船舶电力监测网络流量异常检测算法研究

由于船舶电力监测网络的工作环境日益复杂,网络流量出现异常状态的频率越来越高,为了对船舶电力监测网络流量异常状态进行准确跟踪和检测,提出基于数据挖掘技术的船舶电力监测网络流量异常检测方法。首先深入分析当前船舶电力监测网络流量异常研究现状,并收集船舶电力监测网络流量异常数据,然后对船舶电力监测网络流量异常数据进行去噪处理,并根据数据挖掘技术建立船舶电力监测网络流量异常检测模型,最后采用具体船舶电力监测网络流量异常数据进行验证性测试实验。结果表明,本文方法可以有效检测船舶电力监测网络流量异常状态,误检率相当低,并且船舶电力监测网络流量异常检测结果优于其他方法,具有广泛的应用前景。     

船舶航行网络流量的建模与预测

船舶航行网络流量受到外界因素的干扰,具有比较强的随机性,当前船舶航行网络流量的预测准确性差,为了改善船舶航行网络流量预测的效果,设计一种高精度的船舶航行网络流量建模与预测方法。首先收集一维船舶航行网络流量样本,并通过变换得到一种多维的船舶航行网络流量样本,然后引入极限学习机描述船舶航行网络流量的变化规律,并对极限学习机参数进行优化,改进基本极限学习机的不足,最后进行船舶航行网络流量预测的应用实例,分析本文方法的可行性,结果表明,本文方法的船舶航行网络流量预测误差小于5%,低于实际应用要求的10%,同时船舶航行网络流量建模过程自化程度高,简单,获得了较快的船舶航行网络流量预测速度,为解决船舶航行网络流量的预测问题提供了一种建模技术。     

船舶通信网络入侵节点的定位研究

网络入侵严重影响船舶网络通信安全,尤其是入侵节点定位更为关键,针对当前船舶通信网络入侵节点定位效果差的问题,提出基于改进极限学习机的船舶通信网络入侵节点定位方法,首先分析船舶通信网络入侵节点定位流程,并采用极限学习机对船舶通信网络入侵节点定位特点进行分析,建立船舶通信网络入侵节点定位模型,同时对标准极限学习机存在的不足进行改进,最后选择一些船舶通信网络入侵节点定位数据对模型性能进行仿真测试,改进极限学习机解决了当前船舶通信网络入侵节点定位方法存在不足,船舶通信网络入侵节点定位精度得到明显的提高,而且船舶通信网络入侵节点定位速度也得到较好的改善,可以有效保证船舶网络的通信安全。     

基于数字信号处理技术的船舶电子设备故障诊断

当前船舶电子设备故障诊断方法无法准确表达船舶电子设备故障变化特点,船舶电子设备故障诊断成功率低,出现了大量错误的船舶电子设备故障诊断结果,同时船舶电子设备故障诊断实时性差,为此设计了基于数字信号处理技术的船舶电子设备故障诊断模型。首先分析当前船舶电子设备故障诊断模型存在缺陷的原因,通过数字信号处理技术采集船舶电子设备工作状态信号,并从信号中提取船舶电子设备故障特征向量,然后将船舶电子设备故障特征向量作为极限学习机的输入,通过确定极限学习参数建立船舶电子设备故障诊断模型,最后在Matlab2016平台上进行了船舶电子设备故障诊断仿真模拟测试。结果表明,本文模型可以提取描述船舶电子设备工作状态的信号,提取特征向量可以很好描述船舶电子设备故障类型,使得船舶电子设备故障诊断成功率得到提高,故障诊断的错误率降低,有利于船舶电子设备故障处理。     

舰船网络服务器的网络流量异常检测

舰船网络服务器是保证舰船正常运行的重要设施。舰船网络服务器一旦遭到入侵,网络流量就会发生异常,严重影响舰船的正常运行。但现有的舰船网络入侵检测方法无论从速度还是准确性上都无法满足入侵检测的要求。基于该模型,提出一种船舶网络流量异常检测方法。通过对舰船网络流量异常特征提取算法的优化,找出最佳特征子集,进行去噪,建立舰船网络流量异常检测模型,优化流量异常检测流程,以实现对舰船网络服务器的网络流量异常检测。最后通过测试结果表明:舰船网络服务器的网络流量异常检测方法能有效地检测船联网系统的异常状态,在保证检测精度的前提下,可以大大缩短检测时间。     

遗传极限学习计算法在船舶碰撞危险度确定中的应用

为防止船舶航行过程中出现碰撞问题,研究遗传极限学习计算法在船舶碰撞危险度确定中的应用。以船员视角、两船间的安全距离和航行速度为基础,利用最小安全时间直观描述船舶碰撞危险度;根据船舶航行样本数据,利用极限学习机预测最小安全时间,采用遗传算法优化极限学习机,通过初始化种群、适应度运算、交叉变异等过程确定最优染色体,提升最小安全时间预测精度。实验结果显示所研究方法遗传迭代25次后误差平方和降至2.5,不同海域的防碰撞操作控制成功率达到97.5%,说明该方法具有较快的迭代速度与较好的应用效果,可有效保障船舶航行过程中的安全性。     

船舶移动网络大数据异常数据优化识别研究

异常数据对船舶移动网络通信产生干扰,而当前船舶移动网络的异常数据优化方法的效果差,无法满足船舶移动网络通信要求,为此设计了一种基于大数据分析技术的船舶移动网络异常数据优化识别方法。首先分析当前船舶移动网络异常数据优化研究方法,指出它们各自存在的缺陷,然后引入大数据分析技术对船舶移动网络异常数据进行优化和识别,最后进行船舶移动网络异常数据优化识别的实例分析,结果表明,本文方法可以描述船舶移动网络异常数据变化特点,提高船舶移动网络异常数据识别的正确率,而且船舶移动网络异常数据识别时间要短于其它方法,获得了令人满意的船舶移动网络异常数据识别结果。     

云计算环境下船舶监控网络异常数据检测方法

在船舶监控网络高度应用的今天,监控网络异常数据检测受到了学术界以及船舶制造业的高度关注。就目前的船舶监控网络异常数据检测方法而言,其计算能力较低,导致异常数据误报率较高。针对此问题,设计云计算环境下船舶监控网络异常数据检测方法。使用相似度函数对监控节点数据展开相似性检测,初步确定数据异常节点位置。根据节点位置,对监控网络数据进行时间序列检测,确定异常数据输出时间。对上述两部分进行融合处理,完成异常数据检测方法的设计过程。经对比实验验证可知,此方法在应用中具有误报率低,计算效率较高的优点,可将其应用到后续的船舶监控网络数据处理过程中。     

灰色模型的船舶物联网异常行为实时检测

当前船舶网络异常行为检测逐渐成为航海领域研究的重点问题之一,为了更好保障船舶航行效果,避免航行过程中信息传输和处理的干扰问题,对灰色模型的船舶物联网异常行为实时检测方法进行优化,基于传统实时检测过程中,数据量较大、处理效果不佳、准确率低等问题,结合灰色模型,对船舶网络信息特征行为进行采集和去噪处理,实现对船舶异常行为信息的有效分类和传输,以提高船舶网络异常行为实时检测的准确性和有效性。最后通过实验证实,灰色模型的船舶物联网异常行为实时检测方法在实际应用过程中,处理效果明显更好,且准确性也得到明显提高,充分满足研究要求。     

舰船网络入侵风险等级估计算法研究

针对当前舰船网络入侵风险等级估计算法存在的缺陷,以提高舰船网络入侵风险等级评估正确率为目标,设计了一种改进极限学习机的舰船网络入侵风险等级估计算法。首先根据专家和相关研究设计舰船网络入侵风险等级估计的指标,并根据指标采集相应的舰船网络入侵风险等级估计数据,然后采用极限学习机对舰船网络入侵风险等级进行建模,并采用粒子群算法优化舰船网络入侵风险等级估计模型的参数,最后进行舰船网络入侵风险等级估计验证性实验。实验结果表明,改进极限学习机获得了十分理想的舰船网络入侵风险等级估计结果,而且估计性能要远优于当前其它舰船网络入侵风险等级估计算法,具有更高的实际应用价值。