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。     

数字信号处理器的舰船电子设备故障诊断

舰船电子设备故障与多种因素相关,使得舰船电子设备故障变化具有随机性,传统方法难以描述舰船电子设备故障的变化特点,诊断效果差。为了克服当前舰船电子设备故障诊断存在的不足,提出数字信号处理器的舰船电子设备故障诊断模型。首先采用数字信号处理器对舰船电子设备状态信号进行采集,同时去除信号中的一些噪声,然后从舰船电子设备信号中提取有效的特征,通过筛选最有效的舰船电子设备故障诊断特征进行建模,最后引入数据挖掘技术建立舰船电子设备故障诊断模型,并在相同环境下,与其他模型进行舰船电子设备故障诊断仿真模拟测试。结果表明,本文模型的舰船电子设备故障诊断误差要比对比模型更低,且减少了舰船电子设备故障诊断复杂度,诊断效率得到明显的提升。     

基于小波包分析和深度学习的舰船辐射噪声识别

为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率.     

大数据背景下的舰船图像特征识别研究

传统舰船图像特征识别方法仅能对图像大范围特征像素信息进行识别,而对图像细微像素特征识别效果,远远达不到实际应用要求。导致大量细节特征舰船图像,无法准确完成特征的识别处理,影响整体应用效果。为了解决细节特征信息识别问题,提出大数据背景下的舰船图像特征识别研究。利用大数据计算能力,对图像特征结构分布进行特征模型建立;根据特征分布特点,利用大数据算法,确定细节图像区域构成像素点特征。最后根据特征信息,分散检索全局目标图像像素信息,完成识别输出过程。通过与传统图像识别方法的10张图像359 035万个像素点的识别测试表明,提出方法能够在最短的时间内,完成预设细节图像特征点的识别任务,且识别准确率达到98.72%以上。     

舰船云计算系统服务器故障的识别模型

舰船云计算系统服务器故障的种类多,故障与特征之间是一种非常复杂的映射关系,传统舰船云计算系统服务器故障识别模型难以获得理想的识别结果。为了克服当前舰船云计算系统服务器故障识别模型存在的不足,设计一种基于数据挖掘的舰船云计算系统服务器故障识别模型。首先采集舰船云计算系统服务器故障识别数据,然后采用数据挖掘技术对舰船云计算系统服务器故障识别数据进行分析和建模,建立舰船云计算系统服务器故障识别的分类器,最后进行了舰船云计算系统服务器故障识别仿真对比实验。本文模型的舰船云计算系统服务器故障识别率高达95%,而且舰船云计算系统服务器故障的误识率要小于当前其他舰船云计算系统服务器故障识别模型,结果验证了本文模型的优越性。     

无线局域网的舰船异常数据通信识别系统设计

受到局域网异常数据掺杂噪声的影响,传统无线局域网异常通信识别系统,无法有效识别噪声干扰下的异常通信数据特征,影响系统对故障点的分析计算,降低系统识别灵敏度。针对此问题,提出无线局域网的舰船异常数据通信识别系统设计。首先,优化无线局域网异常数据识别硬件,建立信号数据分离交互框架,为软件算法的噪声分离提供计算平台;接着,引入异常数据特征噪声分离算法,滤除异常数据特征量中的噪声;然后,优化网络识别器,提升对异常数据特征的感知系数,提升识别灵敏度。最后,通过与传统异常数据识别系统的对比实验,证明设计系统的有效性。     

基于小波包振动谱图的柴油机在线故障诊断方法

柴油机是舰船的主要动力装置,针对传统故障诊断方法不能有效提取柴油机故障特征和实现在线诊断的缺点,提出一种基于小波包振动谱图像的柴油机在线故障诊断新方法.该方法首先用小波包对采集到的柴油机振动信号进行分析生成小波包振动谱图;然后利用双线性内插值方法对生成的振动谱图进行数据降维,对降维后的振动谱图进行灰度共生矩阵纹理特征参数提取;最后用分类器对特征参数进行识别,完成故障诊断。将该方法应用于柴油机气门间隙的故障诊断实例中,结果表明,基于小波包振动谱图像的柴油机在线故障诊断方法能快速高效的诊断出气门间隙故障,识别准确率高达99.17%,仅耗时0.24 s,为内燃机故障在线诊断探索了一条新途径。     

基于小波包振动谱图的柴油机在线故障诊断方法

柴油机是舰船的主要动力装置,针对传统故障诊断方法不能有效提取柴油机故障特征和实现在线诊断的缺点,提出一种基于小波包振动谱图像的柴油机在线故障诊断新方法.该方法首先用小波包对采集到的柴油机振动信号进行分析生成小波包振动谱图;然后利用双线性内插值方法对生成的振动谱图进行数据降维,对降维后的振动谱图进行灰度共生矩阵纹理特征参数提取;最后用分类器对特征参数进行识别,完成故障诊断.将该方法应用于柴油机气门间隙的故障诊断实例中,结果表明,基于小波包振动谱图像的柴油机在线故障诊断方法能快速高效的诊断出气门间隙故障,识别准确率高达99.17％,仅耗时0.24 s,为内燃机故障在线诊断探索了一条新途径.     

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。     

舰船辐射噪声非线性频谱特征提取与应用

舰船辐射噪声分类识别一直是被动声呐面临的难题,提取舰船辐射噪声的频谱特征来实现分类识别是一种常用的方法。基于舰船辐射噪声频谱特征主要聚于低频段的特点,按照稀疏分解的原理,通过构造完备的非线性频谱字典,提出了一种舰船辐射噪声非线性频谱特征提取方法。对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取,采用最近邻分类器对辐射噪声样本进行了分类识别实验,结果表明,非线性频谱特征的正确分类识别概率高于线性频谱特征的正确分类识别概率。     

舰船辐射噪声非线性频谱特征提取与应用

舰船辐射噪声分类识别一直是被动声呐面临的难题,提取舰船辐射噪声的频谱特征来实现分类识别是一种常用的方法。基于舰船辐射噪声频谱特征主要聚于低频段的特点,按照稀疏分解的原理,通过构造完备的非线性频谱字典,提出了一种舰船辐射噪声非线性频谱特征提取方法。对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取,采用最近邻分类器对辐射噪声样本进行了分类识别实验,结果表明,非线性频谱特征的正确分类识别概率高于线性频谱特征的正确分类识别概率。     

小波分解和多尺度形态学的舰船图像自动识别

传统舰船图像识别方法仅支持单一识别算法运算,导致不同图像识别特征差异化区域的识别感知系数降低,直接影响自动识别准确率。为了保证不同算法在融合过程中的相互独立与统一,提出小波分解和多尺度形态学的舰船图像自动识别。对图像识别滤波器进行多尺度形态优化,使其适应差异化特征图像;利用小波分解算法,计算得到图像特征区域熵;根据识别特征熵,对识别图像特征进行提取。最后通过特征的多尺度对比,完成图像自动识别计算。通过与传统单一算法的图像识别方法对比证明,在相同时间内,提出方法的识别准确率最高,并可将识别准确率控制在98%以上。     

海上雷达通信数据特征实时监测算法研究

传统船载雷达通信数据检测算法存在小范围样本数据监测准确率低,究其根源在于算法对小样本数据特征计算能力不足,无法精准提取小样本特征。为此提出基于大数据分析的船载雷达通信数据特征实时监测算法,算法由2种计算子算法构成。首先,引入MIFS小样本特征滤除算法,对雷达数据内小样本周边数据进行滤除计算,提升小样本特征清晰度;其次,引入大数据IDWPA遗传编码特征算法,利用大数据分析能力对小样本数据进行遗传模型建力计算,准确抓取小样本特征,完成整套算法计算;最后,通过仿真实验证明提出算法能够有效解决传统算法特征计算力不足,监测准确率低的问题。     

多参量状态下舰船网络异常故障智能诊断方法分析

为了解决船舶网络数据交互压力成倍增长,网络故障特点已由单纯的单要素故障转变为多因素故障的问题。提出多参量状态下舰船网络异常故障智能诊断方法分析。对网络环境的全局变量进行收集,获取多参量状态,根据获取的多参量状态数据,建立多参量网络健康评估模型,定义对参量下故障识别的学习状态,确定网络故障点,通过数据提取算法完成对故障点的提取,完成故障的智能诊断。通过实验数据表明:相同时间量与故障量下,采用设计方法的故障诊断效果,要比传统诊断方法多诊断出故障21处,提升效果明显。     

基于大数据分析的舰船配电网络故障趋势预测

以传统方法各种可能发生的故障特征为基础,通过匹配典型故障特征实现舰船配电网络故障趋势预测,但对于复杂的舰船配电网络,难以对未知故障趋势进行预测的弊端。提出一种基于大数据分析的舰船配电网络故障趋势预测方法。首先采集舰船配电网络故障信号,利用自适应滤波方法对干扰和噪声进行过滤后,通过KL转化方法将信号转化为对应的故障数据信息后,利用欧几里德距离计算方法对数据进行降维和归一化处理,利用舰船配电网络的状态脆弱度和配电网故障趋势项参数获取网络故障脆弱度影响因子,根据影响因子的累积效应,进行舰船配电网络故障趋势的预测。最后利用协方差矩阵对预测过程进行修正,完成舰船配电网络故障趋势预测的改进。实验结果证明,改进算法具有较高的预测精度,并在一定程度上降低了故障趋势预测虚警率,具有较高的实用性和实时性。     

舰载武器智能自适应诊断测试技术研究

传统武器故障诊断和测试依托于人员经验和测试仪器,难以适应现代化舰船的故障测试要求。本文对大数据技术和自适应诊断测试技术进行研究,设计舰船武器智能自适应诊断测试系统,重点设计了舰船武器故障特征提取模块和诊断测试模块。使用支持向量机对故障特征进行分类,通过原始数据融合、故障特征融合以及决策融合,系统根据采集的故障特征信息可以作出综合性判断,因而具有较高的可靠性。     

舰船数字图像局部模糊特征智能识别方法

当前舰船数字图像识别方法存在明显不足,如识别成功率低、识别过程太复杂等。为了改善舰船数字图像识别准确性,提出一种舰船数字图像局部模糊特征智能识别方法。首先收集舰船数字图像,并进行噪声除去处理,以获得更优的舰船数字图像识别特征;然后提取舰船数字图像识别的局部特征,并引入主成分分析算法对特征进行分析,减少特征数量;最后引入模糊聚类算法计算舰船数字图像特征之间的距离。根据距离划分舰船数字图像的类型,在Matlab环境中的舰船数字图像识别测试结果表明,本文方法解决了当前舰船数字图像识别方法的局限性,舰船数字图像的平均识别率超过92%,舰船数字图像的误识率极低,识别结果明显好于当前几种重要的舰船数字图像识别方法,具有实际应用前景。     

基于支持向量机和辐射噪声的舰船目标识别

分类器的构造和特征量的提取是目标识别的两个基本问题。鉴于舰船辐射噪声反映了同种舰船的特征，以及以支持向量机为核心的统计学习理论具有具有较好地解决小样本、非线性问题的能力，提出了一种新的识别方法，首先利用子波变换和多分辨分解算法对舰船目标的辐射噪声进行分解，得到目标的线谱和调制谱特征，然后使用支持向量机构造分类器，进行目标识别。实验表明，这种方法是可行的，且有较好的识别精度和较强的泛化性能。     

基于贝叶斯的舰船辐射噪声特征识别方法

针对舰船辐射噪声特征存在非线性、非平稳的时变特点,导致特征识别难度较高的问题,本文提出一种基于贝叶斯的舰船辐射噪声特征识别方法。利用Dopplerlet变换方法,选取高斯函数作为基函数,变换舰船辐射声场信号。利用VMD算法获取搜寻约束变分模型的最优解,将完成变换的舰船辐射信号,分解为多个IMF分量,提取舰船辐射噪声特征。利用所提取的舰船辐射噪声特征构建特征样本集,通过贝叶斯网络计算样本集内各样本的状态概率,识别舰船辐射噪声特征。结果表明,该方法有效识别水面舰船、水下低速运动舰船等不同类型舰船的辐射噪声,适用于舰船目标识别应用中。     

大数据环境下舰船数据多信道并行调度方法分析

传统舰船数据并行调度方法存在调度速度慢、识别准确率差等问题,为解决这一问题,对大数据环境下舰船数据多信道并行调度方法进行分析。分析过程中,确定数据多信道并行调度规则,以此为基础对数据多信道并行干扰波进行处理,将处理后数据机械能多信道并行调度输出,并对其调度方法进行优化,从而完成整体数据调度。实验数据表明,提出的多信道并行调度方法具有更可靠的调度速度以及并行识别准确率。