基于大数据的舰船通信网络信息资源提取方法分析

常规通信网络信息资源提取方法应用于舰船通信网络信息资源提取中,存在信息资源提取误差较大的不足,为此提出基于大数据的舰船通信网络信息资源提取方法分析。依托大数据标记函数,搭建舰船通信网络信息标记规则,对目标函数建立索引;依托高性能检索机制,实现舰船通信网络信息资源提取,完成基于大数据的舰船通信网络信息资源提取方法分析。试验数据表明,提出的通信网络信息资源提取方法较常规信息资源提取方法,信息资源提取误差降低38.64%,适合舰船通信网络信息资源的提取。     

大数据资源调度下舰船通信信息全同态加密研究

舰船通信信息加密时电路压缩和自举过程计算复杂,涉及大量的大整数乘法运算,导致最终加密安全性不高,针对这一不足,研究一种大数据资源调度下舰船通信信息全同态加密方法。首先转换处理舰船信息密钥,在大数据资源调度下,设定一个整数环,降低加密过程的计算量,设定控制信息熵,控制信息字节流加密过程,完成对大数据资源调度下舰船通信信息全同态加密的研究。实验准备不同硬软件参数的宿主PC及虚拟机,搭建一个MapReduce集群来模拟舰船通信传输过程,采用2种传统加密方法与之对比,控制不同的加密时间。结果表明,本文研究的全同态加密方法计算得到的安全系数更大。     

基于大数据技术的舰船磁场异常信号粗提取

舰船磁场异常阈值滤波的幅度特征不一,导致异常信号粗提取信噪比值过低。基于此,提出基于大数据技术的舰船磁场异常信号粗提取方法。基于大数据技术设计舰船磁场异常信号粗提取方法,分解舰船异常信号,并从重构的分解异常信号中提取异常特征值。在此基础上,对磁场异常阈值进行滤波识别,对磁场异常阈值滤波的幅度特征进行整合,获取舰船磁场异常信号。至此,完成基于大数据技术的舰船磁场异常信号粗提取方法设计。分析实验结果:采用基于大数据技术的舰船磁场异常信号粗提取方法异常信号粗提取的信噪比值最高为-3 dB,表明所提方法异常信号粗提取效果较好。     

激光技术的舰船类别识别

针对当前舰船类别识别方法无法高精度辨识舰船类别的难题,设计了一种基于激光技术的舰船类别识别方法。首先采用激光技术采集舰船类别识别的信息,并提取舰船类别识别的特征,然后采用回声状态网络设计舰船类别识别的分类器,实现舰船类别识别,最后进行舰船类别识别的仿真模拟实验,本文方法的舰船类别识别精度超过95%,而且可以抵抗各种噪声的干扰,舰船类别识别的鲁棒性要优于对比模型,实验结果表明本文舰船类别识别方法的优越性。     

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。     

小波分析的舰船动力机械噪声抑制研究

针对传统噪声抑制方法内噪声抑制函数存在不连续性,导致最终可抑制的噪声数值较小,设计小波分析的舰船动力机械噪声抑制方法。将周期性的振幅调制处理为一个随机变量,提取舰船机械噪声特征信息。采用非似然估量处理方法定义阈值中的元素,利用小波分析设定噪声阈值。构建动力机械噪声平衡数值关系,最终实现对舰船动力机械噪声的抑制。准备已知参数的舰船动力机械后,连接数据采集设备,采用2种传统噪声抑制方法与所设计的噪声抑制方法进行对比实验。结果表明,所设计的噪声抑制方法可抑制的噪声数值为50 dB,实际可抑制的噪声数值最大。     

基于Web语义的舰船雷达目标识别系统设计

针对舰船雷达信号目标的识别方式简单、识别度低的情况,文中提出基于Web语义的舰船雷达回波自动识别系统。因为雷达信号目标特征信息点分散且繁杂,在语义Web网下取得雷达信号目标图像的数据特征,运用改进FastICA算法提取特征数据后,通过智能雷达回波视频图像识别系统,对舰船目标图像进行分析。实验证明,基于Web语义的舰船雷达目标识别系统,能使大量信息被系统充分利用,达到精确识别舰船雷达图像目标的目的。     

基于 Web语义的舰船雷达目标识别系统设计

针对舰船雷达信号目标的识别方式简单、识别度低的情况,文中提出基于 Web语义的舰船雷达回波自动识别系统。因为雷达信号目标特征信息点分散且繁杂,在语义 Web网下取得雷达信号目标图像的数据特征,运用改进 FastICA算法提取特征数据后,通过智能雷达回波视频图像识别系统,对舰船目标图像进行分析。实验证明,基于 Web语义的舰船雷达目标识别系统,能使大量信息被系统充分利用,达到精确识别舰船雷达图像目标的目的。     

基于并行深度卷积神经网络的舰船通信异常数据检测研究

为了提高通信异常数据检测效果,设计基于并行深度卷积神经网络算法的大规模舰船通信异常数据检测方法。采集大规模舰船通信数据,采用小波变换对数据实施降噪处理,将降噪后数据输入并行深度卷积神经网络中,经过模型训练提取特征,利用Softmax分类函数得出舰船通信异常数据特征,输出舰船通信异常数据检测结果。实验结果表明：该方法可有效实现大规模舰船通信异常数据检测,其加速比最高,并行效果最优;具有较强的大规模舰船通信数据集检测能力,提高大规模舰船通信异常数据检测效果。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能     

大数据平台舰船行驶信息优化提取系统

为实现舰船行驶行为的定向化控制,设计一种基于大数据平台的舰船行驶信息优化提取系统。按照Hadoop大数据框架的部署条件,连接必要的数据量化模块,实现舰船行驶信息优化提取系统的硬件运行环境搭建。在此基础上,分别计算大数据存储总量、平台化结构向量及必要提取系数,实现系统的软件运行环境搭建,结合相关结构硬件设备,完成大数据平台的舰船行驶信息优化提取系统设计。对比实验结果表明,与传统提取系统相比,应用优化提取系统后,QIR指标出现明显的提升趋势,舰船行驶信息也得到了有效的定向化控制管理。     

基于北斗卫星的航海导航系统定位目标精准识别方法

针对现有舰船上采用的导航系统存在北斗卫星信号接入识别率低、目标识别精度差的问题。提出基于北斗卫星的舰船导航系统定位目标精准识别方法。针对传统方法对北斗卫星信号运算过程资源消耗大,运算率低的问题,引入Cstx小波融合算法,对北斗卫星信号进行定向专属计算。同时,为解决目标识别精准度低的问题,引入神经追踪特征算法,对专属解析后的北斗卫星图像目标进行动态特征追踪与提取锁定。最后,通过仿真模型实验证明,提出的基于北斗卫星的舰船导航系统定位目标精准识别方法,能够快速、有效、精准锁定识别北斗卫星导航内设定目标。     

舰船无线网络通信联合调制自动识别算法

舰船在实际进行无线通信时,联合调制的低信噪比信号易受到干扰,导致识别算法正确识别次数过少,针对这一不足,研究一种舰船无线网络通信联合调制自动识别算法。预处理舰船无线信号,选取信号的瞬时信息与统计信息作为特征参数组合,提取联合调制特征参数,利用提取的参数,构建一个分层迭代的识别结构,抵制干扰,完成对自动识别算法的构建。实验设置无线网络通信参数,设定识别次数为100,信噪比实验环境为-5～20 d B,使用2种传统识别算法与之对比。结果表明,文中构建的自动识别方法在不同实验环境下,平均正确识别次数为95次,正确识别次数最多。     

舰船通信网络混合入侵数据自适应识别技术

针对目前舰船通信网络混合入侵数据数量大、识别精准度低这一问题进行分析,提出了一种新的识别技术。该技术的工作过程如下:首先设定混合入侵数据阈值,比较聚类中心和混合入侵数据所属区域的偏离程度,然后在所有的通信网络数据中识别出混合入侵数据,建立二维网络,最后找出相似度较高的混合入侵数据的差异,完成精准识别。对比实验结果表明,相较于传统方法,所研究的技术更加重视加权处理和过滤处理,使混合入侵数据能够拥有最大的识别结构,识别起来更加容易,在识别混合入侵数据时有很强的能力,识别结果精准度高,有效提高了通信网络运行过程的安全性,具有很大的发展潜力。     

舰船多信道无线网络抗干扰算法设计

为提升舰船设备通信质量及稳定性,设计舰船多信道无线网络抗干扰算法。建立舰船多信道模型,获取舰船多信道网络信号,提取舰船多信道网络干扰信号特征、计算干扰信号特征数据邻域距离、可达距离和异常因子,从信号中挖掘干扰信号;改进小波阈值算法对舰船多信道无线网络干扰信号进行抑制,实现舰船多信道无线网络的抗干扰。实验结果表明：该算法应用后,舰船的多信道无线网络的频率变化稳定,抗干扰效果较好,可保证接收端完整接收发射端的信号。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法。首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响。实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法.首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响.实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率.     

舰船通信网络感知层异常入侵行为集成识别方法

为了缩短异常入侵行为集成识别的时间,提高舰船通信网络感知层异常入侵行为的识别能力,提出了舰船通信网络感知层异常入侵行为集成识别方法。采取短时过零率与短时能量相结合的方式,得到了舰船通信网络感知层异常入侵行为特征的提取流程,完成了舰船通信网络感知层异常入侵行为的特征提取;又结合异常入侵行为集成识别流程的设计,实现了舰船通信网络感知层的异常入侵行为集成识别。对比实验结果证明,提出的异常入侵行为识别方法与基于数据挖掘的识别方法相比,异常入侵行为的识别能力提高了56.8%。     

基于模糊聚类视区划分的舰船目标识别

随着海洋经济的飞速发展,各种智能化的无人设备被用于海洋资源的开发,同时在军事领域,舰船之间的通信和识别技术也向智能化方向发展,在对舰船目标进行识别时,目前还主要依靠人工进行。因此,本文重点研究了模糊聚类算法在图像目标识别领域的应用,并针对舰船的特点,构建相似矩阵,对特定的舰船轮廓设定判断阈值。从样本数据的仿真实验结果看,本文提出的识别算法能够主动识别出舰船的轮廓特征,具有相当大的研究价值。     

舰船通信网络大数据的存储机制设计

受数据库存储容量的影响,传统的舰船通信网络大数据存储机制存在存储误差高的问题。针对这一问题设计舰船通信网络大数据存储机制,存储架构分为前置通信平台数据库、生产数据库、关系数据库、分析数据库,建立检索机制,标记通信函数,确定初级编码函数值,明确特征信息,通过路由服务器、配置服务器、数据分片优化设计存储机制私有云。实验结果表明,相较于常规的存储机制,给出的舰船通信网络大数据存储机制信息存储误差降低了37.32%,更适用于舰船通信。