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。     

基于机器学习算法的舰船故障数据自动分类

舰船故障数据种类多,变化复杂,当前方法无法实现高精度的舰船故障数据自动分类,使得舰船故障数据自动分类精度难以满足实际应用的要求。为了获得理想的舰船故障数据自动分类结果,本文构建了一种基于机器学习算法的舰船故障数据自动分类方法。对当前国内外的舰船故障数据自动分类文献进行分析,并提出机器学习算法的舰船故障数据自动分类框架。通过传感器采集舰船故障数据,从中提取描述数据类型的特征集合。最后引入机器学习算法描述特征与舰船故障数据类型之间的联系,从而实现舰船故障数据自动分类,并通过仿真验证性实验分析其效果。相对于传统舰船故障数据自动分类方法,机器学习算法的舰船故障数据自动分类精度明显增加,舰船故障数据自动分类速度也得到了一定程度的提升。     

基于大数据理论的舰船图像分类

当前舰船图像以海量的形式存在,传统分类算法的工作时间长、舰船图像分类的实时性差,为了快速、高精度的实现舰船图像分类,设计了基于大数据理论的舰船图像分类算法。首先对舰船图像分类的研究现状进行分析,采集舰船图像,建立舰船图像分类的特征库,然后对待分类舰船图像,采用大数据理论和机器学习算法进行特征匹配,将舰船图像分类相应的类别中,最后进行舰船图像分类的模拟测试。结果表明,本文算法可以短时间内实现舰船图像分类,舰船图像分类的误差远远小于实际应用的控制范围,而且舰船图像分类的整体效果要优于传统的舰船图像分类算法。     

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。     

基于智能视觉的船体焊接坏点识别

船体焊接坏点识别对保证舰船制造工艺精度具有重要的价值,也是提高舰船建造质量的关键技术。针对当前船体焊接坏点识别精度低的问题,设计基于智能视觉的船体焊接坏点识别方法。首先对船体焊接坏点识别的视觉图像进行采集,并对图像进行增强处理,提高图像的清晰度,然后提取船体焊接坏点的图像特征,采用人工智能技术对船体焊接坏点进行分类和识别。实验结果表明,本文方法可以提高船体焊接坏点识别精度,应用于实际舰船制造工艺中,能够保障舰船建造质量。     

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。     

基于神经网络的红外图像舰船统计特征分析

目前研究的红外图像舰船统计特征分析方法全面性较差,准确性较低。为了提高舰船统计特征提取的准确度和精度,本文借鉴神经网络工作原理,进一步对红外图像识别到的舰船目标进行统计特征提取,实现预期设计的效果。本文首先了解舰船红外成像的工作原理,然后利用图像滤波、图像增强技术以及图像分割操作对舰船图像数据进行预处理分析,利用特征目标模糊分类识别方法初步实现红外图像舰船统计特征的识别,然后调用神经网络技术,完善红外图像舰船统计特征提取流程。实验表明,设计方法具有很好的全面性和准确性,实现研究目标,可以投入使用。     

数据挖掘技术的舰船起锚机液压系统故障分析

舰船应用对起锚机液压系统的性能提出了更高要求,针对当前舰船起锚机液压系统故障分析过程中存在的速度慢、工作过程复杂、误差等局限性,以提高舰船起锚机液压系统故障分析精度为目标,设计了数据挖掘技术的舰船起锚机液压系统故障分析方法。首先采用多传感器对舰船起锚机液压系统故障信息进行采集,并采用主成分分析法提取舰船起锚机液压系统故障分析特征,然后引入数据挖掘技术建立舰船起锚机液压系统故障分析模型,最后在Matlab 2018平台上与传统舰船起锚机液压系统故障分析方法进行了仿真对比测试。数据挖掘技术的舰船起锚机液压系统故障分析精度超过94%,而传统方法的舰船起锚机液压系统故障分析精度低于88%,同时舰船起锚机液压系统故障分析速度也得到了改善。     

舰船遥感图像的分类方法研究

遥感图像分类一直是舰船应用领域的关键技术,由于遥感图像具有多波段、高维特征等特点,当前遥感图像分类技术面临一定的挑战。为了获得更优的舰船遥感图像分类结果,提出一种多分类器加权组合的舰船遥感图像分类方法。首先分析舰船遥感图像分类研究的历史,找到导致单分类器的舰船遥感图像分类错误率高的原因,然后引入双边滤波算法对原始舰船遥感图像进行去噪,并提取舰船遥感图像分类纹理特征,最后采用多种方法建立舰船遥感图像分类器,并对它们进行加权组合,输出舰船遥感图像的最终归属。仿真测试结果表明,本文方法获得了比单分类器更优的舰船遥感图像分类正确率,舰船遥感图像分类结果更加可靠。     

云计算的舰船网络入侵行为分类模型

当前舰船网络具有规模大、复杂多变的特点,网络入侵行为种类繁多,传统舰船网络入侵行为分类模型无法满足实际应用的需求。为了更好地保证舰船网络通信安全,对各种舰船网络行为准确分类,设计云计算的舰船网络入侵行为分类模型。构建云计算的舰船网络入侵行为分类模型的框架,引入云计算中的MapReduce技术实现舰船网络入侵行为并行分类,并采用BP神经网络实现单个节点的舰船网络入侵行为分类过程。最后,采用Hadoop搭建舰船网络入侵行为分类平台,并进行舰船网络入侵行为分类实例分析。结果表明,本文模型在保证高正确率舰船网络入侵行为分类结果的基础上,加快了舰船网络入侵行为分类速度,为大规模舰船网络入侵行为研究奠定了一定的技术基础。     

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。     

SVM在合成孔径雷达图像目标识别中的应用

提出一种采用Zernike矩和支持向量机SVM结合对SAR图像中的舰船目标类型进行分类识别的算法。此算法首先对SAR舰船切片图像进行预处理,再采用Zernike矩提取SAR舰船图像切片的旋转不变特征算子;然后,利用支持向量机的方法对目标样本进行训练构造分类器,并采用"一对一"多类方式实现多类舰船目标的识别。最后,仿真建立3类舰船三维模型,并利用本文算法进行分类识别,实验结果表明本文算法能够有效识别舰船目标。     

混沌理论的舰船事故预测

舰船事故的预测具有十分重要的价值,针对舰船事故变化的混沌性,为了解决当前舰船事故预测模型存在的局限性,提出了基于混沌理论的舰船事故预测模型,首先对当前舰船事故预测的研究现状进行分析,指出引起舰船事故预测精度低的原因,然后引入混沌理论建立舰船事故预测的学习样本,并采用最小二乘支持向量机建立舰船事故预测模型,最后通过采用舰船事故预测数据对模型性能进行分析,本文模型的舰船事故预测精度超过95%,而且舰船事故预测误差很低。     

节点信息融合的舰船目标跟踪算法

舰船目标跟踪成为各国关注的热点,针对当前舰船目标跟踪算法存在的跟踪速度慢、跟踪精度低等缺陷,以提高舰船目标跟踪效果为目标,设计了基于节点信息融合的舰船目标跟踪算法。首先采用多个传感器对舰船目标状态信息进行收集,并对信息进行一定融合,减少舰船目标状态信息的重复率,然后引入跟踪-学习-检测技术对舰船目标进行跟踪,最后采用舰船目标跟踪实验测试其性能。结果表明,本文算法可以动态、准确地对舰船目标进行检测和跟踪,相对于当前其他舰船目标跟踪算法,无论是跟踪精度或者是跟踪实时,均具有十分明显的优势。     

舰船维护中机械潜在故障智能预测方法

舰船机械部件是一个非线性系统,舰船机械部件出现故障概率相当高,当前故障预测方法无法描述舰船机械部件故障的不确性,因此舰船机械部件故障预测精度低,为了提高舰船机械部件故障预测精度,克服当前舰船机械部件故障预测方法的缺陷,设计了一种舰船维护中机械潜在故障智能预测方法。首先提取描述舰船机械部件故障类别的特征信息,然后采用BP神经网络对舰船机械部件故障特征信息进行学习,确定相对应的舰船机械部件故障类别,并解决BP神经网络参数确定问题,最后与其他方法进行了对比实验。结果表明,本文方法的舰船机械部件故障预测精度超过95%,远远高于对比方法的舰船机械部件故障预测精度,改善了舰船机械部件故障诊断速度,具有十分广泛的应用前景。     

基于参数优化的舰船电动机故障诊断

相关向量机在舰船电动机故障诊断过程中,参数直接影响舰船电动机故障诊断结果,为了解决当前相关向量机参数优化难题,设计了粒子群算法优化相关向量机的舰船电动机故障诊断方法。首先分析舰船电动机故障诊断现状,并采集舰船电动机工作状态信号,然后提取舰船电动机工作状态信号提取特征,利用相关向量机建立舰船电动机故障诊断模型,并采用粒子群算法对舰船电动机故障诊断模型参数进行优化,最后进行舰船电动机故障诊断仿真实验。结果表明,相对于其他舰船电动机故障诊断方法,本文方法的舰船电动机故障诊断精度更高,故障诊断结果更加可靠,诊断效率更高,具有一定的工程应用前景。     

舰船网络安全信息的智能分类研究

舰船网络一旦被非法者侵入,就会造成舰船机密信息被窃取和泄露的风险,因此及时发现入侵者行为,对于及时规避舰船网络入侵风险具有重要的现实意义。为此,结合深度学习算法进行舰船网络安全信息高精度分类方法的研究十分必要。该研究首先采集舰船网络安全信息数据并进行归一化处理,然后利用深度学习中的深度置信网络模型,提取舰船网络安全信息特征,最后利用随机森林分类器进行舰船网络安全信息类型分类。结果表明:与其他分类方法相比,研究方法应用下,检测率、准确度均更高,而虚警率则较低,达到了高精度舰船网络安全信息分类的要求。     

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。     

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。