志远的博客

文章目录一、定义、解释和术语二、Apriori算法1.某一个项集是频繁的，那么它的所有子集也是频繁的。2.{0,1,2,3}是频繁相集，如果{0,1,2}->{3}不满足关联规则的可信度要求，那么任何左部为{0,1,2}的子集都不满足最小可信度的要求。例如：12->03, 02->13, 等等，都不满足。一、定义、解释和术语翻译：先验的；推测的；自原因推及结果地。Apriori算法是种挖掘关联规则的频繁项集算法，一种最有影响的挖掘布尔关联规则频繁项集的算法。关联分析是一种在大规模

论文阅读：基于 Attenton-LSTM 神经网络的船舶航行预测论文地址：https://download.youkuaiyun.com/download/qq_33302004/15612606?spm=1001.2014.3001.5501目录1. 摘要2. 网络结构和训练过程3. 实验4. 亮点1. 摘要2. 网络结构和训练过程（1）注意力机制注意力机制被广泛应用于回归问题中。本文用到的注意力机制是点积注意力，是输入序列 X 的加权和，表示每一特征维度的权重：

论文阅读：基于 LSTM 的船舶航迹预测论文下载地址：https://download.youkuaiyun.com/download/qq_33302004/15611798目录1. 摘要2. 预测模型结构和流程3. 实验结果4. 有趣的想法1. 摘要2. 预测模型结构和流程（1）输入与输出输出：（t+1 ）时刻的经度和纬度（预测目标）输入：t 时刻以及前（n-1）时刻的经度、纬度、航速、航向（2）数据预处理采用“分箱”的方式实现异常值剔除：

论文阅读：基于LSTM的船舶航迹预测模型论文下载：https://download.youkuaiyun.com/download/qq_33302004/15449386目录1. 摘要2. 文章段落主要内容概括3. 预测模型4. 实验5. 主要贡献和有趣的思想1. 摘要2. 文章段落主要内容概括第一章 引言：介绍了一些传统的预测方法（包括卡尔曼滤波、竞争神经网络、灰度预测、马尔科夫链等），表示由于船舶运动具有复杂性，传统建立数学方程的方法难以完成准确预测；而后又介绍了BP网

论文阅读：基于CNN和Bi_LSTM的船舶航迹预测论文下载：1. 摘要2. 主要贡献① 根据AIS数据，设计了一种混合深度学习网络预测船舶航迹预测方法。混合深度学习是指基于卷积神经网络（CNN）+双向长短时记忆网络（Bi-LSTM）的网络模型。② CNN（这篇文章使用的是一维卷积）的目的是用来提取数据之间的潜在关系，形成特征向量，再送入双向LSTM网络用于关联历史和未来数据的影响。作者认为，CNN可以学习数据中的依赖关系，但是如果网络输入序列的长度增加，CNN捕获依赖关系的能会.

论文阅读：基于 BP 神经网络的船舶航迹实时预测论文下载：1. 摘要2. 主要贡献① 采用三层BP神经网络完成航迹预测，预测输入为航向和航速，输出为经度和维度差。② 文中提到了VTS（vessel traffic service，船舶交通服务）和ATMS（我认为是VTMS，vessel trafficmanagement system，船舶交通管理系统 ），这是我之前没有遇到的。③ 网络结构较为简单，但是输入输出有些不太一样，可以注意一下。输入为航向、航速，输出为经度差、纬.

论文阅读：基于循环神经网络的船舶航迹预测论文下载：https://download.youkuaiyun.com/download/qq_33302004/15421819目录1. 摘要2. 主要贡献3. 一些有趣的观点4. 基于SSPD的数据预处理方法5. GRU循环神经网络预测模型6. 实验1. 摘要2. 主要贡献提出了一种基于循环神经网络的船舶航迹预测方法，主要包含两个部分：数据预处理（SSPD）和循环神经网络预测模型，算法流程如下：实验结果：平均计算耗时1