舰船用通信网络的异常数据监测技术研究

为了保障舰船用通信网络的数据传输的准确性,提高舰船网络的故障智能分析能力,需要进行异常数据监测,提出一种基于舰船用通信网络传输信号瞬时频率估计的异常数据监测技术。对采集的通信网络输出信号经过时频分解完成时域与频域之间的转换,采用高阶累积量特征提取方法进行舰船用通信网络中的异常数据检测,对检测的异常数据进行干扰和冗余数据滤波处理,完成对舰船用通信网络输出信号的瞬时频率估计,分析瞬时频率的异常状态特征,实现异常数据监测。仿真结果表明,采用该方法进行舰船用通信网络的异常数据监测能提高数据挖掘的准确度,对异常数据检测的虚警较低,抗干扰能力较强。     

基于深度学习算法的舰船通信网络流量估计研究

传统舰船通信网络流量估计算法输出结果与实际流量数值之间的误差较大,导致后期数据流量分析结果可信度降低。为了提升通信网络流量估计准确度,提出基于深度学习算法的舰船通信网络流量估计研究。首先,对通信网络空间中的数据流进行数据流模型建立,获得通信流量基础特征数据;然后,对其流量波动值域范围进行特征计算,以此获得深度学习样本。最后,通过深度学习算法,对样本数据进行学习,通过学习完成对流量估计系数的更新,进而提升估计精准度。通过对仿真数据的对比测试,证明提出的估计算法能够有效减小估计值与实际值之间的误差,满足适应估计场景的应用要求。     

稠密度聚类在舰船网络微弱信号自适应增强中的应用

提升舰船网络信号及整体通信质量,提出基于稠密度聚类的舰船网络微弱信号自适应增强方法.应用稠密度聚类算法检测出舰船网络微弱信号,通过经验模态分解法分解微弱信号,结合小波变换法与奇异谱分析法去除的噪声,实现舰船网络微弱信号增强信.结果表明,该方法能够有效分解所检出微弱信号,并进行分量去噪处理,去噪后各信号分量不仅保留原有细...     

改进卷积神经网络的舰船物联网安全风险估计

现有方法在舰船物联网威胁识别率与缺陷识别率上表现不佳,因此提出一种改进卷积神经网络的舰船物联网安全风险估计方法。对舰船物联网安全风险数据进行分类也就是分类安全风险指标。对于动态类安全风险数据,需要对其进行数据补充。运行类安全风险数据的预处理需要进行数据清理。基础类安全风险数据的预处理需要进行数据变换与数据归一化处理。基于改进卷积神经网络提取舰船物联网安全风险数据特征,使用的改进卷积神经网络为SSD神经网络。基于灰色层次分析、Borda序列、风险矩阵构建舰船物联网安全风险估计模型。对设计方法进行实践应用,测试其舰船物联网威胁识别率与缺陷识别率,结果表明该方法取得了识别率数据上的突破,能够保障舰船物联网的安全。     

基于并行深度卷积神经网络的舰船通信异常数据检测研究

为了提高通信异常数据检测效果,设计基于并行深度卷积神经网络算法的大规模舰船通信异常数据检测方法。采集大规模舰船通信数据,采用小波变换对数据实施降噪处理,将降噪后数据输入并行深度卷积神经网络中,经过模型训练提取特征,利用Softmax分类函数得出舰船通信异常数据特征,输出舰船通信异常数据检测结果。实验结果表明：该方法可有效实现大规模舰船通信异常数据检测,其加速比最高,并行效果最优;具有较强的大规模舰船通信数据集检测能力,提高大规模舰船通信异常数据检测效果。     

卷积神经网络在舰船舵-翼舵联合控制故障预测中的应用

传统预测方法在对联合控制故障进行预测时,未对故障状态变量数据预先处理,导致故障预测的误报率居高不下。因此,提出了卷积神经网络的舰船舵-翼舵联合控制故障预测方法。对故障预测状态变量数据进行预先处理,监测故障预警装置中的状态变量。优化状态变量中的损失函数,累计舰船舵-翼舵联合控制装置损失指数。重组故障预测神经单元结构,对舰船舵-翼舵联合控制故障进行预测。通过实验分析,传统方法 1故障预测误报率最高达到67%,传统方法 2故障预测误报率最高达到87%,基于卷积神经网络的舰船舵-翼舵联合控制故障预测方法故障预测误报率最低为15%。因此,基于卷积神经网络的舰船舵-翼舵联合控制的故障预测方法更好。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能     

舰船发动机燃油电磁阀故障实时诊断方法

基于舰船发动机燃油电磁阀驱动电路,分析电磁阀电流特性与故障情况下的电流特征,发现燃油电磁阀的电流波动,对电磁阀故障具有重要影响。因此,利用小波包分解技术重构电流信号,提取电流信号的频带幅值,将其作为舰船发动机燃油电磁阀不同故障的特征向量,将该特征向量输入多输入层卷积神经网络中,经过训练、测试的多输入层卷积神经网络可以准确输出电磁阀的不同故障类型。实验结果表明,该方法可准确提取舰船发动机燃油电磁阀故障信号中的各类状态特征,诊断出电磁阀正常、弹簧断裂和阀芯卡死的故障类型,可靠性高。     

基于双神经网络通道的时间序列预测框架

为了提高时间序列预测方法的预测精度,提出了一种基于双神经网络通道的时间序列预测框架。双通道框架组合了卷积神经网络和循环神经网络,卷积神经网络通道利用卷积和池化操作提取出时间序列的深层特征,循环神经网络通道能够提取出长序列依赖特征。此外,针对循环神经网络通道,设计了基于注意力机制的改进,提高预测精度。在EEM2016能源价格预测比赛提供的数据集上进行了实验,实验结果表明所提双通道框架可以取得比单通道框架更高的预测精度。     

舰船电力系统通信网络安全智能监测系统

现有的舰船电力系统通信网络安全监测系统所采用的安全监测逻辑,普遍为软件层的异常流量分析方案。在电力数据流量节点并行的异构状态下,此种监测方式存在很大的数据绕行漏洞,严重威胁舰船电力系统通信网络的安全。因此,提出并设计了舰船电力系统通信网络安全智能监测系统。在电力系统信号输出端设计异常流量监控硬件,为监控流量节点的异常行为分析计算提供平台支持;对通信层流量进行异常行为分析计算,锁定存在异常行为的节点位置;然后对异常节点进行针对性拦截提取计算,并搭建正常通信流量与服务器间的交互通道,实现舰船电力系统通信网络的安全智能监测。通过对比实验,对提出设计进行可行性验证。