基于大数据的舰船通信网络信息资源提取方法分析

常规通信网络信息资源提取方法应用于舰船通信网络信息资源提取中,存在信息资源提取误差较大的不足,为此提出基于大数据的舰船通信网络信息资源提取方法分析。依托大数据标记函数,搭建舰船通信网络信息标记规则,对目标函数建立索引;依托高性能检索机制,实现舰船通信网络信息资源提取,完成基于大数据的舰船通信网络信息资源提取方法分析。试验数据表明,提出的通信网络信息资源提取方法较常规信息资源提取方法,信息资源提取误差降低38.64%,适合舰船通信网络信息资源的提取。     

舰船通信网络大数据的存储机制设计

受数据库存储容量的影响,传统的舰船通信网络大数据存储机制存在存储误差高的问题。针对这一问题设计舰船通信网络大数据存储机制,存储架构分为前置通信平台数据库、生产数据库、关系数据库、分析数据库,建立检索机制,标记通信函数,确定初级编码函数值,明确特征信息,通过路由服务器、配置服务器、数据分片优化设计存储机制私有云。实验结果表明,相较于常规的存储机制,给出的舰船通信网络大数据存储机制信息存储误差降低了37.32%,更适用于舰船通信。     

舰船移动网络信息安全大数据集成模型

移动网络是保障舰船作战能力发挥的关键,舰船任务量的剧增,使得移动网络信息呈"井喷式"增长,给安全大数据的获取与应用带来了较大的阻碍,由此,提出舰船移动网络信息安全大数据集成模型。基于正则表达式原理,半自动化地抽取并转换安全大数据,搭建数据关联关系并行发现框架,计算数据之间的相似度,确定BP神经网络算法的最佳权值,执行BP神经网络算法分类并融合安全大数据,从而实现舰船移动网络信息安全大数据的集成。实验数据显示:数据集成平均耗时趋于1 s,并低于最小限值,具备较好的实时性。     

云计算下环形网络大数据协同挖掘方法研究

为提高传统数据挖掘方法的数据挖掘有效性,提出了云计算下环形网络大数据协同挖掘方法,基于数据集的选取,确定大数据协同挖掘范围,根据数据的预处理与集成处理,实现对挖掘数据的特征提取分析,利用数据的归约与离散化分析,完成云计算下环形网络大数据的协同挖掘,实验数据表明,提出的大数据协同挖掘方法,较传统挖掘方法挖掘有效性提高47.29%,适用于云计算下环形网络大数据的协同挖掘。     

舰船通信网络海量数据的均衡化控制技术

针对传统舰船通信数据均衡化控制技术中的数据跳频问题,提出一种舰船通信网络海量数据的均衡化控制技术。为防止数据跳频提供良好的系统基础,引进直方均衡化算法,保证数据的稳定性,避免出现数据的堆积,而产生反向输送,有效的扼制数据跳频现象。为了验证本文设计的舰船通信网络海量数据的均衡化控制技术的有效性,设计了对比仿真实验,通过实验结果表明,本文设计的舰船通信网络海量数据的均衡化控制技术能够有效的对海量数据进行管理,同时解决了数据跳频问题。     

舰船大数据网络干扰信息高效识别方法

传统方法忽略了对船舶大数据网络干扰信息瞬时特征参数的获取,导致识别精度偏低,为此提出并设计了一种干扰信息的高效识别方法。对大数据网络中的不同干扰信息进行离散化处理,以提取准确的特征参数,对干扰信息进行修正与降噪处理后,采用决策分类的方式,对船舶通信过程中产生的干扰信息进行识别计算,实现干扰信息的高效识别。实验结果表明,高效识别方法能够将大数据网络中的干扰信号准确识别出来,较传统方法的识别精度高出了31.7%,具备极高的有效性。     

舰船通信网络中的数据加密技术

数据加密技术是保证舰船通信网络安全的重要技术,当前数据加密技术存在易破译、数据加密速度慢,密钥的安全性差等问题。为了提高舰船通信网络数据的安全,设计了一种舰船通信网络的数据组合加密技术。首先分析舰船通信网络数据加密的工作原理,然后采用对称密钥迭代型分组密码算法和椭圆曲线加密算法对舰船通信网络数据进行组合加密,最后进行了舰船通信网络数据加密仿真测试。结果表明,本文技术可以提高舰船通信网络数据安全性,能够对舰船通信网络数据进行安全、完全整传输,克服了当前数据加密技术存在的局限性,可以满足舰船通信网络数据保护。     

大数据资源调度下舰船通信信息全同态加密研究

舰船通信信息加密时电路压缩和自举过程计算复杂,涉及大量的大整数乘法运算,导致最终加密安全性不高,针对这一不足,研究一种大数据资源调度下舰船通信信息全同态加密方法。首先转换处理舰船信息密钥,在大数据资源调度下,设定一个整数环,降低加密过程的计算量,设定控制信息熵,控制信息字节流加密过程,完成对大数据资源调度下舰船通信信息全同态加密的研究。实验准备不同硬软件参数的宿主PC及虚拟机,搭建一个MapReduce集群来模拟舰船通信传输过程,采用2种传统加密方法与之对比,控制不同的加密时间。结果表明,本文研究的全同态加密方法计算得到的安全系数更大。     

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。     

大数据驱动和分析的舰船通信网络流量智能估计

以准确估计舰船通信网络流量为研究核心,提出基于大数据驱动与分析的舰船通信网络流量智能估计方法。该方法以大数据驱动和分析领域中的经验模态分解、卷积神经网络为技术核心,使用基于改进集合经验模态分解的舰船通信网络信号降噪方法,去除舰船通信网络信号中噪声;构建去噪后舰船通信网络信号中的流量时间序列图,凸显通信网络流量在各个时间段的变化特征之后,将舰船通信网络流量时间序列图中的时间序列,作为基于卷积神经网络的网络流量预测方法的预测样本,提取舰船通信网络细节信号的时间序列,估计流量的趋势信息与时间信息,实现舰船通信网络流量智能估计。经测试：该方法对舰船通信网络流量智能估计后,估计结果与实际流量基本一致。     

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%。     

舰船移动网络大数据切片流概率稳定调控研究

现有的舰船移动网络大数据切片流概率稳定调控方法,存在着调控跨度较大的缺陷,为此提出舰船移动网络大数据切片流概率稳定调控方法。采用GCC编译舰船移动网络大数据中间表示,以此为基础,经过迭代计算完成网络大数据的切片,并得到大数据切片流概率,以切片流概率为依据,构建贝叶斯网络-概率模型,稳定调控大数据切片流概率,实现了舰船移动网络大数据切片流概率的稳定调控。实验结果表明,与现有的舰船移动网络大数据切片流概率稳定调控方法相比,提出的舰船移动网络大数据切片流概率稳定调控方法极大地降低了调控跨度,充分说明提出的舰船移动网络大数据切片流概率稳定调控方法具备更好的调控效果。     

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     

基于hadoop的舰船通信网络数据并行处理方法

舰船通信网络数据量的显著提升对数据处理性能提出更高要求,为提升数据处理效率,研究基于hadoop的舰船通信网络数据并行处理方法。设计由数据应用层、数据处理层和数据存储层共同组成的基于hadoop的舰船通信网络数据并行处理架构：数据应用层作为用户与数据处理架构的交互工具,将所采集的数据上传至架构内;数据处理层运行MapReduce程序实现数据存储、解析与聚类等并行化处理;数据存储层采用HBase与HDFs等多种不同的存储方式存储舰船通信网络数据。实验结果显示,该方法可实现准确的舰船通信网络数据聚类,大幅节省数据处理时间,在数据量较大的条件下具备较好的数据处理加速比。     

大数据环境下舰船数据多信道并行调度方法分析

传统舰船数据并行调度方法存在调度速度慢、识别准确率差等问题,为解决这一问题,对大数据环境下舰船数据多信道并行调度方法进行分析。分析过程中,确定数据多信道并行调度规则,以此为基础对数据多信道并行干扰波进行处理,将处理后数据机械能多信道并行调度输出,并对其调度方法进行优化,从而完成整体数据调度。实验数据表明,提出的多信道并行调度方法具有更可靠的调度速度以及并行识别准确率。     

大数据资源调度下船舶网络信息传输方法优化

为解决常规船舶网络信息传输方法传输稳定性较低的不足,提出了大数据资源调度下船舶网络信息传输方法优化,基于多进程的船舶网络信息传输整合,优化船舶网络通信PCI地址映射机制,改善船舶数据传输信息的打包方式,完善船舶无线网络信息传输协议,实现大数据资源调度下船舶网络信息传输方法优化,实验数据表明,提出的船舶网络信息传输方法较常规传输方法,传输稳定性提高25.71%,适合于大数据资源调度下的船舶网络信息传输。     

舰船通信网络异常数据的弱关联定位技术

在舰船通信网络异常数据的弱关联定位中,由于使用传统弱关联定位技术的定位误差较大,因此提出一种舰船通信网络异常数据的弱关联定位技术,利用Netflow系统对舰船通信网络异常数据进行提取,通过相空间重构技术处理异常数据提取结果,并利用极限学习机进行数据挖掘,建立舰船通信网络异常数据弱关联定位模型,从而实现异常数据的弱关联定位,通过对比实验可知,该技术的最大定位误差比基于支持向量机的异常数据弱关联定位技术低21.1%;比基于特征遗传算法的异常数据弱关联定位技术低16.4%,证明了该技术更适用于舰船通信网络异常数据的弱关联定位。     

舰船编队通信网络混合数据智能调度方法

为避免舰船编队通信网络在数据传输时出现网络堵塞和冲突,提高数据传输速率,研究舰船编队通信网络混合数据智能调度方法。分析舰船编队通信网络结构,根据舰船通信网络状态,构建混合数据智能调度优化目标函数,基于深度学习网络的优化方法,获取最佳混合数据智能调度方案。经实验验证可知,该方法可有效降低混合数据传输时延与路由开销,提高分组投递率,避免通信网络发生堵塞现象。     

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。