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。     

舰船维修数据云总线协议深度挖掘算法

现有的舰船维修数据深度挖掘算法,存在着数据挖掘深度浅的缺陷。为了解决上述问题,提出舰船维修数据云总线协议深度挖掘算法研究。依据算法需求编写云总线协议,采集并获取舰船维修数据,以此为基础,利用等深度分段方法离散化处理维修数据,依据离散化处理完成的维修数据,通过粗糙集约简算法得到最优舰船维修数据集,实现了舰船维修数据云总线协议的深度挖掘。通过仿真对比实验结果表明,与现有的舰船维修数据深度挖掘算法相比较,提出的舰船维修数据云总线协议深度挖掘算法极大的加深了数据挖掘的深度,充分说明提出的舰船维修数据云总线协议深度挖掘算法具备更好的数据挖掘效果。     

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。     

舰船通信网络异常数据的弱关联定位技术

网络异常直接关系着舰船通信的安全,为了准确对舰船通信网络异常数据进行检测和定位,设计了基于数据挖掘技术的舰船通信网络异常数据弱关联定位技术。首先对舰船通信网络异常数据的定位现状进行分析,指出当前定位技术的不足,然后引入数据挖掘技术对舰船通信网络异常数据变化特点进行刻画,实现舰船通信网络异常数据的弱关联定位,最后采用标准舰船通信网络异常数据集进行有效性测试。结果表明,本文技术可以获得高精度的舰船通信网络异常数据定位结果,而且舰船通信网络异常数据定位误差远远小于当前其他技术,具有十分显著的优越性,研究结果具有一定的理论和实际价值。     

航行速度的非线性建模与仿真研究

舰船航行速度具有十分强烈的非线性变化特点,而当前舰船航行速度建模方法均只考虑其线性特性,使得舰船航行速度预测错误很大。为了提高舰船航行速度预测精度,提出一种航行速度预测的非线性建模方法。首先采用舰船航行速度的历史样本数据,建立舰船航行速度预测的训练样本集合,然后引入回声状态网络对舰船航行速度训练样本的变化规律进行描述,建立舰船航行速度预测模型,最后采用具体舰船航行速度数据对非线性建模性能进行测试。本文建模方法可以捕捉舰船航行速度强烈的非线性变化特点,舰船航行速度预测错误小,舰船航行速度预测精度要小于当前线性建模方法,而且降低了舰船航行速度建模的时间,具有比较显著的优越性。     

舰船资料数据库中的数据去重复删除方法

舰船资料数据库的数据存在一定量的重复,严重影响舰船资料数据库的工作效率。为了减少舰船资料数据库中的重复数据,降低存储空间,提出一种基于数据挖掘的舰船资料数据库数据去重复删除方法。首先分析当前舰船资料数据库中的数据去重复删除研究进展,找到各种方法的存在的问题与不足,然后提取舰船资料数据库的数据特征,采用数据挖掘技术计算舰船资料数据库数据特征的相似度,最后将相似度与阈值进行比较,删除大于阈值的数据,并进行仿真验证测试实验。结果表明,本文方法能够准确估计舰船资料数据库数据之间的相似度,可以很好地删除重复数据,且舰船资料数据库重复数据删除的速度快,具有一定的应用价值。     

基于神经网络的舰船机舱火灾温度快速预测

为了更快、高精度的对舰船机舱火灾温度进行建模和预测,提出基于神经网络的舰船机舱火灾温度快速预测方法。首先分析当前舰船机舱火灾温度的研究进展,指出当前舰船机舱火灾温度预测方法的局限性,然后收集舰船机舱火灾温度的历史数据,通过神经网络对历史数据进行学习和分析,挖掘舰船机舱火灾温度变化特点,建立舰船机舱火灾温度预测模型,并对神经网络参数优化问题进行解决,最后与其他舰船机舱火灾温度方法进行对比实验。结果表明,神经网络的舰船机舱火灾温度预测精度超过90%,远远高于其他舰船机舱火灾温度方法的预测精度,同时减少舰船机舱火灾温度预测建模时间,能够快速对舰船机舱火灾温度进行预测。     

物联网环境下舰船监控网络高维异常数据挖掘方法

为了准确识别物联网环境下舰船监控网络高维异常数据,针对当前识别方法存在的误差大、速度慢等不足,提出一种物联网环境下舰船监控网络高维异常数据挖掘方法。首先分析当前物联网环境下舰船监控网络高维异常数据识别的研究现状,指出各种方法的局限性,然后结合舰船监控网络异常数据的高维特点,引入解决了"维数灾"问题的支持向量机对舰船监控网络高维异常数据进行挖掘,找到舰船监控网络异常数据的变化趋势,最后通过仿真实验分析了其有效性和优越性。结果表明,本文方法提高了舰船监控网络高维异常数据识别正确率,误识率明显下降,减少了舰船监控网络高维异常数据识别时间,可以对大规模舰船监控网络高维异常数据进行处理,具有广泛的应用前景。     

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。     

港口水域船舶异常能耗云数据挖掘

以港口水域船舶的节能减排为目标,研究港口水域船舶异常能耗云数据挖掘方法。采集港口水域船舶的AIS云数据,删除与船舶能耗无关以及异常数据,利用K-means聚类算法对船舶能耗相关船舶主机转速以及船舶主机功率等数据进行聚类,输出船舶不同运行工况的能耗。利用贝叶斯分类器依据聚类结果识别港口水域船舶能耗云数据是否为异常数据,完成港口水域船舶异常能耗云数据挖掘。实验结果表明,该方法的船舶异常能耗数据挖掘精度高,为船舶的节能减排提供依据。     

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。     

神经网络算法的舰船间距快速预测

间距预测是保证舰船航行安全的重要技术,传统方法存在舰船间距预测不准确,精度低等不足,为了提高舰船间距预测精度,提出基于神经网络算法的舰船间距快速预测模型。首先分析当前舰船间距预测的研究现状,找到引起舰船间距预测不足的因素,然后引入神经网络算法对舰船间距变化特点进行深入挖掘,建立舰船间距快速预测模型,最后采用VC++6.0编程程序实现舰船间距快速预测仿真实验,结果表明,神经网络算法的舰船间距预测精度超过90%,远远高于其他舰船间距预测模型,而且舰船间距预测速度快,减少了舰船间距预测的时间,具有比较明显的优越性。     

基于云平台的舰船维修费用预测模型

目前研究的舰船维修费用预测模型预测准确率较低,导致成本开销过大。为了解决上述问题,研究了基于云平台的舰船维修费用预测模型。将舰船维修费用的关联性数据利用云平台存储在预测模型中,采用大数据聚类方法对舰船维修费用进行预测,提高舰船维修费用的预测和调节能力,减少舰船维修工程的不必要开销,提升预测舰船维修费用的准确性和舰船维修速度,对舰船维修费用约束指标参量进行分析,提高舰船维修费用的控制能力,优化舰船维修费用预测模型。实验结果表明,云平台的舰船维修费用预测模型能够有效提高预测准确率,减少成本。     

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。     

云环境舰船目标检测与跟踪

目标检测与跟踪是舰船应用中的一个重要研究方向,针对当前舰船目标检测与跟踪存在的一些难题,为提高舰船目标检测与跟踪效果,设计了一种云环境下的舰船目标检测与跟踪方法。首先收集舰船目标检测与跟踪的数据,并对舰船目标的背景进行建模,然后采用卡尔曼滤波算法实现舰船目标检测与跟踪,并利用云环境作为舰船目标检测与跟踪的平台,最后在Matlab 2016平台上进行仿真实验,测试舰船目标检测与跟踪的效果,本文方法的舰船目标跟踪精度高,具有良好的舰船目标跟踪实时性。     

基于数据挖掘的舰船装备维修费估计

舰船装备维修费具有一定的规律性,同时也有一定的随机性,导致很难进行准确估计。为了提高舰船装备维修费精度,减少舰船装备维修估计偏差,设计了基于数据挖掘的舰船装备维修费估计模型。首先分析当前舰船装备维修费估计模型的各种局限性,然后收集舰船装备维修费历史数据,并对舰船装备维修费历史数据进行处理,得到更加有规律的舰船装备维修费数据,然后采用数据挖掘技术建立舰船装备维修费估计模型,并采用实际舰船装备维修费数据进行验证性实验。本文模型的舰船装备维修费估计精度高,舰船装备维修费的估计误差远小于当前其他舰船装备维修费估计模型,结果证明本文方法是一种精度高,误差小的舰船装备维修费估计模型。     

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%。     

舰船物联网异常节点检测的数据挖掘

异常节点检测是保证舰船物联网安全的关键技术之一。针对当前舰船物联网异常节点检测效果差的缺陷,为获得更优的舰船物联网异常节点检测效果,设计了基于数据挖掘的舰船物联网异常节点检测模型。首先对舰船物联网节点的数据进行分析,并对异常节点和正常节点的信息进行标记,建立舰船物联网异常节点检测的数据集,然后采用数据挖掘技术——极限学习机建立舰船物联网异常节点检测模型,最后与其他模型进行舰船物联网异常节点检测对比测试,测试结果表明,本文模型获得较好的舰船物联网异常节点检测率,而且误检率明显优于对比模型,验证了本文模型的优越性。     

基于数据挖掘技术的舰船物联网流量预测

舰船物联网流量具有随机性、规律性的变化特点,为更好分析舰船物联网流量变化趋势,构建基于数据挖掘技术的舰船物联网流量预测方法。首先收集舰船物联网流量的数据,并对其进行聚类分析,选择部分样本作为训练样本,然后采用灰色理论模型对舰船物联网流量数据进行挖掘和分析,构建舰船物联网流量的预测模型,最后采用仿真实验对舰船物联网流量预测模型的拟合能力和泛化能力进行分析。结果表明,本文方法不仅可以高精度拟合舰船物联网流量变化特点,而且泛化能力良好,获得了高精度的舰船物联网流量拟合和泛化结果,比其他模型的舰船物联网流量预测效果更优。     

基于统计数学理论的舰船航行轨迹建模研究

轨迹建模对舰船航行安全具有重要的意义,为了解决当前的舰船航行轨迹建模准确性低,以及建模时间长的难题,以获得更加理想的舰船航行轨迹建模结果为目标,设计了基于统计数学理论的舰船航行轨迹建模方法。首先对舰船航行轨迹建模原理进行分析,建立舰船航行轨迹建模的数学模型,然后引入统计数学理论中的机器学习算法——BP神经网络对舰船航行轨迹进行建模,最后采用具体舰船航行轨迹数据进行了性能验证性测试。结果表明,相对于当前经典舰船航行轨迹建模方法,本文方法的舰船航行轨迹建模效果更优,获得了高精度的舰船航行轨迹建模结果,缩短了舰船航行轨迹建模时间,是一种高精度、高效率的舰船航行轨迹建模方法,具有一定的实际应用价值。