国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      船舶動(dòng)態(tài)短信息通知中背景圖片的選擇方法

      文檔序號(hào):7686222閱讀:443來源:國知局
      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

      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)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1