大数据分析下舰船维修数据挖掘算法优化分析

舰船维修数据具有重要的利用价值,当前算法无法有效对其变化特点进行准确挖掘,无法充分发挥舰船维修数据优势,为了提高舰船维修数据挖掘精度,设计了基于大数据分析下舰船维修数据挖掘算法。首先采用单一算法对舰船维修数据进行挖掘,并根据挖掘精度对各种算法进行评价。然后采用大数据分析技术中的包容性检验算法选择最佳的单一模型,并对它们结果进行组合,得到舰船维修数据挖掘结果。最后采用舰船维修价格的历史数据作为实验对象,分析本文方法的优越性。本文方法的舰船维修价格的预测精度要显著高于当前其他数据挖掘算法的精度,而且舰船维修价格预测可信度更优,降低了舰船维修价格预测误差。     

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。     

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。     

基于聚类算法的舰船通信数据深度挖掘方法

传统挖掘方法无法考虑众多通信因素的多层次特征,造成数据挖掘效果不理想,为此设计一种基于聚类算法的舰船通信数据深度挖掘方法。利用聚类算法,对通信数据的多层次特征进行筛选,从而为通信数据的深度挖掘提供依据,结合聚类挖掘粗糙集,生成数据深度挖掘的关联规则并进行聚类计算,对每个通信数据执行交叉变换逻辑,实现舰船通信数据的深度挖掘。实验结果表明,利用聚类算法进行通信数据的深度挖掘,能够提高数据的挖掘速度,且准确率较传统方法高27.15%。     

云计算环境下舰船通信数据深度挖掘方法

舰船通信设备的复杂化,使得通信数据量级增大,受到噪声、背景等多种因素的影响,潜在的数据很难被发现,而云计算可以提供并行编程服务,因此,进行云计算环境下舰船通信数据深度挖掘方法研究。基于云计算MapReduce并行编程模式,引入数据聚类技术,将通信数据划分为多个数据集,根据节点计算资源分配通信数据集,通过KNN分类挖掘算法计算每个节点数据之间的欧式距离,基于确定阈值分类通信数据,实现了通信数据的深度挖掘。实验数据表明:当数据量大于200万条,提出方法数据挖掘执行时间较低,更适用于舰船通信数据深度挖掘。     

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。     

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。     

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。     

云计算下环形网络大数据协同挖掘方法研究

为提高传统数据挖掘方法的数据挖掘有效性,提出了云计算下环形网络大数据协同挖掘方法,基于数据集的选取,确定大数据协同挖掘范围,根据数据的预处理与集成处理,实现对挖掘数据的特征提取分析,利用数据的归约与离散化分析,完成云计算下环形网络大数据的协同挖掘,实验数据表明,提出的大数据协同挖掘方法,较传统挖掘方法挖掘有效性提高47.29%,适用于云计算下环形网络大数据的协同挖掘。     

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。     

云平台的海上舰船数据挖掘算法研究

首先进行海上舰船云平台的设计,运用云平台来聚集比照船各方面的性能,建立完整的舰船性能数据库。本文从舰船数据挖掘的目的出发,在设计数据挖掘算法时利用核主元分析、归一化、舰船分两类、新船与参考船比较计算、线性逼近等步骤。分析海洋环境和舰船性能之间的关系,并给出舰船性能公式。最后通过实验进行数据挖掘结果的分析。实验结果表明,本文所设计的算法在时间复杂度和准确性方面要优于其他算法。     

云平台的舰船实时动态任务调度研究

传统舰船任务调度算法存在任务指令数据实时性差,任务调度处理与任务下达之间存在时间差,造成任务调度结果与任务更新的不对称。为了解决此问题,提出云平台的舰船实时动态任务调度研究。通过神经网络算法,融合云平台计算技术,对任务调度进行瞬态高速计算,缩短调度任务处理时间;引入实时任务调度算法,对瞬态任务计算进行实时动态任务流数据辅助计算,以此保证调度任务处理与任务下达数据的对称性,最大限度减小任务调度时间差。与传统调度方法对比数据表明,提出的云平台的舰船实施动态任务调度算法,能够有效缩短时间差至0.086 s。     

物联网海上舰船航行数据挖掘方法

为了保证海上舰船航行的安全,解决传统航行数据挖掘方法中存在的延时长的问题,利用物联网技术优化数据挖掘方法。遵循数据挖掘的基本原理搭建数据挖掘框架,在该框架下确定舰船的航行方向、航行路线等数据为待挖掘数据。在舰船的相应位置上安装物联网传感器,实现实时数据的采集与传输。以采集的实时航行数据库为基础,通过去除错误、航行位置计算等步骤,得出海上舰船航行数据的挖掘结果。通过与传统数据挖掘方法的对比发现,设计方法的数据挖掘速度提高了约50%。     

舰船能耗预测的云数据挖掘

能耗是舰船工作过程一个重要评价指标,针对当前舰船能耗预测方法存在预测错误率高、建模速度慢等不足,提出一种舰船能耗预测的云数据挖掘技术。首先分析国内外对舰船能耗的预测方法,找到各种舰船能耗预测方法的缺陷和不足,然后收集舰船能耗预测的数据,将云平台作为舰船能耗预测的建模环境,采用数据挖掘建立舰船能耗预测模型,最后进行舰船能耗预测效果的测试实验。云数据挖掘技术的舰船能耗预测精度超过了95%,可以描述舰船能耗预测的变化特点,对于大规模舰船能耗数据,本文方法的预测时间明显短于当前其他舰船能耗预测方法,具有十分明显的优势。     

云模型的舰船维修成本建模与预测

通过对舰船维修成本的准确建模和预测,降低维修成本,提高舰船维修质量,保证舰船良好工况,提出一种基于K均值指标聚类划分和粒子群优化的云模型下舰船维修成本建模和预测方法。以舰船维修的材料开销、人工开销、舰船寿命周期折损以及配件成本等参数为约束指标,采用K均值聚类算法进行维修成本指标系数聚类划分,将成本最优问题转化为聚类中心最短问题,并以此为优化目标函数,采用粒子寻优算法进行最优解求解,通过线性插值方法进行拟合计算避免解向量陷入局部最优,实现云模型的舰船维修成本预测。仿真结果表明,采用该方法进行舰船维修成本预测的准确性较高,维修效率和质量得到提高。     

基于Apriori算法的船用物联网多来源数据深度挖掘方法

随着物联网技术的不断发展,物联网空间内的数据源开始呈现出多来源的性质。在此种性质作用下,传统数据挖掘方法无法更深层次的对数据进行挖掘,通过对数据来源的分析发现,Apriori算法能够有效地解决这一问题,因此提出基于Apriori算法的物联网多来源数据深度挖掘方法。通过对物联网内数据来源关系的分析、挖掘模型的建立、Apriori算法计算及Apriori算法挖掘执行4部分的描述,完成对提出方法的设计。最后,通过数据仿真实验来证明提出的方法能够满足物联网多来源数据深度挖掘的需要。     

海上通信中的云平台混合加密算法研究

随着计算机及通信技术的发展,基于数据通信的海上电子信息系统应用越加广泛,如舰船无线通信系统﹑卫星通信系统等,对这些通信数据的加密成为保障海上军事安全必不可少的组件之一。同时,随着云计算技术的发展,大量通信数据存储及算法通过云平台进行处理,现有的云处理平台大部分在用户认证级别提供保护措施,基于存储层的文件保密还不能达到要求。本文在研究海上通信加密算法的基础上,提出基于云平台的混合加解密算法。     

基于IPv6的大型舰船通信网络卸载引擎设计与实现

现有舰船上采用的通信网络卸载引擎,在TCP协议上只支持传统IPv4网络协议。传统的IPv4网络协议自身的局限性,制约了大型舰船网络卸载引擎的数据扩展与吞吐能力。提出基于IPv6的大型舰船通信网络卸载引擎设计。创建IPv6运算处理模块,替代IPv4协议支持。独立对IPv6协议下交互数据进行预运算处理。增加TOE数据加速模块,对交互中的用户交互协议数据做快速运算优化处理。通过实验证明,基于IPv6的大型舰船通信网络卸载引擎设计,在大型舰船通信网络使用中,具有网络数据交互能力强、数据运算稳定、数据交互吞吐量明显优于IPv4协议,充分证明了设计的可应用性。     

云平台船舶电力数据中心架构设计

为了更好地保障对船舶电力数据的准确处理,提出基于云平台的船舶电力数据中心架构设计方法,首先对船舶电力数据管理模块进行优化,采集挖掘电力特征数据,并对船舶电力数据挖掘算法进行优化,根据计算结果进行数据的调度和处理,实现对船舶电力数据中心构架的合理设计。最后通过实验证实,基于云平台的船舶电力数据中心架构设计具有更高的准确性和合理性,充分满足研究要求。