物联网海上舰船航行数据挖掘方法

为了保证海上舰船航行的安全,解决传统航行数据挖掘方法中存在的延时长的问题,利用物联网技术优化数据挖掘方法。遵循数据挖掘的基本原理搭建数据挖掘框架,在该框架下确定舰船的航行方向、航行路线等数据为待挖掘数据。在舰船的相应位置上安装物联网传感器,实现实时数据的采集与传输。以采集的实时航行数据库为基础,通过去除错误、航行位置计算等步骤,得出海上舰船航行数据的挖掘结果。通过与传统数据挖掘方法的对比发现,设计方法的数据挖掘速度提高了约50%。     

舰船维修数据云总线协议深度挖掘算法

现有的舰船维修数据深度挖掘算法,存在着数据挖掘深度浅的缺陷。为了解决上述问题,提出舰船维修数据云总线协议深度挖掘算法研究。依据算法需求编写云总线协议,采集并获取舰船维修数据,以此为基础,利用等深度分段方法离散化处理维修数据,依据离散化处理完成的维修数据,通过粗糙集约简算法得到最优舰船维修数据集,实现了舰船维修数据云总线协议的深度挖掘。通过仿真对比实验结果表明,与现有的舰船维修数据深度挖掘算法相比较,提出的舰船维修数据云总线协议深度挖掘算法极大的加深了数据挖掘的深度,充分说明提出的舰船维修数据云总线协议深度挖掘算法具备更好的数据挖掘效果。     

使用数据挖掘实现舰船故障数据定位

为了更好地保障船舶航行安全,有效提高船舶的故障定位和检测能力,提出了使用数据挖掘实现舰船故障数据定位方法,通过对舰船故障数据进行实时采集和分类挖掘获取船舶航行过程中的异常数据,实现对船舶故障数据关联规则特征的准确提取。在进行故障定位的过程中,合理并利用电磁探测器和声敏传感器等设备进行故障诊断,并对不同类别船舶故障数据的高维特征融合的研究采用数据挖掘分析算法,利用数据挖掘分类器对船舶故障数据进行分类识别和定位挖掘,从而有效保障船舶故障数据定位的精确度和有效性。最后通过实验结果表明,使用数据挖掘实现舰船故障数据定位方法具有较高的故障定位精度。可以应用于船舶故障实时诊断,有效提高船舶故障诊断的实时性。     

云计算环境下舰船通信数据深度挖掘方法

舰船通信设备的复杂化,使得通信数据量级增大,受到噪声、背景等多种因素的影响,潜在的数据很难被发现,而云计算可以提供并行编程服务,因此,进行云计算环境下舰船通信数据深度挖掘方法研究。基于云计算MapReduce并行编程模式,引入数据聚类技术,将通信数据划分为多个数据集,根据节点计算资源分配通信数据集,通过KNN分类挖掘算法计算每个节点数据之间的欧式距离,基于确定阈值分类通信数据,实现了通信数据的深度挖掘。实验数据表明:当数据量大于200万条,提出方法数据挖掘执行时间较低,更适用于舰船通信数据深度挖掘。     

基于聚类算法的舰船通信数据深度挖掘方法

传统挖掘方法无法考虑众多通信因素的多层次特征,造成数据挖掘效果不理想,为此设计一种基于聚类算法的舰船通信数据深度挖掘方法。利用聚类算法,对通信数据的多层次特征进行筛选,从而为通信数据的深度挖掘提供依据,结合聚类挖掘粗糙集,生成数据深度挖掘的关联规则并进行聚类计算,对每个通信数据执行交叉变换逻辑,实现舰船通信数据的深度挖掘。实验结果表明,利用聚类算法进行通信数据的深度挖掘,能够提高数据的挖掘速度,且准确率较传统方法高27.15%。     

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。     

基于关联规则的舰船故障数据定位挖掘算法

为了提高舰船故障检测能力,需要进行舰船故障数据的实时挖掘和分类分析,提出一种基于关联规则的舰船故障数据的定位挖掘方法。采用电磁探测器、水声换能器、声呐装置、声学传感器等设备进行不同工况下舰船数据采集,包括舰船辐射噪声、机械振动等数据,对采集的数据进行高维特征融合处理,提取舰船故障数据的关联规则特征量,对提取的特征量采用K均值算法进行聚类分析,并通过BP神经网络分类器实现舰船故障数据的分类识别,实现舰船故障数据定位挖掘。仿真结果表明,采用该方法进行舰船故障数据挖掘的准确性较好,对故障的定位能力较强,提高了舰船实时故障诊断能力。     

基于聚类分析算法的舰船数据挖掘

目前应用的舰船数据挖掘准确度较低,因此设计一种聚类分析算法的海上舰船数据挖掘。在数据挖掘中应用聚类分析算法,需要对数据进行预处理,得到文本数据特征向量集,利用模糊集体现近似关系,根据隶属度的取值将模糊聚类的思想演变为目标函数,将数据集按照目标函数,划分为具有较小差距的群组,初步得到数据挖掘结果,经过评估后,筛选出准确度最高的数据,作为数据挖掘的最终结果。至此完成了聚类分析算法的海上舰船数据挖掘的研究。通过实验表明,设计的数据挖掘准确度平均为92%,比传统的数据挖掘准确度高17.2%,验证了设计的聚类分析算法的海上舰船数据挖掘在提高挖掘准确度方面的可靠性。     

基于关联规则的远洋舰船运行监控大数据挖掘方法

针对传统的远洋舰船运行监控大数据挖掘方法精准度低的情况,本文应用关联规则算法,对远洋舰船运行监控大数据挖掘方法进行设计。为了有效对舰船远行监控大数据挖掘,首先获取监控数据源,将数据存入到数据库中,在此基础上,对远洋舰船运行监控数据预处理,以此生成舰船运行监控大数据挖掘模型,完成了对运行监控大数据的挖掘,实验对比结果表明,本文设计的基于关联规则的远洋舰船运行监控大数据挖掘方法比传统的舰船运行监控大数据挖掘方法精准度高,具有一定的实际应用意义。     

云计算下环形网络大数据协同挖掘方法研究

为提高传统数据挖掘方法的数据挖掘有效性,提出了云计算下环形网络大数据协同挖掘方法,基于数据集的选取,确定大数据协同挖掘范围,根据数据的预处理与集成处理,实现对挖掘数据的特征提取分析,利用数据的归约与离散化分析,完成云计算下环形网络大数据的协同挖掘,实验数据表明,提出的大数据协同挖掘方法,较传统挖掘方法挖掘有效性提高47.29%,适用于云计算下环形网络大数据的协同挖掘。