專利名稱：船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種遠(yuǎn)程船舶監(jiān)控通知方法，特別涉及一種利用手機(jī)短信息向用戶提
供船舶動(dòng)態(tài)通知中背景圖片的選擇方法。
背景技術(shù)：
隨著我國經(jīng)濟(jì)的發(fā)展，船舶的交通運(yùn)輸量每年都在快速增加，包括內(nèi)陸航運(yùn)和遠(yuǎn) 洋航運(yùn)，都蓬勃發(fā)展。這種情況下，及時(shí)、準(zhǔn)確地掌握船舶的位置和動(dòng)態(tài)，對(duì)安排有關(guān)船舶的 生產(chǎn)作業(yè)具有重要的意義。隨著包括船舶自動(dòng)識(shí)別系統(tǒng)(AIS)在內(nèi)的通訊設(shè)備在船舶上的 普遍裝設(shè)，為人們獲取船舶的動(dòng)態(tài)信息提供了方便。比如，可以利用船舶播發(fā)的AIS信息， 結(jié)合電子海圖，人們可以監(jiān)控船舶運(yùn)動(dòng)，看到水域內(nèi)的船舶交通情況等。目前，利用AIS信 息開發(fā)的船舶動(dòng)態(tài)監(jiān)控系統(tǒng)大多是被動(dòng)的系統(tǒng)，用戶只有通過在線訪問才能獲得有關(guān)船舶 的動(dòng)態(tài)信息，系統(tǒng)不能夠根據(jù)用戶訂閱，主動(dòng)地將船舶動(dòng)態(tài)信息發(fā)送給用戶，這給用戶帶來 較多不便。因此需要開發(fā)一種主動(dòng)的船舶動(dòng)態(tài)監(jiān)控通知服務(wù)系統(tǒng)，讓用戶通過訂閱，即可離 線跟蹤船舶動(dòng)態(tài)及其變化。 現(xiàn)有技術(shù)中已有利用手機(jī)短信息對(duì)整個(gè)船舶動(dòng)態(tài)進(jìn)行監(jiān)控通知的服務(wù)系統(tǒng)，而發(fā) 送短信息時(shí)，如何為船舶動(dòng)態(tài)通知提供合適的背景圖片，特別是不同比例、不同內(nèi)容情況 下，如何智能地向用戶提供他們所希望得到的背景圖片，則一直是很難解決的問題。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于，克服現(xiàn)有利用手機(jī)短信息對(duì)整個(gè)船舶動(dòng)態(tài)進(jìn)行 監(jiān)控通知的服務(wù)系統(tǒng)在發(fā)送短信時(shí)，不能夠提供合適的背景圖片的缺陷。本發(fā)明提供了一 種用在船舶動(dòng)態(tài)短信息中，且能夠提供方便用戶直觀了解船舶動(dòng)態(tài)和周邊環(huán)境的背景圖片 的圖片選擇方法。 為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案如下 船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，該方法包括如下步驟 (1)建立以信息熵和信息置亂度為輸入量，以是否符合背景圖片要求為輸出量的
人工神經(jīng)網(wǎng)絡(luò)； (2)選擇某一比例尺下的圖片； (3)分別計(jì)算所選圖片的信息熵和信息置亂度； (4)將信息熵和信息置亂度數(shù)據(jù)導(dǎo)入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，若識(shí)別結(jié)果符合要
求轉(zhuǎn)入步驟(5)，若不符合要求轉(zhuǎn)入步驟(2); (5)根據(jù)識(shí)別結(jié)果選定船舶動(dòng)態(tài)短信息背景圖片。
所述步驟(3)中的信息熵通過公式2] P"V)logO"力)'計(jì)算得到，
一r)
其中，s(V)表示所選擇的背景圖片中所有不同像素值的取值集合，而/^0) = ^^，表示
wx附
4圖片A中像素值為v的個(gè)數(shù)(fA(v))在整個(gè)圖片中所占的比例。
W-l 1 所述步驟(3)中的信息置亂度通過計(jì)量公式"^7 = ^S-，計(jì)算得到，
"力
其中e(x，y) = f(x，y)-g(x，y)，該f(x，y)x，y G {0， 1， ， N_l}表示NXN個(gè)原始圖像數(shù) 據(jù)，而g(x，y)x，y G {0，1，... ，N-1}表示輸出的圖像數(shù)據(jù)。 所述步驟(3)中的信息置亂度在步驟(2)中選擇的背景圖片為彩色圖片時(shí)的處理 方式包括如下兩步 (1A)將選擇的圖片和底色中每一像素點(diǎn)的R， G， B分量都分離出來；
(2A)按照如下公式計(jì)算出1/SNR的數(shù)值
W-IW-I _ _ 2 _
，i;2> -《)2+( ) +(《-4)2 i '=。'=。
W1 一^— 2一-，其中，Pi/，Pi/，Pi/為圖片底色
i:z⑥2《)+(巧)2
的R， G， B分量值，H巧為選擇的圖片的R， G， B分量值。 所述步驟(3)中的信息置亂度在步驟(2)中選擇的背景圖片較大時(shí)的處理方法包 括如下步驟 (IB)將較大的背景圖片分塊處理，得到多個(gè)較小的圖片； (2B)對(duì)圖片每一分塊計(jì)算分塊的i= (1， 2， . . . ， N)，其中N為分塊的數(shù)量； (3B)求取平均SNR值:預(yù)_§纖'然后計(jì)算1/SNR。
_ ~~， 所述通知信息背景圖片的圖片，應(yīng)該具有較小的SNR值，因?yàn)樵谶M(jìn)行神經(jīng)網(wǎng)絡(luò)判 斷的時(shí)候，數(shù)據(jù)需要經(jīng)過處理，所以在實(shí)際做的時(shí)候，輸入的并不是SNR值，而是它的倒數(shù)， 即1/SNR，其范圍0. 04 0. 0009。 所述步驟(2)中選擇某一比例尺圖片的優(yōu)選方式是按圖片的比例尺從大到小的 方式進(jìn)行的。 所述步驟(1)中的神經(jīng)網(wǎng)絡(luò)類型包括 A) BP神經(jīng)網(wǎng)絡(luò)，它是一種多層前向網(wǎng)絡(luò)，采用最小均方差的學(xué)習(xí)方式的神經(jīng)網(wǎng) 絡(luò)； B) RBF神經(jīng)網(wǎng)絡(luò)，它是一類多層前饋網(wǎng)絡(luò)，其神經(jīng)元基函數(shù)具有僅在微小局部范圍 內(nèi)才產(chǎn)生有效的非零響應(yīng)的局部特性的神經(jīng)網(wǎng)絡(luò)。 所述步驟(1)的神經(jīng)網(wǎng)絡(luò)是利用J00NE來構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 根據(jù)上述技術(shù)方案得到的本發(fā)明具有以下優(yōu)點(diǎn)本發(fā)明以海圖或地圖的信息熵和 信息置亂度這兩個(gè)屬性，來表征一幅背景圖片的信息含量以及分布，在此基礎(chǔ)上構(gòu)建和訓(xùn) 練了一個(gè)以信息熵和信息置亂度為輸入的，以是否符合背景圖片的要求為輸出的人工神經(jīng) 網(wǎng)絡(luò)，從而利用該人工神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)智能選擇背景圖片的功能，這使得利用本發(fā)明獲得的船舶動(dòng)態(tài)通知信息的背景圖片，具有很高的船舶動(dòng)態(tài)信息的參考價(jià)值，用戶可以更加直 觀的了解船舶當(dāng)前動(dòng)態(tài)及其周邊航行環(huán)境。


以下結(jié)合附圖和具體實(shí)施方式
來進(jìn)一步說明本發(fā)明。
圖1為本發(fā)明的流程圖。
圖2為某一縮放水平下的通知信息背景圖片的效果圖。
圖3為圖片信息置亂水平較低不合適圖片的效果圖。
圖4為一幅不合適圖片的效果圖。
圖5為RBF人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖。
圖6為RBF神經(jīng)網(wǎng)絡(luò)部分的訓(xùn)練樣本數(shù)據(jù)列表。 圖7為本發(fā)明利用信息熵和信息置亂度進(jìn)行主觀識(shí)別和神經(jīng)網(wǎng)絡(luò)識(shí)別的實(shí)驗(yàn)數(shù) 據(jù)對(duì)比列表，為閉合式實(shí)驗(yàn)驗(yàn)證的結(jié)果。 圖8為本發(fā)明中利用信息熵和信息置亂度進(jìn)行主觀識(shí)別和神經(jīng)網(wǎng)絡(luò)識(shí)別的實(shí)驗(yàn) 數(shù)據(jù)對(duì)比列表，為開放式實(shí)驗(yàn)驗(yàn)證的結(jié)果。
具體實(shí)施例方式
為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié) 合具體圖示，進(jìn)一步闡述本發(fā)明。 本發(fā)明提供的方法應(yīng)用于利用手機(jī)短信息對(duì)整個(gè)船舶動(dòng)態(tài)進(jìn)行監(jiān)控通知的服務(wù) 系統(tǒng)，能夠解決該系統(tǒng)不能夠提供合適的背景圖片的問題。圖3和圖4給出了兩種不合適 的背景圖片，圖3給出了一種由于圖片信息置亂水平較低，導(dǎo)致的不合適圖片；圖4給出了 一種合適的圖片。 參見圖1所示，本發(fā)明提供的的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，具 有如下步驟 步驟1 (100):建立以信息熵和信息置亂度為輸入量，以是否符合背景圖片要求為 輸出量的人工神經(jīng)網(wǎng)絡(luò)。
步驟2(110):選擇某一比例尺下的圖片。
步驟3 (120):分別計(jì)算所選圖片的信息熵和信息置亂度。 步驟4(130):將由步驟(3)計(jì)算得到的信息置亂度和信息熵?cái)?shù)據(jù)導(dǎo)入人工神經(jīng)網(wǎng) 絡(luò)進(jìn)行識(shí)別。若識(shí)別結(jié)果符合要求，則轉(zhuǎn)入步驟(5);如果識(shí)別結(jié)果不符合要求，則選擇其 它比例尺的圖片(141)，再判斷是否還有其它圖片可供選擇(142)，若沒有直接結(jié)束，若有， 則導(dǎo)入步驟3，重新進(jìn)行圖片信息熵和信息置亂度的計(jì)算與圖片識(shí)別。 步驟5(140):根據(jù)識(shí)別結(jié)果選定船舶動(dòng)態(tài)短信息背景圖片(如圖2所示)，操作完 成。 在步驟1中涉及到的信息熵，其概念是 熵是熱力學(xué)中對(duì)微觀狀態(tài)多樣性或均勻性的一種度量，反映了系統(tǒng)微觀狀態(tài)的分 布幾率。從通信的角度看，處于隨機(jī)性的干擾是無法避免的，因此，通信系統(tǒng)具有統(tǒng)計(jì)的特 征，信息源可視為一組隨機(jī)事件的集合。該集合所具有的隨機(jī)性不確定度與熱力學(xué)中微觀態(tài)的混亂度是類同的。將熱力學(xué)幾率擴(kuò)展到系統(tǒng)各個(gè)信息源信號(hào)出現(xiàn)的幾率就形成了信息 熵。 信息熵標(biāo)志著所含信息量的多少，是對(duì)信息和隨機(jī)變量的不確定性的一種度量。 如果X是一個(gè)隨機(jī)變量，S(X)是X的一個(gè)取值集合，p(x))是X的概率函數(shù)，則信息熵E(X) 可由公式1-1定義 =—S p(x)log(p(x》 (l國l ) 由于p(xXl， H ^")-L可知，信息熵沒有負(fù)值，并且信息熵E(X)的值越大，
表明包含的信息越豐富。 在本發(fā)明中的信息熵的計(jì)算方式為 圖片中包含的像素值也可以看作是一種隨機(jī)變量，因此，某圖片A(大小是 nXm)，其信息熵H(V)用公式1-2定義如下:貝卩)=2>》)log(A(v》 (1-2) 其中，s(V)表示圖片中，所有不同像素值的取值集合，pA(v)表示圖片A中像素值
為v的個(gè)數(shù)(fA(v))在整個(gè)圖片中所占的比例，即j^(v)-^i。
wx附 可見，當(dāng)圖片只包含一種顏色時(shí)，其信息熵值為0。顯然，圖片信息條為零的圖片肯
定不能用來當(dāng)作通知信息的背景圖片。 信息置亂度的概念是 在本發(fā)明中，選擇用來作為通知信息背景圖片的圖片，首先需要包含一定的信息 量，即其信息熵必須大于零。它表示這樣的圖片中含有除了圖片底色外的其他的顏色，這些 顏色代表了陸地，岸線，島嶼或其他的助航標(biāo)志等；其次，圖片中其他顏色的分布不能過于 集中，否則，即使圖片的信息熵大于零，而其他顏色過分的集中在某一角落，這樣的圖片對(duì) 于用戶說，其參考價(jià)值仍然不大。 所以，對(duì)圖片中其他顏色的分布也要提出要求，即圖片中的信息必須具有一定的 置亂程度，所以需要對(duì)圖片中信息的置亂程度進(jìn)行評(píng)價(jià)。 圖像信息置亂度評(píng)價(jià)是信息隱藏領(lǐng)域的研究熱點(diǎn)之一。隨著科技的發(fā)展，傳統(tǒng)的 信息加密技術(shù)已經(jīng)很難適應(yīng)新的要求。在這種趨勢下，信息隱藏學(xué)應(yīng)運(yùn)而生，其中，基于圖 像載體的信息隱藏研究最為廣泛，圖像的置亂變換，又為信息隱藏提供了更進(jìn)一步的處理。 [OOSO] 目前，人們考慮較多的圖像置亂變換有以下幾種技術(shù)Arnold變換，F(xiàn)ibonacci變 換，Hilbert曲線等。在信息加密的研究中，置亂技術(shù)主要考慮的是加密的強(qiáng)度，也即解密 的難度。 一般說來，置亂效果越好，秘密信息隱藏在圖像載體中的隱藏效果越好，抗監(jiān)測能 力越高。在本發(fā)明中所引入的圖像信息置亂度概念，主要是為了考察通知信息背景圖片上 信息的分散程度。如圖3所示，其給出了一種圖片信息置亂水平較低的圖片。
數(shù)字圖像的置亂變換原理如下 —幅數(shù)字圖像A可以看作是一個(gè)矩陣P，矩陣中，各元素所在的行與列就是圖像顯 示在屏幕上各像素點(diǎn)的坐標(biāo)。對(duì)于灰度圖像，各元素的數(shù)值就是該像素點(diǎn)的灰度值，對(duì)于彩色圖像，可以取混合矩陣表示，即每像素點(diǎn)的灰度值與R， G， B有關(guān)，因此可以用三個(gè)數(shù)值矩 陣PK，PG， PB來表示。 圖像置亂變換是利用了數(shù)字圖像具有數(shù)字陣列的特點(diǎn)，攪亂圖像中像素的位置和 顏色，使之變成一張雜亂無章的圖像，從而達(dá)到無法從肉眼辨認(rèn)原始圖像的目的?，F(xiàn)在主要 使用的置亂做法是從空域和頻域上進(jìn)行置亂變換。 設(shè)原圖像A大小為NXN，原像素的位置為(x， y)，經(jīng)過空間變換后，其坐標(biāo)為 (x' ，y')，則幾何置亂方法為:=
久義
(mod AO
(1-3)
b
1， d = 要求ad-bc二士l a， b， c， d G Z。 當(dāng)a二b二c二l，d二2時(shí)，公式就變成了 Arnold變換，當(dāng)a 0時(shí)，公式就變成了 Fibonacci變換。
圖像置亂程度的評(píng)價(jià)方法 SNR屬于空間域指標(biāo)，在圖像數(shù)據(jù)壓縮中，經(jīng)常將SNR作為客觀保真度準(zhǔn)則，用來
描述輸出圖像與原始圖像的偏離程度，將原始圖像數(shù)據(jù)與輸出圖像數(shù)據(jù)之差看作"噪聲"。
設(shè)f(x，y)x，yG {0， 1 ， ， N_l}表示NXN個(gè)原始圖像數(shù)據(jù)，g(x， y)x， y G {0，
l，... ，N-1}表示輸出的圖像數(shù)據(jù)，此時(shí)"噪聲"e(x，y)定義為e(x，y) = f (x， y)-g (x， y)
則輸出圖像的均方信噪比SNR定義為 =
—x=0 "0_
AM W—1 x=0 y=0
,厶 很顯然，均方信噪比SNR越大，則輸出圖像越接近于原始圖像。
在本發(fā)明中，一幅具有參考價(jià)值的圖片，非底色的顏色在圖片上的分布是信息經(jīng) 過置亂后的結(jié)果。作為通知信息背景圖片，圖上非底色顏色的分布不能過分集中。因此需 要評(píng)價(jià)圖片中信息的置亂程度。同時(shí)若原始圖片僅由圖片底色構(gòu)成，選擇出的圖片是原始 圖片置亂后的結(jié)果，運(yùn)用上述基于SNR的圖片置亂評(píng)價(jià)方法，評(píng)價(jià)選擇的圖片相對(duì)于原始 圖片的置亂程度。若置亂后的圖片越"亂"，說明非底色的顏色的分布較均勻。較"亂"的 圖片在視覺上表現(xiàn)為，每一像素點(diǎn)的像素值與原始圖片對(duì)應(yīng)點(diǎn)的像素值差別較大。所以由 上述SNR的定義可以看出，若置亂后的圖片相對(duì)于原始圖片偏離程度大，即置亂程度高，則 SNR值越小。 因此，在本發(fā)明中，用SNR值的倒數(shù)來表示置亂度，S卩1/SNR。
具體為
，
一 x=0 y=0_
AM AM
x=0 "0
(1-3)
8
因此，作為通知信息背景圖片的圖片，應(yīng)該具有較小的SNR值，因?yàn)樵谶M(jìn)行神經(jīng)網(wǎng) 絡(luò)判斷的時(shí)候，數(shù)據(jù)需要經(jīng)過處理，所以在實(shí)際做的時(shí)候，輸入的并不是SNR值，而是它的 倒數(shù)，即1/SNR，其范圍0. 04 0. 0009。 根據(jù)上述技術(shù)方案，若發(fā)送的通知信息背景圖片是一副彩色圖片，且圖片較大 (768*768)，則必需對(duì)圖片做如下處理 1)將選擇的圖片和底色中每一像素點(diǎn)的R， G， B分量都分離出來； 2)對(duì)應(yīng)的1/SNR計(jì)算公式為
1
/=0 i-0 纖
(1-5)
si:⑥2+(/f) +(^)2
^=0 /=0 其中Pi/， Pi/， Pi/為圖片底色的R， G， B分量值，《，《,《為選擇的圖片的R， G， B分量值； 3)分塊處理。由于圖片較大，所以要分塊處理；在本實(shí)施例中，分塊大小取為 2X2，即分為4塊； 4)對(duì)圖片每一分塊計(jì)算分塊的i= (1，2，...，N)，其中N為分塊的數(shù)量，在 本實(shí)施例中，N = 4 ; 5)求取平均SNR值
2繊,
纖=
一 JsL
在本實(shí)施例中N = 4，依靠上述結(jié)果，即可計(jì)
算出1/SNR。 同時(shí)，可以通過人的主觀判斷，判斷出每一幅選擇出的圖片是否滿足通知信息背 景圖片的要求。對(duì)于滿足要求的圖片，定義為"1"，否則定義為"0"。因此，對(duì)于每一幅圖片， 抽象出了兩個(gè)屬性圖片的信息熵和圖片信息的置亂程度。并且圖片的信息熵和圖片信息 的置亂程度，決定了它是否符合通知信息背景圖片的要求。 通過大量的實(shí)驗(yàn)，可以獲得大量的這兩個(gè)屬性的樣本數(shù)據(jù)，以及人的主觀評(píng)價(jià)。因 此在本文的研究中，建立了人工神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)這些樣本，在后續(xù)選擇圖片時(shí)，由訓(xùn)練后的 神經(jīng)網(wǎng)絡(luò)來完成。對(duì)于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡寫為ANNs)也簡稱為神經(jīng)
網(wǎng)絡(luò)(NNs)或稱作連接模型(Connectionist Model)，是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)(Natural
Neural Network)若干基本特性的抽象和模擬。人工神經(jīng)網(wǎng)絡(luò)以對(duì)大腦的生理研究成果為
基礎(chǔ)的，其目的在于模擬大腦的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某個(gè)方面的功能。 目前在神經(jīng)網(wǎng)絡(luò)研究方法上已形成多個(gè)流派，最富有成果的研究工作包括多層
網(wǎng)絡(luò)BP算法，Hopfield網(wǎng)絡(luò)模型，自適應(yīng)共振理論，自組織特征映射理論等。 神經(jīng)網(wǎng)絡(luò)目前有幾十種不同的模型，人們從不同的角度對(duì)其進(jìn)行了分類 按網(wǎng)絡(luò)結(jié)構(gòu)區(qū)分，有前向網(wǎng)絡(luò)，反饋網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)； 按學(xué)習(xí)方式分，有教師學(xué)習(xí)網(wǎng)絡(luò)和無教師學(xué)習(xí)網(wǎng)絡(luò)； 按突觸性質(zhì)分，有一階線性關(guān)聯(lián)網(wǎng)絡(luò)和高階非線性關(guān)聯(lián)網(wǎng)絡(luò)； 按對(duì)生物神經(jīng)系統(tǒng)的層次模型區(qū)分，有神經(jīng)元層次模型，組合式模型，網(wǎng)絡(luò)層次模
本發(fā)明可用的神經(jīng)網(wǎng)絡(luò)類型并不限定，但作為目前在應(yīng)用和研究神經(jīng)網(wǎng)絡(luò)模型的 典型代表，包括有 l)BP網(wǎng)絡(luò)，它是一種多層前向網(wǎng)絡(luò)，采用最小均方差的學(xué)習(xí)方式，是廣泛使用的網(wǎng) 絡(luò)，可用于語言識(shí)別、自適應(yīng)控制等。 2)RBF網(wǎng)絡(luò)，它是一類非常有效的多層前饋網(wǎng)絡(luò)，其神經(jīng)元基函數(shù)具有僅在微小局 部范圍內(nèi)才產(chǎn)生有效的非零響應(yīng)的局部特性，因而可以在學(xué)習(xí)過程中獲得高速化。
3)其它。
作為典型實(shí)施例，本發(fā)明優(yōu)選的神經(jīng)網(wǎng)絡(luò)類型為 RBF網(wǎng)絡(luò)。它是一類非常有效的多層前饋網(wǎng)絡(luò)，其神經(jīng)元基函數(shù)具有僅在微小局部
范圍內(nèi)才產(chǎn)生有效的非零響應(yīng)的局部特性，因而可以在學(xué)習(xí)過程中獲得高速化。
根據(jù)上述技術(shù)原理，本發(fā)明提供的選擇方法具體操作如下 首先步驟2中在起始階段選擇某一比例尺圖片的優(yōu)選方式為先從最大比例尺的 角度進(jìn)行選擇圖片，然后比例尺幅度依次降低。 這是因?yàn)?，大比例尺情況下，描述的地理范圍雖然小，但精細(xì)度高，可有效表達(dá)細(xì) 節(jié)。因此，如果較大的比例尺狀況下能滿足要求的話，盡量采用較大的比例尺。
步驟3中，按照前述的置亂度與信息熵的計(jì)算方式進(jìn)行數(shù)據(jù)計(jì)算即可。
具體參考前述的公式= - S bg(p(X)) ( 1國1 )
一" 以及基于圖片SNR的置亂度評(píng)價(jià)方法，
W—1 W-l
1
/=0 i=0
纖
W—l W-l
(l畫5)
2:i:⑥2+(《)十⑥2
卜0 i-0等，即可計(jì)算圖片的信息熵和置亂度等關(guān)鍵數(shù)據(jù)。 步驟4，將步驟3所獲得的置亂度與信息熵的數(shù)據(jù)，導(dǎo)入到步驟1中的神經(jīng)網(wǎng)絡(luò)，進(jìn) 行計(jì)算與比較，即可判斷所選擇的背景圖片是否符合要求。 若步驟4之后，識(shí)別結(jié)果符合要求，即可進(jìn)入到步驟5，選定船舶動(dòng)態(tài)短信息背景 圖片。 若驟4之后，識(shí)別結(jié)果不符合要求，則應(yīng)當(dāng)選擇其它比例尺的圖片，然后判斷是否 有圖片，在有圖片的情況下，即可在選定圖片后進(jìn)入到步驟3，重新進(jìn)行圖片置亂度和信息 熵的計(jì)算以及圖片識(shí)別。 作為實(shí)施例，下面說明在神經(jīng)網(wǎng)絡(luò)中的進(jìn)行實(shí)施本發(fā)明的詳細(xì)情況
本發(fā)明的最優(yōu)實(shí)施方式采用RBF人工神經(jīng)網(wǎng)絡(luò)。 [Cms] (l)RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) RBF網(wǎng)絡(luò)也與其他BP網(wǎng)絡(luò)一樣，有著相似的結(jié)構(gòu)。常用的是一種三層的前饋網(wǎng)絡(luò)， 拓?fù)浣Y(jié)構(gòu)請(qǐng)參圖5所示。 圖5的左邊為輸入層，具有n個(gè)輸入節(jié)點(diǎn)；中間為隱含層，其單元個(gè)數(shù)視問題的情
10況而決定，上圖中具有P個(gè)隱節(jié)點(diǎn)，它包含有該處的激活函數(shù)；最右邊為輸出層，它是對(duì)輸 入模式的作用做出響應(yīng)，E表示此處的神經(jīng)元采用線性組合激活函數(shù)，也可以采用非線性 激活函數(shù)。 RBF神經(jīng)網(wǎng)絡(luò)的基本工作思想是，將RBF函數(shù)當(dāng)作隱含層神經(jīng)元的"基"，構(gòu)成隱含 層空間，它是一種局部分布的關(guān)于中心點(diǎn)對(duì)稱的非線性函數(shù)。這樣，確定了 RBF的中心點(diǎn) 后，可以將輸入的矢量，直接映射到隱含層空間。如果隱含層空間到輸出空間的映射是線性 的，則網(wǎng)絡(luò)的輸出就是隱含層神經(jīng)元輸出的線性加權(quán)和，此處的權(quán)是網(wǎng)絡(luò)的可調(diào)參數(shù)之一。
(2)RBF函數(shù) 設(shè)RBF網(wǎng)絡(luò)的輸入維數(shù)為n，隱層神經(jīng)元數(shù)為p，輸出維數(shù)為m。由上面的分析可
知，RBF網(wǎng)絡(luò)的映射關(guān)系分為兩個(gè)部分 1)從輸入空間到隱含層空間的非線性變換 設(shè)第i個(gè)隱層神經(jīng)元的輸出用hi表示，則 其中，P(C)即為RBF函數(shù)，它是一種局部分布的，對(duì)中心點(diǎn)徑向?qū)ΨQ衰減的非負(fù)非
線性函數(shù)，Ci為第i個(gè)RBF函數(shù)的中心，I I A I為歐式范數(shù)，一般取2范數(shù)，X為n維的輸入
向量X = [Xl， x2， . . . xjT， o i為第i個(gè)非線性變換單元的寬度。 RBF函數(shù)有多種形式，例如以下幾種多二次函數(shù)p(c) = (c2+cr2)1/2 ce及,oO 逆多二次函數(shù)^C)= (c2 +^2)1/2 Ce及,0"〉0 高斯函數(shù)p(c) = exp(—"^") c e i ，cr > 0 最常用的RBF函數(shù)形式是高斯函數(shù)，它的可調(diào)參數(shù)有兩個(gè)，即函數(shù)對(duì)稱中心c和寬 度o 。 2)從隱含層空間到輸出層空間的線性變換 設(shè)第j個(gè)輸出用yj表示，則<formula>formula see original document page 11</formula>
其中，^j/為第i個(gè)隱含層神經(jīng)元與第j個(gè)輸出神經(jīng)元之間的連接權(quán)值。 (3)RBF函數(shù)中心和寬度的確定 在構(gòu)建RBF人工神經(jīng)網(wǎng)絡(luò)，選定了 RBF函數(shù)后，確定函數(shù)的對(duì)稱中心和寬度是非常 重要的。中心和寬度一旦確定后，神經(jīng)網(wǎng)絡(luò)輸出層的連接權(quán)值2^ ，可以通過解線性方程組 的方法得出。因此，訓(xùn)練RBF函數(shù)的中心和寬度是構(gòu)建RBF人工神經(jīng)網(wǎng)絡(luò)的重要步驟。 RBF函數(shù)的對(duì)稱中心的確定常有以下幾種方法 (1)固定法當(dāng)隱含層節(jié)點(diǎn)數(shù)與訓(xùn)練數(shù)據(jù)的數(shù)目相等時(shí)，則每一個(gè)輸入數(shù)據(jù)就可以充當(dāng)這一隱含層節(jié)點(diǎn)的中心；
以由某種具有隨機(jī)性的方法來確定；
值作為函數(shù)的對(duì)稱中心c
0139
(2)隨機(jī)固定法當(dāng)隱含層節(jié)點(diǎn)數(shù)目小于輸入數(shù)據(jù)的數(shù)目時(shí)，隱含層節(jié)點(diǎn)中心可
0140,
=l，:
(3)利用K-Means聚類中心從訓(xùn)練數(shù)據(jù)中挑選K個(gè)作為RBF函數(shù)的初始中心Ci (i .k)，其他數(shù)據(jù)分配到與之最近的第Cj個(gè)類中，然后再計(jì)算各類中訓(xùn)練數(shù)據(jù)的平均
0141:
0142:
0143:
0144: 0145: 0146: 0147'
當(dāng)RBF函數(shù)的中心c確定好以后，寬度o可以由以下幾種方法確定 (1)固定法:
其中，d為所有類的最大距離，M為RBF函數(shù)中心的數(shù)目 (2)平均距離寬度o的一個(gè)合理的估計(jì)是
o i = 〈I I P 「y il |>，它表示第i個(gè)類與它最近鄰的第j個(gè)類的歐式距離。
在這兒，采取了高斯函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，采用K-means聚類算法 來求取激活函數(shù)的中心點(diǎn)和寬度。K-means算法求取激活函數(shù)中心點(diǎn)和寬度的算法流程如 下
設(shè)m為迭代次數(shù)，Cl(m)， c2(m)， . . . ck(m)是第m次迭代時(shí)的聚類中心，Wl (m)， .Wk(m)為相應(yīng)的聚類域。
1) 從訓(xùn)練樣本中，隨機(jī)選擇一組數(shù)據(jù)輸入作為中心值，令m二 l，同時(shí)設(shè)定誤差閾
>0);
2) 計(jì)算所有輸入樣本Xj與聚類中心的距離
0148,
w2 (m) —0149:
值e
—0150: 0151:
0152:
歸為第
—0153—
IX,.-Ci (m)
1，2，
1，2，
k
argminl |XrCi(m) | |時(shí)，X」被
3) 對(duì)樣本Xj按照最小距離原則歸類，即當(dāng)i (Xj) 類，即有Xj G Wi(m);
4) 重新計(jì)算各聚類新的聚類中心
0154] 咖+ 1)=去J] X (/ = 1,H)
0155] 其中，Ni表示第i個(gè)聚類域Wi(m)中包含的樣本個(gè)數(shù)。
0156] 5)如果I |Ci(m+l)-Ci(m) | < "i = 1，2， . . . k)，則聚類結(jié)束，得到的Ci為聚類 中心，轉(zhuǎn)到第六步，否則跳轉(zhuǎn)第二步；
0157] 6)根據(jù)各聚類中心，確定各隱層節(jié)點(diǎn)寬度o ,=入&
0158] 其中，di為隱層中第i個(gè)聚類中心與其他最近的聚類中心的距離，A為重疊系數(shù)。 0159] (3)訓(xùn)練RBF網(wǎng)絡(luò)
0160] 在本發(fā)明中，利用了 J00NE來構(gòu)建RBF網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 0161] J00NE(Java Object Oriented Neural Network)是一個(gè)利用Java語言開發(fā)的可 以快速開發(fā)神經(jīng)網(wǎng)絡(luò)的開源項(xiàng)目，它支持很多特性，比如多線程，分布式計(jì)算，支持多種處 理層(linear, sigmoid, logarithmic, delay等)，多禾中連接方式(full syn即se， direct syn即se， delayed syn即se等)，還提供了一些工具來幫助分析數(shù)據(jù)和處理結(jié)果。
作為本發(fā)明的一個(gè)實(shí)施例，訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)所使用的樣本數(shù)據(jù)共有199組，圖片的信息熵和信息置亂程度來源于按照公式(1-2)和公式(1-5)。對(duì)生成的199張圖片，通過
人的主觀評(píng)價(jià)，判斷這些圖片是否符合通知信息背景圖片要求。 部分樣本數(shù)據(jù)如圖6所示。 設(shè)置學(xué)習(xí)率為0.8，學(xué)習(xí)動(dòng)力為0.3，學(xué)習(xí)循環(huán)次數(shù)為IOOOOO次。通過樣本學(xué)習(xí)， 訓(xùn)練后的誤差值為0. 051421561517690714。將完成訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)序列化并保存到文 件中供后續(xù)使用。 (4) RBF人工神經(jīng)網(wǎng)絡(luò)試驗(yàn)分析 前面利用JOONE構(gòu)建了RBF神經(jīng)網(wǎng)絡(luò)，利用了樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，并保存了訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)。這兒將對(duì)保存后的神經(jīng)網(wǎng)絡(luò)進(jìn)行試驗(yàn)驗(yàn)證。 試驗(yàn)驗(yàn)證分兩種方式進(jìn)行閉合式和開放式。閉合式試驗(yàn)利用了原來的訓(xùn)練樣本， 從訓(xùn)練樣本中，任意取出若干組進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果對(duì)比閉合式實(shí)驗(yàn)驗(yàn)證數(shù)據(jù)對(duì)照表(部 分)，具體為圖7所示。 開放式試驗(yàn)利用了重新生成的圖片，計(jì)算它的信息熵和信息置亂程度，通過已訓(xùn) 練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，識(shí)別結(jié)果與主觀判斷結(jié)果相對(duì)比，結(jié)果請(qǐng)參開放式實(shí)驗(yàn)驗(yàn)證數(shù) 據(jù)對(duì)照表(部分)，具體為圖8所示。 經(jīng)試驗(yàn)，在識(shí)別過程中，神經(jīng)網(wǎng)絡(luò)識(shí)別的值與主觀評(píng)價(jià)值有一點(diǎn)出入和偏差。經(jīng)統(tǒng) 計(jì)，在開放式試驗(yàn)中，測試樣本為193組，錯(cuò)誤識(shí)別了 23組，識(shí)別準(zhǔn)確率達(dá)到88. 08% 。毫無 疑問，這已極大地提高了機(jī)器對(duì)背景圖片識(shí)別的準(zhǔn)確率，是該領(lǐng)域的一次重大突破。
以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是說明本 發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變 化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其 等效物界定。
權(quán)利要求
船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在于，該方法包括如下步驟(1)建立以信息熵和信息置亂度為輸入量，以是否符合背景圖片要求為輸出量的人工神經(jīng)網(wǎng)絡(luò)；(2)選擇某一比例尺下的圖片；(3)分別計(jì)算所選圖片的信息熵和信息置亂度；(4)將信息熵和信息置亂度數(shù)據(jù)導(dǎo)入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，若識(shí)別結(jié)果符合要求轉(zhuǎn)入步驟(5)，若不符合要求轉(zhuǎn)入步驟(2)；(5)根據(jù)識(shí)別結(jié)果選定船舶動(dòng)態(tài)短信息背景圖片。
2. 根據(jù)權(quán)利要求1所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在于，所述步驟(3)中的信息熵通過公式77(「)= Z!幾o(hù))iogo^o》'計(jì)算得到，其中，s(v)表示所選擇的背景圖片中所有不同像素值的取值集合，而/^(v)二^^，表示圖片A中像wx附素值為v的個(gè)數(shù)(fA(v))在整個(gè)圖片中所占的比例。
3. 根據(jù)權(quán)利要求1所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在于，<formula>formula see original document page 2</formula>所述步驟(3)中的信息置亂度通過計(jì)量公式"^" = ^nn-，計(jì)算得到，其中<formula>formula see original document page 2</formula>表示NXN個(gè)原始圖像數(shù)據(jù)， 而g(x，y)x，y G {0，1，... ，N_1}表示輸出的圖像數(shù)據(jù)。
4. 根據(jù)權(quán)利要求1或3所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在 于，所述步驟(3)中的信息置亂度在步驟(2)中選擇的背景圖片為彩色圖片時(shí)的處理方式 包括如下兩步(IA) 將選擇的圖片和底色中每一像素點(diǎn)的R， G， B分量都分離出來；(2 A )按照如下公式計(jì)算出1 / S N R的數(shù)值<formula>formula see original document page 2</formula>其中，Pi/， Pi/， Pi/為圖片底色的R， G， B分量值，3,^f,;^為選擇的圖片的R， G， B分量值。
5. 根據(jù)權(quán)利要求1或3所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在 于，所述步驟(3)中的信息置亂度在步驟(2)中選擇的背景圖片較大時(shí)的處理方法包括如 下步驟(IB) 將較大的背景圖片分塊處理，得到多個(gè)較小的圖片；(2B)對(duì)圖片每一分塊計(jì)算分塊的i = (1，2， . . . ， N)，其中N為分塊的數(shù)量；(3B)求取平均SNR值e)UD §雄'然后計(jì)算1/SNR。
6. 根據(jù)權(quán)利要求1所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在于， 所述通知信息背景圖片的圖片，應(yīng)該具有較小的SNR值，其倒數(shù)值1/SNR的范圍為0. 04 0.0009。
7. 根據(jù)權(quán)利要求1所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在于， 所述步驟(2)中選擇某一比例尺圖片的優(yōu)選方式是按圖片的比例尺從大到小的方式進(jìn)行 的。
8. 根據(jù)權(quán)利要求1所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在于， 所述步驟(1)中的神經(jīng)網(wǎng)絡(luò)類型包括A) BP神經(jīng)網(wǎng)絡(luò)，它是一種多層前向網(wǎng)絡(luò)，采用最小均方差的學(xué)習(xí)方式的神經(jīng)網(wǎng)絡(luò)；B) RBF神經(jīng)網(wǎng)絡(luò)，它是一類多層前饋網(wǎng)絡(luò)，其神經(jīng)元基函數(shù)具有僅在微小局部范圍內(nèi)才 產(chǎn)生有效的非零響應(yīng)的局部特性的神經(jīng)網(wǎng)絡(luò)。
9. 根據(jù)權(quán)利要求1所述的船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法，其特征在于， 所述步驟(1)的神經(jīng)網(wǎng)絡(luò)是利用JOONE來構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
全文摘要
本發(fā)明公開了本發(fā)明提供一種船舶動(dòng)態(tài)多媒體通知信息中背景圖片的選擇方法，屬于船舶中的監(jiān)控通知領(lǐng)域。該方法具有如下步驟步驟1，建立由背景圖片信息熵和信息置亂度為輸入量，以是否符合背景圖片要求為輸出量的人工神經(jīng)網(wǎng)絡(luò)；步驟2，選擇某一比例尺下的圖片；步驟3，分別計(jì)算所選圖片的信息熵和信息置亂度；步驟4，將信息熵和信息置亂度數(shù)據(jù)導(dǎo)入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別；步驟5，根據(jù)識(shí)別結(jié)果選定船舶動(dòng)態(tài)短信息背景圖片。利用本發(fā)明所獲得的船舶動(dòng)態(tài)通知信息的背景圖片，具有很高的船舶動(dòng)態(tài)信息的參考價(jià)值，用戶可以更加直觀的了解船舶當(dāng)前動(dòng)態(tài)及其周邊航行環(huán)境。
文檔編號(hào)H04W4/02GK101754108SQ20081004404
公開日2010年6月23日 申請(qǐng)日期2008年12月2日 優(yōu)先權(quán)日2008年12月2日
發(fā)明者施朝健, 楊春, 胡勤友 申請(qǐng)人:上海海事大學(xué)