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。     

物联网感知层查询树算法在舰船避碰系统中的应用

为解决传统船舶航行避碰效果不佳的问题,对物联网感知层查询树算法在舰船避碰系统中的应用情况进行分析。通过对舰船避碰系统结构框架进行分析,采集船舶航行参数及船舶最佳航行路线。基于参数采集结果,进一步对舰船避碰系统中的物联网感知层查询树算法性能进行优化,实现对舰船避碰系统的有效控制,保证船舶航行安全。最后通过实验证实,物联网感知层查询树算法在舰船避碰系统中的应用,对船舶航行具有更加精确有效的控制效果,充分满足研究要求。     

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。     

基于物联网环境的海上AIS大数据挖掘模型构建

传统的数据挖掘模型会受周围环境因素的影响,无法精准挖掘海上船舶运行数据,为此构建基于物联网环境的海上AIS大数据挖掘模型。在物联网平台将船舶运行轨迹、停泊轨迹和位置信息存入数据库中进行AIS数据预处理,为减小环境因素的波动,设置船舶AIS数据传输条件,利用聚类算法进行过滤处理,实现海上AIS大数据挖掘模型的构建。在实际测试中为考察2种数据挖掘模型的效果,分别在人为干扰环境下和同频干扰的环境下进行对比实验,由对比结果可知,所提方法可以精准的挖掘海上船舶AIS数据。     

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。     

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。     

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。     

航迹点搁浅风险数据关联规则挖掘方法研究

随着海上航线的不断增多与海洋水文环境的不断变化,许多航迹点已存在搁浅风险不适合船舶航行。因此需要通过数据挖掘的方法对风险航迹点进行运算分析,但是传统的数据挖掘方法无法对无关联的航迹点进行风险的数据关联,由此导致数据挖掘数据结果的准确率下降,数据挖掘面有效数据计算量降低。对此提出航迹点搁浅风险数据关联规则挖掘方法研究。通过对航迹点风险数据的假设建模与风险数据的模糊计算,得到风险数据的关联规则,再通过对风险数据关联规则的分类挖掘计算与加权挖掘数据分析,最终得到准确的航迹点搁浅风险数据关联规则的数据结果。最后,通过引入海上实例数据对提出的方法进行仿真测试,证明设计的可行性。     

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。     

基于数据挖掘技术的舰船物联网流量预测

舰船物联网流量具有随机性、规律性的变化特点,为更好分析舰船物联网流量变化趋势,构建基于数据挖掘技术的舰船物联网流量预测方法。首先收集舰船物联网流量的数据,并对其进行聚类分析,选择部分样本作为训练样本,然后采用灰色理论模型对舰船物联网流量数据进行挖掘和分析,构建舰船物联网流量的预测模型,最后采用仿真实验对舰船物联网流量预测模型的拟合能力和泛化能力进行分析。结果表明,本文方法不仅可以高精度拟合舰船物联网流量变化特点,而且泛化能力良好,获得了高精度的舰船物联网流量拟合和泛化结果,比其他模型的舰船物联网流量预测效果更优。     

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。     

基于物联网技术的舰船运行轨迹异常点识别

针对传统舰船运行轨迹异常点识别方法存在运行轨迹检测性能较差的问题,提出一种基于物联网技术的舰船运行轨迹异常点识别方法,获取舰船自动识别系统中的舰船运行轨迹数据,在舰船自动识别系统中,舰船运行轨迹数据的存放形式是日志文件,因此对系统中的日志文件进行挖掘,基于物联网技术对挖掘数据实施预处理,通过StopT-CB算法划分舰船运行轨迹以剔除停留点,便于进行异常点的识别,通过网格划分实现舰船运行轨迹的异常点识别。为了证明基于物联网技术的舰船运行轨迹异常点识别方法的运行轨迹检测性能更好,将传统舰船运行轨迹异常点识别方法与该方法进行对比实验,实验结果证明该方法的运行轨迹检测性能优于传统方法。     

船舶操作预报中数据挖掘算法的应用与实现

在现代海上交通管理中,船舶航行操控对整个航道的安全非常重要,因此只有充分挖掘海量的操作数据,才能有效实现船舶的航行安全。本文从海上交通的角度对船舶的操作行为模式展开研究,利用数据挖掘技术对AIS系统的数据进行分析,从而实现对船舶行为的预测,监测的数据主要有船舶的航行位置、船舶状态的监测和船队数量的识别等。通过仿真对特定港口的船舶数量进行大数据预测,从而能够提前预报,有效提高港口的管理水平。     

基于数理统计法的舰船运动数学模型

传统的舰船运动数学模型没有考虑到海上复杂情况对舰船运动的影响,导致舰船航行过程中容易发生碰撞现象,为此设计一种基于数理统计法的舰船运动数学模型。建立舰船运动坐标系,利用固定坐标系与运动坐标系描述舰船位置情况,采用数理统计法整理舰船航行数据,在模型中计算风、浪、流的干扰,以真实模拟舰船运动情况,并建立舰船智能避碰决策机制,以此完成舰船运动数学模型的构建。通过实验证明,此次设计的基于数理统计法的舰船运动数学模型比传统舰船运动数学模型发生碰撞次数少,证明了此次设计的舰船运动数学模型的有效性。     

舰舵参数记录分析仪设计与实现

介绍舰舵参数记录分析仪的系统设计原理、记录模块的组成和电路的实现方法。该记录分析仪用于对舰船航行过程中的罗经航向、计程仪航速和GPS舰位等数据进行实时采集和记录,并依据采集数据辨识舰船运动模型参数,以便于操舵控制系统的设计与维修调试。     

基于雾计算的航道流场实时态势感知

参照雾计算的基本原理,通过对传统航标进行技术改造,应用物联网、雾计算技术,能够使其成为提供新型服务的海上通信基础设施之一。基于雾计算的航道流场实时态势感知,通过雾计算接入网(Fog Radio Access Networks,F-RAN),整合新型航标、物联网设备、附近水域的航行船舶等集群节点的可用计算资源,对分布式传感器的大量数据进行实时计算,生成航道附近水域流场的通用态势图,特别是可能出现流切变、横流较大等重要航段的流场数据,实时发布给附近水域航行的船舶,以提前做好预判并采取适当的操纵应对措施,保障航道内的航行安全,提高船舶航行安全系数。     

物联网环境下舰船通信系统大数据自动挖掘方法

舰船通信系统大数据在物联网环境下不断增长,采用传统挖掘方法没有剔除冗余数据,导致挖掘效率较低。针对该问题,提出了物联网环境下舰船通信系统大数据自动挖掘方法。根据舰船通信系统结构,按照系统覆盖作业方式展示不同结果,通过数据清理、数据集成、数据归约和数据变换进行数据预处理。依据动态数据跟踪流程,分析数据采集模型,获取用户界面显示结果。根据用户自定义需求,剔除无关数据,由此设计发数据自动挖掘流程。计算上下行干扰功率,避免系统受到外界干扰。由实验结果可知,该方法挖掘精准度最高可达到97%,其舰船通信系统提供具有针对性的服务。     

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。     

利用AIS数据挖掘生成船舶航迹点方法研究

由于船舶航行受海上环境的影响而产生航迹误差,为了准确控制船舶航行轨迹,提出利用AIS数据挖掘生成船舶航迹点方法研究。根据AIS数据挖掘算法,提取船舶航行轨迹点数据特征,利用船舶航行轨迹点数据库中航行线路设置信息与目标对象运动信息之间的相似性,挖掘出船舶航迹动力定位数据,将AIS数据挖掘算法映射到船舶海上航行领域中,提取出AIS船舶位置采集点,通过设定阈值得到船舶航行转向点,将所有转向点连接成线,初步生成船舶航行轨迹点,利用船舶轨迹点生成流程,实现船舶航行轨迹点的生成。实验结果表明,基于AIS数据挖掘的船舶轨迹点生成方法在精度和时间上,都可以准确控制船舶航行轨迹。     

数据挖掘技术的舰船磁性目标定位方法

针对传统舰船磁性目标定位方法在定位舰船磁性目标时,受到航行环境的影响,存在目标定位偏差大、时间长的缺点,提出数据挖掘技术的舰船磁性目标定位方法。根据舰船磁性目标特征的确定原理,确定了舰船磁性目标的特征,采用数据挖掘技术将舰船磁性目标特征提取出来,利用平滑处理技术对舰船磁性目标特征进行滤波处理,在引入舰船磁性目标的边缘停止函数基础上,对舰船磁性目标特征进行映射,预处理了舰船磁性目标特征,通过分析舰船磁性目标的定位原理,布置磁性传感器,通过判断磁性传感器采集的舰船磁性目标是否有效,实现了舰船磁性目标的定位。实验结果表明,数据挖掘技术的舰船磁性目标定位方法不仅可以提高舰船磁性目标的定位精度,还可以加快目标定位速度。