大数据分析下的船舶调度方法研究

在大数据环境下进行船舶调度方法优化,提高船舶的畅通性,提出基于大数据图谱特征分析的船舶调度方法,对船舶调度大数据进行关联特征匹配和数据挖掘,对挖掘的船舶大数据进行自相关性融合,结合滤波算法进行船舶调度大数据的干扰处理,将滤波后的船舶调度大数据进行特征重组,构建大数据的特征分布子空间,采用Lyapunov指数谱分析方法进行船舶调度大数据的类别差异性谱特征重构,根据图谱特征的差异性进行船舶调度,提高船舶数据的分类识别和调度能力。仿真结果表明,采用该方法进行船舶调度,数据的聚类性较好,船舶的自动调度和分类能力较强,从而提高船舶的通航能力。     

大型船舶综合信息数据库的目标数据检索方法

为了提高大型船舶综合信息数据的挖掘和检索能力,实现大型船舶综合信息数据库优化访问,提出一种基于关联特征映射调度的大型船舶综合信息数据库的目标数据检索方法。在数据库中提取目标数据的频繁项规则性特征量,对提取的大型船舶综合信息特征量采用模糊K均值聚类方法进行分类管理,采用特征分解方法对数据库中的存储数据节点进行决策树分叉设计,实现目标数据的关联特征映射调度,提高数据的检索能力。仿真结果表明,采用该方法进行大型船舶综合信息数据库中目标数据检索的查准性较好,检索精度较好,数据的召回性较高。     

复杂船舶信息数据库的目标数据检索方法研究

在对复杂船舶信息数据库的目标数据检索中受到数据的类间扰动因素的影响,导致检索的查准率不好,提出一种基于模糊关联维特征匹配的复杂船舶信息数据库的目标数据检索方法,构建大型船舶综合信息数据库的分布式数据存储结构模型,提取船舶信息数据流进行特征重组,采用关联维模糊空间聚类方法进行大数据分类处理,根据船舶信息数据分类属性特征进行特征提取和干扰滤波,结合模糊特征匹配方法实现检索目标数据的空间聚焦,并在信息系统终端输出检索数据。仿真结果表明,采用该方法进行船舶信息数据检索的查准率较高,抗干扰能力较强。     

嵌入式船舶运行数据库中信息快速查询方法

针对当前嵌入式船舶运行信息数据库信息查询的开销大,查准率不好的问题,提出基于模糊聚类和相关谱特征提取的嵌入式船舶运行数据库中信息快速查询方法。首先进行嵌入式船舶运行信息资源数据的采集和存储结构分析,提取嵌入式船舶运行信息数据信息流特征,对船舶运行数据进行自相关特征分析,提取反映船舶运行状态特征的相关谱特征量,对提取的谱特征量采用模糊C均值聚类方法进行特征识别和分类处理,提高数据库查询的目标指向性,实现数据库信息快速查询。仿真结果表明,采用该方法进行嵌入式船舶运行数据库中信息查询的查准率较高,实时性较好。     

基于关联规则的船舶故障数据自动分类方法

为了提高船舶故障诊断能力,需要进行故障数据的自动分类设计,提出基于关联规则的船舶故障数据自动分类方法。构建船舶故障数据的数据信息流模型,采用高维特征分组方法进行船舶故障数据的分组重构,采用分段线性检验方法进行船舶故障数据的统计特征分析,提取反映船舶故障类别属性的关联规则向量集,根据特征提取结果进行模糊聚类处理,实现船舶故障信息融合,结合自适应分组检测方法,实现船舶故障数据关联规则的自动分类。仿真结果表明,采用该方法进行船舶故障数据自动分类的自适应性较强,误分率较低,提高了船舶故障的诊断检测能力。     

基于数据挖掘的船舶异常行为检测研究

通过对船舶异常行为检测,提高对船舶的实时监测和模式识别能力,提出一种基于数据挖掘的船舶异常行为检测方法。采用并行分列式数据架构模型构建船舶行为特征分布数据库,提取数据库中的关联规则特征量,采用自相关匹配滤波检测方法进行船舶异常行为特征点的提取,实现船舶异常工况下的行为特征数据挖掘,实现船舶异常行为检测优化。仿真结果表明,采用该方法进行船舶异常行为检测的准确概率较高,数据挖掘的分类性较好,虚警较低,在船舶异常监测和状态分析中具有很好的应用价值。     

大数据分析下双向通航港口船舶自适应调度算法

为了提高双向通航港口船舶的通行能力,进行双向通航港口船舶自适应调度,提出基于大数据信息融合的船舶调度算法。采用网格区域分割模型进行双向通航港口航道分割,构建船舶调度的大数据信息传递模型,对船舶的调度数据进行信息融合滤波处理,抑制冗余数据的干扰,采用模糊波束集成方法进行双向通航港口船舶运行大数据的聚类分析,根据数据的分布属性特征进行船舶航行调度,提高船舶调度的自适应性。仿真结果表明,采用该方法进行双向通航港口船舶自适应调度能提高港口的吞吐能力和船舶航行的畅通能力,且对双向通航港口船舶大数据的集成信息处理能力较强。     

大密度舰船电子海图中数据快速检索方法研究

为了提高舰船导航和定位能力,需要对大密度的舰船电子海图数据进行快速准确检索,针对舰船电子海图数据分布密度大、散列性较强的特点,提出基于自相关特征匹配和模糊C均值聚类的大密度舰船电子海图中数据快速检索方法。采用有向图和决策树构建舰船电子海图数据库的检索节点分布结构模型,提取舰船电子海图数据的语义关联性和规则性特征,采用自相关特征匹配方法对检索数据进行指向性挖掘和信息融合处理,对挖掘的关联数据进行模糊C均值聚类,实现对大密度舰船电子海图数据的分类检索。仿真结果表明,采用该方法进行大密度舰船电子海图中数据检索的收敛速度较快,提高数据检索的查准率和查全率,检索效率和准确性较高。     

物联网环境下船舶航行大数据异常属性划分

由于人工记录、手动测量等方式存在信息不及时、不准确以及局限性的问题,无法获取到实时、全面的航行数据,降低了大数据异常属性划分结果的有效性,因此提出物联网环境下船舶航行大数据异常属性划分方法。在物联网环境下利用离散度函数,加权处理船舶航行大数据属性特征。通过密度选择法,确定船舶航行大数据异常属性划分的初始聚类中心。利用属性加权快速聚类算法,结合离散度函数与初始聚类中心,完成船舶航行大数据异常属性划分。实验证明,所提出方法可有效划分船舶航行大数据异常属性。在不同大数据规模下,该方法异常属性划分的加速比均较大,即异常属性划分速度较快。     

船舶电网系统三维点云数据聚类提取

传统船舶电网系统中三维点云数据提取采用逐一提取的方式,造成三维点云数据提取效率不高,为此提出船舶电网系统三维点云数据聚类提取方法。构建三维点云数据聚类提取模型,使用网格空间索引将三维点云数据进行空间标记,并划定数据空间范围,采用八叉树空间数据聚类方法,对三维点云数据进行聚类处理,以STBIRCH理论为基础,进行三维点云数据特征计算,实现三维点云数据提取。实验数据表明,设计的船舶电网系统三维点云数据聚类提取方法比传统提取方法的提取效率高出20%,并具备极高的有效性。