现代统计学理论的舰船交通数据特征分析

舰船交通数据特征具有非平稳随机性,通过提取舰船交通数据特征信息,实现船舶优化调度,缓解船舶出海拥堵,提出一种基于现代统计学理论的舰船交通数据特征分析方法,根据出海交叉口构造船舶交通网络体系结构,采用统计采样方法进行舰船交通数据的原始信息采集,采集的交通数据有交通流量数据、船舶行程时间、行驶频次,构造水网分布式可靠度的连接函数,以行程时间可靠性为约束指标参量进行舰船交通数据的统计自回归分析,实现舰船交通数据的统计特征提取,从而分析船舶交通的关联规则性信息,实现舰船优化调度。试验结果表明,采用该方法进行舰船交通数据特征分析,能实现对舰船出海流量和拥堵的准确预测评估,数据分析的统计性能较好,准确可靠。     

基于大数据分析的船舶交通特征统计分析

为了降低现阶段船舶交通特征统计分析数据的离散度,提高统计分析质量,提出了基于大数据分析的船舶交通特征统计分析方法。根据数据挖掘结果进行数据初步处理,获取船舶交通数据极值以及样本差和方差,根据当前船舶交通数据流进行数据卡方拟合和分布拟合,获取拟合曲线和曲线函数,根据拟合曲线的实际特征值确定当船舶交通流理论特征值,并在理论特征值中添加边界条件,利用边界矩阵获取实际特征数据集合,实现船舶交通特征统计。仿真实验数据结果表明,应用设计方法统计的船舶交通特征值,极差数据降低了29%,标准差降低了35%,可以有效降低数据离散。     

基于DBSCAN算法的船舶轨迹自适应层次聚类

为更好地从船舶自动识别系统(Automatic Indentification System,AIS)数据中挖掘信息,科学地感知水上交通态势,针对聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)在水上交通情景中的参数选取问题,提出一种基于DBSCAN的船舶轨迹自适应层次聚类方法。通过分析DBSCAN算法的特性,根据数据集内在分布规律及拟聚类效果的变化规律来确定参数;结合统计学理论进行层次聚类,来适应密度分布不均的船舶轨迹数据。以琼州海峡船舶轨迹数据为例,运用VC软件和MATLAB软件进行验证。验证结果表明:该方法能够在大量复杂的船舶轨迹中发现具有相似性的轨迹群,且结果与实际交通流相符,可为航道建设及海事监管等提供辅助决策。     

基于深度学习的舰船电气控制优化

为了更好地保障船舶航行安全,避免船舶设备运行故障,提出基于深度学习的舰船电气控制优化方法,结合深度学习理论对船舶电气运行工频信号进行采集,并对采集数据进行频率特征反馈,为保障信号源处理效果,对船舶电气控制设备结构进行优化,以提高船舶电气控制设备处理能和速度,对船舶电气控制数据信息进行高速反馈和交互处理,从而有效保障舰船电气控制效果,最后通过实验证实,基于深度学习的舰船电气控制优化方法可以更好地保障船舶运行稳定性,充分满足研究要求。     

基于语义的船舶行为动态推理机制

为实现对船舶行为的深入挖掘,建立船舶行为模型,根据模型需求引入语义模型和动态贝叶斯网络,形成基于语义的船舶行为动态推理机制。使用语义网络实现复杂态势下船舶行为领域知识的形式化描述与共享;将语义网络结构转换为动态贝叶斯网络结构并采用水上交通大数据进行参数学习;使用动态贝叶斯网络推理不确定性信息,挖掘深层次的船舶行为和事件。基于长江渡船靠离泊行为的实例验证表明:该船舶行为动态推理模型能准确地识别并预测船舶的动态行为,实现船舶行为的辨识与预警。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

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。     

现代统计学理论的船舶事故发生频率估计研究

随着航海业的蓬勃发展,船舶数目得到大幅度的增长,船舶安全问题成为影响航海业发展的重要因素之一。在以往的船舶事故发生频率估计研究中,对于航线因素考虑不够细致,导致估计结果失真情况时有发生。因此,使用现代统计学理论设计船舶事故发生频率估计方法。获取航线事故数据,对其进行清洗与处理,获取数据之间相互关联性。以GM(1.1)模型为蓝本,使用同质法对航线进行划分,将划分结果带入模型中得到基础事故率,同时构建修正系数函数,确保数据计算结果的可靠性。至此,现代统计学理论的船舶事故发生频率估计方法设计完成。通过实验对比可知,此方法的估计结果与实际事故数相似度较高,估计结果较为可信,在日后的研究中可使用此方法提高船舶事故发生频率的研究深度。     

船舶无线传感网络安全态势异常检测方法

为了更好保障船舶航行安全,避免船舶航行过程中常见的无线传感网络异常导致的船舶航行过程中信号网络信息处理效果不佳的问题,对船舶无线传感网络安全态势异常检测方法进行研究。通过对无线传感网络安全信息进行采集分类,实现对船舶网络信号特征的实时检测和提取。根据检测结果进行无线传感网络安全异常数据的修正,提高船舶网络运行安全。实验证实,船舶无线传感网络安全态势异常检测方法在实际应用过程中具有更高的准确性,可以更好实现对复杂船舶网络数据异常区域进行快速检测和修正的研究目标,从而更好地提高船舶航行安全效果。     

多船舶同时航行中的调度数学模型设计与实现

在多船舶同时行进航道水上交通网络中,船舶拥堵容易导致水上安全事故,需要进行水上航道船舶航行调度。本文针对当前调度模型的吞吐量低,时滞较大的问题,提出一种基于船舶航行流量分簇预测的多船舶同时行进中的调度数学模型。构建多船舶同时行进的通行流量的信息感知模型,采用RFID标签识别技术进行船舶航行流量的数学统计,构建船舶进出港的交通态势预测多元状态方程,以历史测量信息作为先验统计量对方程进行优化求解,实现船舶航行流量分簇预测,以此为信息统计量进行交通调度。仿真结果表明,采用该模型进行多船舶同时行进调度,能提高单位时间内的航道通行量,且对航道船舶流量的预测精度较高,调度的时间开销较小。