总第345期1引言近年来，随着我国的水运能力和国际贸易能力不断增强，海上运输承担的任务日渐繁重，交通环境也日益复杂。船舶行业也进入了高速发展时代，逐渐从传统向智能化交通方向发展。随着位置传感技术和位置感知设备的发展，其所收集到的时空轨迹信息作为移动对象的位置和时间的记录序列，是交通运输工程，交通地理学领域的重要研究内容［1］。基于航迹数据的船舶类型识别研究具有重要的实际意义，这种研究能够对船舶的轨迹进行分析，从中提取出船舶运动特征规律，进而将轨迹划分出不同的、具有相似运动规律的类别。它是分析和预测运动对象行为、正确规范船舶行为、及时发∗收稿日期：2022年9月9日，修回日期：2022年10月13日基金项目：国家自然科学基金面上项目（编号：61972363）；中央引导地方科技发展资金项目（编号：YDZJSX2021C008）资助。作者简介：朱治学，男，硕士研究生，研究方向：模式识别技术、信息融合技术。杨风暴，男，博士，教授，研究方向：信息融合、遥感图像分类识别、模式识别、可能性分布理论。基于ResNet-LSTM网络的船型识别方法∗朱治学杨风暴（中北大学信息与通信工程学院太原030051）摘要针对传统单一神经网络对复杂航迹特征提取能力有限、无法充分挖掘航迹数据中的有效信息，导致基于航迹数据进行船型识别准确度低的问题。提出了一种ResNet-LSTM的融合网络模型，首先利用迁移学习的ResNet预训练模型提取航迹数据中的局部空间特征，然后构建LSTM长短时记忆网络提取航迹数据中的长距离时序性特征，最后构造网络融合公式，利用反向传播分别训练网络参数，实现基于航迹数据对船舶类型进行识别。在对比实验中，确定融合最佳参数，对比现有的网络模型架构，ResNet-LSTM融合网络模型在准确度、精确度、召回率、F1值等评价指标上表现突出，能够高效地提取到航迹数据中的有效特征，在完成船型识别任务上表现优异。关键词船舶分类；残差神经网络；长短时记忆网络；模型融合中图分类号TN953DOI：10.3969/j.issn.1672-9730.2023.03.024ShipTypeRecognitionMethodBasedonResNet-LSTMModelZHUZhixueYANGFengbao（SchoolofInformationandCommunicationEngineering，NorthUniversityofChina，Taiyuan030051）AbstractThetraditionalsingleneuralnetworkhaslimitedabilitytoextractcomplextrackfeaturesandcannotfullyexploretheeffectiveinformationintrackdata，whichleadstothelowaccuracyofshiptypeidentificationbasedontrackda...
