大数据环境下舰船环形通信网络信息云挖掘方法

针对舰船环形通信网络受到噪声干扰,信息挖掘结果置信度较低的问题,在大数据环境下提出了一种新的舰船环形通信网络信息云挖掘方法。确定数据集,通过协同处理完成数据清洗,基于大数据环境选取数据集,预处理舰船环形通信网络信息,离散分析并确定数据离散特征,通过自动跟踪方法直接将挖掘结果显示在用户界面,实现舰船环形通信系统数据的云挖掘。实验结果表明,大数据环境下舰船环形通信网络信息云挖掘方法能够很好地分析通信网络数据特征,实现分类挖掘,降低误码率,提高整体性能。     

物联网环境下舰船监控网络高维异常数据挖掘方法

为了准确识别物联网环境下舰船监控网络高维异常数据,针对当前识别方法存在的误差大、速度慢等不足,提出一种物联网环境下舰船监控网络高维异常数据挖掘方法。首先分析当前物联网环境下舰船监控网络高维异常数据识别的研究现状,指出各种方法的局限性,然后结合舰船监控网络异常数据的高维特点,引入解决了"维数灾"问题的支持向量机对舰船监控网络高维异常数据进行挖掘,找到舰船监控网络异常数据的变化趋势,最后通过仿真实验分析了其有效性和优越性。结果表明,本文方法提高了舰船监控网络高维异常数据识别正确率,误识率明显下降,减少了舰船监控网络高维异常数据识别时间,可以对大规模舰船监控网络高维异常数据进行处理,具有广泛的应用前景。     

机器学习辅助下舰艇预警系统关键数据智能挖掘方法

舰艇预警系统关键数据挖掘方法受到多方面因素影响,其方法可信度较低,因此提出机器学习辅助下舰艇预警系统关键数据智能挖掘方法。通过构建关键数据智能预测模型,进行舰艇预警系统关键数据均值分类,对分类后关键数据实施预处理,经过极致化计算从而实现关键数据均值智能挖掘。通过对设计舰艇预警系统关键数据智能挖掘可信度计算,针对同一参数下机器学习舰艇预警系统关键数据智能挖掘模型与传统数据智能挖掘方法可信度进行对比,从而证明研究方法有效性。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

多信道舰船无线移动通信网络混合入侵数据挖掘方法

为提高混合入侵数据挖掘量,提出多信道舰船无线移动通信网络混合入侵数据挖掘方法。设计混合入侵数据检测流程,检测网络混合入侵数据;比较正常数据特征与混合入侵数据特征,计算2个数据集关系,提取的混合入侵数据特征;计算混合入侵数据特征数据邻域距离、可达距离和可达密度,设计混合入侵数据挖掘流程,挖掘多信道舰船无线移动通信网络混合入侵数据,设计混合入侵数据攻击类型。实验结果表明,本文方法的挖掘混合入侵数据量高于对比方法,挖掘混合入侵数据用时更少,具有较优的混合入侵数据挖掘效果。     

网格环境下船舶航行GPS定位数据快速挖掘方法

传统的数据挖掘方法收敛性差,导致挖掘定位数据的速度较慢,因此提出网格环境下的船舶航行GPS定位数据快速挖掘方法。该方法利用回归方程确定GPS定位坏点数据,通过归一化处理修复数据,提升挖掘收敛速度;基于局部特征参量,设置数据时间序列;获取数据发展规律,根据置信度和提升度确定挖掘规则。测试结果表明,与传统方法相比,所提出方法的收敛效果更好,挖掘定位数据的速度更快。由此可见,该方法更满足现阶段的数据挖掘基本要求。     

海洋实时监测数据库的多来源数据深度挖掘方法

在舰船实时监测数据库的数据挖掘中,针对使用传统数据挖掘方法伸缩性较小的问题,提出了一种舰船实时监测数据库的多来源数据深度挖掘方法,利用差集交叉计数策略,将舰船实时监测数据库中垂直数据格式的多来源数据转换为水平数据格式,利用基于数据集的数据聚类方法,对舰船实时监测数据库中的水平数据格式多来源数据进行聚类分析,利用HFPM数据集构造法,实现舰船实时监测数据库的多来源数据深度挖掘。为了验证该方法的有效性,与PFP数据挖掘方法与mrDFIN数据挖掘方法进行对比,得出该方法的伸缩性为92.3%,通过比较可知,本文所提方法的伸缩性最大,证明了该方法的有效性。     

基于分布式云平台船舶监控结构体系研究

船舶行业以及新兴技术的迅速发展,使船舶监控系统的数据存储量越来越大,数据的复杂程度也越来越高,传统的单中心数据处理模式已无法满足监控实时性、高效性的要求。云计算是大数据存储、处理、挖掘分析的新技术,对于分布式船舶监控系统数据挖掘技术的提高具有重要的意义。本文从云平台架构、分布式船舶监控系统算法、船舶监控系统设计等方面研究云计算技术在分布式船舶监控系统中的运用,并进行了仿真实验。     

云计算平台在海上大数据挖掘模式中的应用研究

随着海上船舶信息处理平台所需处理的数据量越来越大,传统基于串行数据结构的数据挖掘算法只能针对某一类型的小规模数据,对海量且种类不一信息的处理效率已经越来越不能满足现代船舶电子信息系统的性能要求。云计算平台可以对海量信息进行分类,并将分类后的数据在分布的计算节点进行统一调度。本文研究了基于云计算平台的海量数据挖掘模型,并将数据挖掘模型中的分类算法与云计算进行有效结合,提高了海上大数据挖据的运行效率。     

基于协同过滤的舰船营运数据挖掘算法研究与实现

传统的舰船营运数据挖掘算法存在着性能较差的缺陷,为此提出基于协同过滤的舰船营运数据挖掘算法研究与实现。将采集的多种数据来源的舰船营运数据进行集成,以得到的舰船营运数据集成为依据,构建矩阵分解模型,得到用户对舰船营运数据预测评分矩阵,采用分层随机梯度下降法对预测评分矩阵进行求解,以得到的预测评分为基础采用协同过滤算法实现了舰船营运数据的挖掘。通过实验得到,提出的舰船营运数据挖掘算法的RMSE参数平均值比传统算法小了0.34,说明提出的舰船营运数据挖掘算法具备更好的性能。