管理中扮演重要角色。岸基 VTS（船舶交通管理系统）通过接收船舶AIS信号，能实时掌握辖区内船舶的分布和动态，实现对船舶交通的有效组织和管理，提高港口和航道的通航效率，保障海上交通秩序。

尽管AIS系统具有重要作用，但目前仍面临诸多挑战。在复杂的海上环境中，AIS信号容易受到地形、天气以及其他无线电信号的干扰和遮挡。特别是在山区海域或恶劣天气条件下，信号可能会减弱或中断，导致信息传输不完整或丢失，影响船舶对周围态势的准确感知和岸基管理部门的有效监管。传统AIS系统在面对大量船舶数据时，数据处理和分析能力有限，难以满足智能海事监管和大数据分析的需求。在船舶数量众多的繁忙水域，系统可能出现数据拥堵、处理延迟等情况，无法及时为用户提供有效的决策支持。

卷积神经网络（Convolutional Neural Network，CNN）作为一种强大的深度学习模型，在图像识别、语音识别等领域取得了显著成果，叶萍^[1]、曲颖丽^[2]、熊先华^[3]、程静^[4]等的研究将卷积神经网络应用到船舶的图像目标识别中，且取得不错成果。

卷积神经网络为解决AIS系统面临的问题提供了新的思路和方法。CNN强大的特征提取和模式识别能力，可有效处理AIS信号中的干扰和噪声，提高信号的准确性和稳定性。本文提出一种基于CNN的船舶自动识别系统优化方法，通过对大量AIS数据的学习，CNN能够自动提取数据中的关键特征，识别出异常数据和干扰信号，从而提升AIS系统在复杂环境下的可靠性。

1 AIS系统识别问题分析

在船舶AIS系统识别中，存在着信号干扰、复杂环境下性能下降等问题，这些问题严重影响了AIS系统的可靠性和准确性，存在的问题主要包括^{[5 − 6]}：

1）信号干扰与遮挡

AIS系统主要依靠甚高频（VHF）信号进行信息传输。VHF信号在传播过程中，其传播特性决定了信号易受多种因素影响。在复杂的海上环境中，当遇到大型岛屿、山脉等障碍物时，信号会发生绕射、反射和散射现象，导致信号强度减弱甚至中断，使得接收端无法准确获取船舶信息，造成信息丢失。在多岛屿的海域，信号在岛屿间多次反射和折射，信号的相位和幅度发生变化，产生多径效应，这会导致接收的信号出现干扰和误码，影响信息的准确识别。

2）电磁干扰

海上环境中存在众多电子设备，如船舶自身的雷达、通信设备、导航仪器等，这些设备工作时会产生电磁辐射，形成复杂的电磁环境。AIS系统使用的VHF频段信号容易受到其他同频段或相近频段的电磁干扰，导致信号质量下降，影响信息的准确传输和识别。比如当船舶在港口附近，周围众多船舶电子设备同时工作，产生的电磁干扰会严重影响AIS信号的稳定性，导致信息传输错误或丢失。

3）算法局限性引发的问题

现有的AIS系统识别算法大多基于传统的信号处理和模式识别方法。这些算法在面对简单的、理想的信号环境时，能够较好地完成船舶信息的识别和处理。然而，随着海上交通日益繁忙，船舶数量增多，AIS数据变得更加复杂多样。传统算法难以有效处理大规模、高维度的AIS数据，无法准确提取数据中的关键特征，导致在复杂情况下对船舶的识别准确率下降。特别是在船舶密集区域，众多船舶的AIS信号相互交织，传统算法难以准确区分和处理每个船舶的信息。

4）抗干扰能力弱

传统算法在设计时，假设信号是在理想的高斯白噪声环境下传输，但实际海上环境中的干扰信号并非如此简单。传统算法缺乏有效的抗干扰机制，对于复杂的干扰信号，如脉冲干扰、窄带干扰等，无法进行有效的抑制和消除。当AIS信号受到这些复杂干扰时，传统算法无法准确恢复原始信号，导致信息识别错误或丢失。

2 基于CNN的AIS系统优化方法 2.1 优化思路

在船舶自动识别系统（AIS）优化中，基于CNN的方法能有效解决现有问题，图1为基于CNN的AIS系统优化框架。

1）数据层。负责收集AIS数据，来源包括船载AIS设备实时采集的船舶自身信息，以及岸基AIS基站接收的周边船舶信息。这些数据汇聚后，进入数据预处理环节。

2）预处理层。AIS数据在进入CNN模型前，需进行预处理。首先是数据清洗，AIS数据可能包含因设备故障、信号干扰产生的错误值，以及重复记录，清洗可去除这些噪声数据，提升数据质量。例如剔除位置信息明显错误或重复的船舶轨迹点。其次是数据归一化，AIS数据涉及船舶位置、速度、航向等多维度信息，不同特征的量纲不同，归一化能使各特征在相同尺度下参与运算，加速模型收敛。如将速度从节转换为统一的米每秒单位，并进行归一化处理。最后是数据增强，由于AIS数据获取受环境和设备限制，数据量可能不足，通过旋转、缩放、平移等操作扩充数据集，可增强模型泛化能力。比如对船舶航行轨迹数据进行适当的时间轴平移，模拟不同起始时间的航行情况。

3）CNN模型层。构建适合AIS数据处理的CNN模型，卷积层是关键。设置多层卷积层，首层卷积核大小设为5×5，用于提取AIS数据中的局部特征，如船舶航行速度变化与航向改变的关联特征。随着卷积层加深，卷积核数量可逐渐增加，以学习更复杂的特征。池化层用于对卷积层输出进行降维，减少计算量并保留关键特征，采用最大池化或平均池化，池化窗口大小设为3×3。全连接层将前面提取的特征整合，输出最终预测结果，通过调整节点数量，适配AIS数据的特征维度和分类任务。卷积层提取特征，池化层降维，全连接层输出结果。同时，将传统AIS算法融入模型层，在数据初步处理和结果后处理阶段发挥作用。

4）输出层。输出经过CNN模型处理和传统算法校验后的AIS信息，包括准确的船舶位置、航行状态等正常数据。经过预处理的数据输入CNN模型后，模型通过学习大量正常和异常AIS数据样本，建立起准确的识别模型^[7]。对于干扰信号，模型能根据学习到的特征模式，判断信号是否属于正常AIS信号特征范畴，将干扰信号过滤掉。在异常数据识别方面，若输入数据的特征与正常模式下的特征差异超过设定阈值，即可判定为异常数据，如船舶突然大幅度改变航向且速度异常，模型能及时检测到并输出异常提示。

2.2 CNN模型训练及优化

1）损失函数定义

针对船舶AIS系统中不同类型的数据，定义交叉熵损失函数为：

$ L = - \frac{1}{N}\sum\limits_{i = 1}^N {\sum\limits_{j = 1}^C {{y_{ij}}} } \log ({\hat y_{ij}}){\text{ }} \text{。} $

(1)

式中：N为AIS数据样本数量；C为每一个AIS数据中类别；$ {\hat y_{ij}} $为模型的预测输出，表示第i个样本属于第j个类别的概率；$ {y_{ij}} $为真实值。

在船舶自动识别系统中，CNN模型需要对船舶的状态（正常航行、异常航行等）以及各类干扰信号进行分类识别，交叉熵损失函数可以有效引导模型学习到正确的特征表示，提高分类准确性^[8]。

2）算法优化

Adam算法（Adaptive Moment Estimation）是一种广泛应用的优化算法，它结合了Adagrad和RMSProp算法的优点，能够自适应地调整每个参数的学习率。Adam算法在模型训练过程中计算梯度的一阶矩估计（均值）和二阶矩估计（未中心化的方差），并利用这些估计来动态调整学习率。Adam 算法的更新公式如下。

计算一阶矩${m_t} $估计（均值）：

$ {m_t} = {\beta _1}{m_{t - 1}} + (1 - {\beta _1}){g_t}{\text{ }} \text{。} $

(2)

式中：θ为模型的参数；g_t为在第t步的梯度。

计算二阶矩$ {v_t} $估计（未中心化的方差）：

$ {v_t} = {\beta _2}{v_{t - 1}} + (1 - {\beta _2})g_t^2{\text{ }} \text{。} $

(3)

修正一阶矩估计和二阶矩估计，以抵消初始化偏差：

$ {\hat m_t} = \frac{{{m_t}}}{{1 - \beta _1^t}} \text{，} $

(4)

$ {\hat v_t} = \frac{{{v_t}}}{{1 - \beta _2^t}} \text{。} $

(5)

更新参数：

$ {\theta _{t + 1}} = {\theta _t} - \frac{\alpha }{{\sqrt {{{\hat v}_t}} + \varepsilon }}{\hat m_t}{\text{ }} \text{。} $

(6)

式中：β₁和β₂为指数衰减率，分别设置为0.9和0.999；α为学习率；ε为一个很小的常数，设置为10⁻⁸，以防止分母为0。Adam算法通过动态调整学习率，使得模型在训练过程中能更快地收敛，并且对不同参数的更新步长进行合理控制，避免了梯度消失或梯度爆炸的问题。

3）训练参数调整策略

学习率是影响模型训练的关键参数之一。如果学习率设置过大，模型可能无法收敛，甚至会发散；如果学习率设置过小，模型的训练速度会非常缓慢，需要更多的训练时间和计算资源。在基于CNN的船舶自动识别系统模型训练中，采用动态调整学习率的策略，使用学习率退火（Learning Rate Annealing）方法，在训练初期，设置较大的学习率，使模型能快速探索参数空间；随着训练的进行，逐渐减小学习率，使模型能够在最优解附近进行精细调整。常见的学习率退火策略有指数衰减（Exponential Decay）和余弦退火（Cosine Annealing）。

指数衰减学习率$ {\alpha _{t1}} $随训练步数t的变化公式为：

$ {\alpha _{t1}} = {\alpha _0} \cdot {\gamma ^t}{\text{ }} \text{。} $

(7)

式中：$ {\alpha _0} $为初始学习率；$ \gamma $为衰减率，取值0.1。

余弦退火衰减学习率$ {\alpha _{t2}} $随训练步数t的变化公式为：

$ {\alpha _{t2}} = \frac{1}{2} \left\{1 + \cos\left(\frac{{\text{π} t}}{{{T_{{\mathrm{max}}}}}}\right)\right\}{\alpha _{{\mathrm{max}}}}{\text{ }} \text{。} $

(8)

式中：T_max为最大训练步数；α_max为初始学习率。

在船舶AIS系统优化中，迭代次数（Epoch）指的是模型对整个训练数据集完成一次完整训练的次数。确定合适的迭代次数至关重要，需综合考虑多方面因素。从模型收敛情况来看，随着迭代进行，模型对 AIS数据的特征学习逐步深入，若迭代次数不足，模型可能无法充分挖掘数据中的关键信息，导致对船舶状态识别和干扰信号处理能力不足；而迭代次数过多，可能引发过拟合问题。通过观察模型在验证集上的性能指标来确定迭代次数，特别是函数损失值。

在船舶AIS系统中，损失值反映了模型预测与真实情况的差异。本文设置初始迭代次数为1000，在训练过程中实时监控模型性能。一旦模型在验证集上的性能不再提升，或者出现验证集性能下降而训练集性能却继续提升的情况，便满足停止条件，此时及时保存当前的模型参数，以确保模型在避免过拟合的同时，充分利用计算资源，达到较好的优化效果。

4）CNN模型训练仿真结果

采用不同的学习率，并使用不同的学习率调整策略，图2为不同参数下损失值随迭代次数的变化情况，可以发现：采用退火函数（指数衰减和余弦退火）能够根据训练进程动态调整学习率，使模型在训练初期快速探索参数空间，后期在最优解附近精细调整，从而更快更好地收敛。而固定学习率虽也能使模型收敛，但在收敛速度和效果上不如采用退火策略的参数设置。

2.3 实验条件和步骤

使用训练好的CNN模型，将其和传统的AIS系统进行对比，实验步骤主要如下：

1）准备阶段。搭建实验环境，包括硬件设备（如高性能计算机、AIS信号接收设备等）和软件环境（安装深度学习框架、数据处理工具等）。对基于CNN优化的AIS系统进行初始化，设置模型参数并加载预训练模型。

2）数据采集阶段。按照数据采集方法，不同的船舶监控场景以及不同的天气条件下，同时采集传统 AIS系统和基于CNN优化的AIS系统的数据。

3）实验运行阶段。将采集到的数据分别输入传统AIS系统和基于CNN优化的AIS系统进行处理，记录2个系统在处理数据过程中的各项指标数据。

4）结果统计阶段。根据设定的评价指标，对2个系统的处理结果进行统计分析，计算AIS信号准确率、系统虚警率等指标值。

2.4 优化结果分析

图3为传统AIS系统和基于CNN的AIS系统在不同场景下AIS信号准确率的对比情况。在不同实验场景下，基于CNN优化的AIS系统信号准确率均高于传统AIS系统。在港口场景，基于CNN优化的AIS系统信号准确率比传统AIS系统高15%；公海场景高15%；海峡场景高14%；近海场景高16%。这表明基于CNN的优化方法在提升AIS系统信号接收和识别能力上成效显著，能更有效地应对各类复杂的海上环境，降低信号丢失和误判概率，从而提高船舶航行安全和海事监管的准确性。

图4为传统AIS系统和基于CNN的AIS系统在不同天气AIS系统虚警率的对比情况。从这些数据可知，在不同天气条件下，基于CNN优化的AIS系统虚警率均显著低于传统AIS系统。这说明基于CNN优化的AIS系统在面对不同天气干扰时，对信号的处理能力更强，能更精准地区分正常信号和干扰信号，有效避免将正常船舶行为或信号误判为异常，减少不必要的警报，提高海事监管的效率和可靠性。

3 结　语

船舶自动识别系统（AIS）在保障船舶航行安全与海事监管中起着关键作用，提升其性能对于维护海上交通秩序、降低事故风险意义重大。基于此，本文展开对基于CNN的AIS系统优化研究，主要结论如下：

1）船舶AIS系统在运行中面临信号干扰与遮挡、电磁干扰、算法局限性及抗干扰能力弱等问题。传统算法难以处理复杂多样的大规模AIS数据，且抗干扰机制缺失，在复杂干扰下无法准确恢复信号，严重影响系统可靠性与准确性。本文提出一种基于CNN的AIS系统优化方法，通过数据层、预处理层、模型层和输出层构建完整框架。

2）构建的CNN模型能有效提取AIS数据特征，结合传统AIS算法，对干扰信号过滤和异常数据识别效果良好。模型训练采用交叉熵损失函数和Adam优化算法，结合学习率退火策略动态调整学习率，使模型更快更好收敛，收敛速度优于固定学习率的情况，避免过拟合，充分利用计算资源。

3）将基于CNN优化的AIS系统与传统AIS系统对比实验表明，在不同实验场景下，优化后的系统信号准确率显著高于传统系统，能有效应对复杂海上环境，降低信号丢失和误判概率；在不同天气条件下，虚警率明显低于传统系统，对信号处理能力更强，减少不必要警报，极大提高了船舶航行安全和海事监管的效率与可靠性。