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。     

一种面向船舶制造的数据关联规则挖掘算法

针对船舶制造海量数据关联规则挖掘过程中,事务集占用空间过多导致挖掘效率较低的问题,提出一种基于局部敏感位图存储结构(locally sensitive hash bitmap,LBM)的LBM-Eclat算法。该算法结合了局部敏感哈希和位图2种数据结构,并可以根据存储数据量的变化动态调整内部数据存储结构。通过对比实验证明基于LBM的LBM-Eclat算法能够有效提升对密集型数据集的挖掘效率,同时减少挖掘过程中的空间消耗。     

关联规则挖掘技术在可靠性信息系统中的应用

介绍可靠性信息系统的原理和体系框架,将先进的数据挖掘技术应用于可靠性信息系统中,并以此作为可靠性管理和决策的依据,详细讨论一种具体的数据挖掘技术-关联规则挖掘技术的基本原理、流程和应用过程.     

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。     

基于关联规则的船舶故障数据自动分类方法

为了提高船舶故障诊断能力,需要进行故障数据的自动分类设计,提出基于关联规则的船舶故障数据自动分类方法。构建船舶故障数据的数据信息流模型,采用高维特征分组方法进行船舶故障数据的分组重构,采用分段线性检验方法进行船舶故障数据的统计特征分析,提取反映船舶故障类别属性的关联规则向量集,根据特征提取结果进行模糊聚类处理,实现船舶故障信息融合,结合自适应分组检测方法,实现船舶故障数据关联规则的自动分类。仿真结果表明,采用该方法进行船舶故障数据自动分类的自适应性较强,误分率较低,提高了船舶故障的诊断检测能力。     

基于多假设的航迹关联方法研究

提出了一种基于多假设思想(MHT)的航迹关联方法,将多平台多目标航迹关联问题转化为假设树的构建和管理问题,利用树形结构特征进行快速剪枝,极大地减少了错误假设的冗余计算量。先通过航迹粗精两级关联,形成关联假设,然后设计基于关联假设的航迹关联假设树,根据关联假设历史累积的关联质量搜索最优关联解。这种关联能充分利用航迹的各种特征信息和历史累积信息来提高关联的正确性和实时性。仿真计算表明,该算法具有较高的正确关联率,在复杂环境下达到了良好的效果。     

基于无人水面艇感知网的目标船航迹关联与数据融合

针对现有无人水面艇（Unmanned Surface Vehicle,USV）在航行过程中感知周围航行目标时出现的数据源单一、数据延迟、数据丢失等问题,提出一种基于USV搭载的航海雷达和全球定位系统（GPS）数据源的USV海上航行目标感知数据融合方法。基于最小误差法提出雷达原始图像数据解析算法,并采用数据剔除、时间空间统一方法完成对目标数据预处理,构建基于欧氏距离和马氏距离的航迹关联算法模型、基于层次分析法（Analytic Hierarchy Process,AHP）和专家评价法的融合数据权重分配模型。同时,开展USV试验研究,验证整体融合方法。结果表明,目标原始数据预处理方法合理可靠,融合算法稳定可信,可为USV海上航行目标感知、安全航行及快速避碰提供技术和算法支持。     

船舶碰撞事故数据关联挖掘研究

首先阐述关联数据挖掘过程;然后为了分析船舶碰撞事故发生的原因,从创建数据源、进行数据离散化等出发建立船舶碰撞事故数据关联挖掘模型;最后根据所建立的模型,从用户所关注的时间、管辖区、船舶参数等方面进行验证数据挖掘模型的有效性。     

基于匈牙利求解的航迹关联算法研究

针对多传感器数据融合系统中,航迹关联是按一定准则连接具有共同源的航迹的分配过程,引入匈牙利法求解航迹关联问题.通过建立关联矩阵,将航迹关联问题转化为运筹学中的分配问题,采用匈牙利算法求得最优解,获得最佳的航迹配对.仿真试验的结果表明该方法简单有效、计算量小,易于实现.     

舰船机舱监控网络高维感知数据弱关联挖掘研究

舰船机舱监控网络高维感知数据主要包含正常状态数据与异常状态数据,其中异常状态数据规模较大,增加舰船机舱监控网络高维感知数据弱关联挖掘的难度,导致数据弱关联挖掘效率较低,为此设计一种舰船机舱监控网络高维感知数据弱关联挖掘方法。采集舰船机舱监控网络高维感知数据,计算采集到的数据点与数据点之间的紧密联系度,确定异常数据最合适的异常处理时间,在此基础上,对正常感知数据与异常感知数据特征相关性参数进行统计特征分析,对数据弱关联模糊值评估,完成舰船机舱监控网络高维感知数据弱关联挖掘。实验证明,在正常感知数据与异常感知数据弱关联挖掘上,此次设计的方法都比传统2种方法的挖掘效率高。     

多技术集成智能船舶系统构建方法研究

对船舶系统构建中的集成技术进行研究,介绍计算机集成技术、信息集成技术以及智能集成技术。以智能集成技术为重点,给出一种多技术集成的船舶系统故障诊断方法。该方法将神经网络、模糊逻辑、遗传算法3种智能算法进行集成,利用神经网络的自学习能力与遗传算法的计算能力,使得船舶系统故障诊断方法收敛速度快,准确率高。     

基于数据挖掘的船舶航迹自动识别系统

以充分掌握船舶航行动态为目的,设计基于数据挖掘的船舶航迹自动识别系统。该系统使用跟踪监控单元内的海事雷达和船载单片机监控终端获取船舶航行数据后,利用无线通信单元内的无线传感器、网络协调器等设备将船舶航行数据发送至数据存储与集成单元;利用该单元对船舶航行数据进行打包分发、在线压缩和存储等处理。航迹识别单元从数据存储与集成单元内调取压缩存储的船舶航行数据,并对其进行区域航迹提取、坐标转换和时间校准后,再利用基于数据挖掘的轨迹融合方法完成其航迹识别,然后将识别结果发送至展示单元呈现给用户。实验结果表明：该系统在应用过程中其运行稳定性接近99.5%,并且具备良好的通信传输能力;也可在船舶航迹复杂交错和存在其他船舶干扰情况下有效识别目标船舶航迹,应用效果显著。     

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%。     

多维关联数据挖掘技术在远洋船舶调度中的应用

首先描述进行关联规则挖掘的步骤,将其运用到远洋船舶调度数据的深度挖掘中,将关联规则转换成用户感兴趣的属性类,然后根据所关心的属性不同,求出每个属性组合的维度,从而挖掘出其运输频繁的线路,最后通过例子说明本文算法更能满足用户的需求。     

舰船电机控制系统中的不稳定数据挖掘方法研究

本文提出一种基于功率谱密度估计的舰船电机控制系统中的不稳定数据挖掘方法。对舰船电机控制系统中的不稳定数据进行信息与信号模型构建,对不稳定数据进行时域和频域分析与描述,在时频域中进行功率谱密度特征提取,实现对不稳定数据的经验模态分解和多分量幅度调制,增强功率谱密度特征对舰船电机控制系统中的不稳定数据的表征能力,提高数据挖掘性能。仿真结果表明,采用该算法能有效提高舰船电机控制系统不稳定数据挖掘精度,准确检测概率较高,在舰船电机控制系统的运行状态监测和故障诊断分析中具有较好的应用价值。