大数据技术在舰船导航模式识别中的应用

针对现有导航模式识别方法无法获得精确且完整的导航轨迹信息,致使识别准确率无法满足舰船的安全性需求,故提出大数据技术在舰船导航模式识别中的应用。将舰船雷达与AIS目标点迹表示为因素集合,并构造综合因素关联隶属度函数,通过双门限关联算法对舰船导航点迹关联性进行判定,应用大数据技术融合处理关联的雷达与AIS目标轨迹信息,以此为基础,通过附加动量法改进BP神经网络算法,将融合后导航轨迹信息输入至改进BP神经网络算法中,输出即为导航模式识别结果。实验数据显示,与应用文献[4]方法相比较,应用大数据技术的导航轨迹方差较小,为导航模式识别提供更精确的数据支撑。     

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。     

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。     

基于时效性的舰船无线传感器网络修复方法

本文针对舰船无线传感器网络运行过程中因节点失效而产生多个覆盖空洞以及节点发生故障前所收集到的舰船航行数据丢失问题,提出一种基于时效性覆盖空洞修复(Timeliness Coverage Hole Repair, TCHR)算法。首先,基于备选移动节点的可持续最大移动时间,得到可选移动节点ID序列。然后,以可选移动节点总修复时间最小化为准则构造出目标函数。最后,构建时间代价矩阵,并基于匈牙利算法求得最优分配方案。所提算法能避免舰船航行数据丢失并选派合适的移动节点至相应的覆盖空洞处,从而完成舰船网络中多覆盖空洞及时修复的任务。仿真结果表明了所提算法的可行性与有效性。     

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。     

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。     

基于XML的舰船通信网络监控数据优化集成

当前的数据集成采用将数据映射至同一中心库的方式实现数据集成,应用于异构环境下会出现数据耦合较大、处理复杂性高的问题。就上述问题,设计基于XML的舰船通信网络监控数据优化集成方法。对舰船通信网络不同来源的数据标准化处理后,依据基于模型驱动的转换原理进行数据库映射,从而建立监控数据集成虚拟库。消除虚拟库中不同类型的元数据语义冲突后,利用决策树算法实现监控数据集成。仿真测试验证设计的集成方法处理时间明显缩短,集成后数据的最低利用率可达88.6%,有效降低数据耦合度,提高了数据可用性。     

基于协同过滤的舰船营运数据挖掘算法研究与实现

传统的舰船营运数据挖掘算法存在着性能较差的缺陷,为此提出基于协同过滤的舰船营运数据挖掘算法研究与实现。将采集的多种数据来源的舰船营运数据进行集成,以得到的舰船营运数据集成为依据,构建矩阵分解模型,得到用户对舰船营运数据预测评分矩阵,采用分层随机梯度下降法对预测评分矩阵进行求解,以得到的预测评分为基础采用协同过滤算法实现了舰船营运数据的挖掘。通过实验得到,提出的舰船营运数据挖掘算法的RMSE参数平均值比传统算法小了0.34,说明提出的舰船营运数据挖掘算法具备更好的性能。     

大数据背景下船舶移动网络信息安全风险预测模型

为解决船舶移动网络风险识别响应速度较慢的问题,在大数据背景下,研究船舶移动网络信息安全风险预测模型。通过对网络信息安全风险数据信息特征挖掘和采样分析,筛查干扰信号的特征指标,快速识别异常信息并进行预警。实例测试结果表明,在实际应用过程中,该模型的预测精度和响应速度较高,可有效提高船舶移动网络信息安全性,为船舶航行保驾护航。     

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。     

云计算的舰船网络入侵检测算法研究

普通入侵检测方法,不能在舰船保持运动状态情况下,准确判断入侵数据所处位置,并快速清除入侵数据。为解决此问题,搭建基于云计算环境的舰船网络入侵检测算法。通过数据捕捉模块的搭建、数据预处理模块的搭建,完成云计算运行环境的搭建。通过舰船网络总体结构的搭建、入侵检测算法的优化,完成算法的搭建。引入PSO法则,对算法的实现起到一定约束作用。设计对比实验结果表明,新型算法与普通方法相比,可以准确判断入侵数据所处位置,并大幅节省清除入侵数据所需时间。     

大数据分析下舰船通信网络链路故障恢复方法

传统船舶通信网络链路故障恢复方法存在链路层故障定位不准确的问题,导致后续故障恢复无法有效对数据链路层进行数据信道重建,影响大数据通信信息的交互。为此,提出大数据分析下舰船通信网络链路故障恢复方法。在大数据分析技术基础上,采用神经网络算法对舰船通信网络链路故障进行定位,设计链路层策略恢复方法,实现链路层交互信道恢复。仿真结果表明,所提方法可有效解决传统链路故障恢复方法中存在的问题,其链路故障恢复率最高可达99.8%,具有一定实际意义。     

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。     

基于协同过滤的舰船通信网络告警数据多维度分析方法

面对当前舰船通信网络多维度告警数据,传统分析方法已经无法满足实际需求,导致虚警率过高,浪费了大量资源。为此,提出一种基于协同过滤的舰船通信网络告警数据多维度分析方法。该方法主要分为3部分,首先利用基于XML的集成技术采集舰船通信网络多维度告警数据,然后利用主成分分析方法(PCA)进行数据降维,最后利用协同过滤算法对告警数据进行分类,按照类别进行具体分析,以此为依据提出相应的告警解决方法。结果表明,与传统方法相比,利用基于协同过滤的方法进行舰船通信网络告警数据多维度分析后,虚警率有所降低,为舰船通信网络的正常运行提供了重要的保障。     

深度学习算法的舰船无线网络安全分析

针对传统网络安全分析方法实际需求的无线网络数据量过大,导致实际安全分析范围过小的问题,研究深度学习算法的舰船无线网络安全分析过程。控制舰船网络攻击要素,设定数据控制条件,获取多个网络信息组合,利用深度学习算法计算无线中断概率,综合网络保护域技术定义安全数值关系,实现对无线网络的安全分析。模拟设定支持舰船无线传输的网络结构,设定舰船通信点,对2种传统安全分析方法与所设计的安全分析方法进行实验,结果表明所设计的安全分析方法可分析的安全范围最大。     

基于云计算的舰船网络被动数据快速关联算法

传统的网络被动数据关联算法存在计算复杂,迭代次数过多的问题。为此提出基于云计算的舰船网络被动数据快速关联算法。采用目标假设的方法,去除被动数据中的虚假目标,构建约束条件,初始化拉格朗日乘子,通过云计算的方式求取目标函数对偶解,获得关联数据结果集,实现舰船网络被动数据快速关联。测试结果表明,与传统的被动数据关联算法相比,舰船网络被动数据快速关联算法利用云计算,简化了运算,减少了迭代次数,使得算法快速收敛。     

舰船复杂网络跟踪目标信息传输安全性评估分析

信息传输安全性评估分析对舰船复杂网络跟踪目标研究具有十分重要的意义,由于信息传输安全具有随机性和时变性,当前分析方法难以获得高精度的舰船复杂网络跟踪目标信息传输安全性评估结果,为了获得更优的信息传输安全性评估效果,提出基于神经网络的舰船复杂网络跟踪目标信息传输安全性评估分析方法。对当前舰船复杂网络跟踪目标信息传输安全性评估分析进展进行研究,指出各种方法的局限性和不足。采集大量的舰船复杂网络跟踪目标信息传输安全样本数据,引入神经网络描述舰船复杂网络跟踪目标信息传输安全变化趋势,从而建立相应的分析模型。最后在Matlab 2018平台上进行具体的实验,分析本文方法的性能。结果表明,本文方法的舰船复杂网络跟踪目标信息传输安全性评估精度超过了92%,且评估时间极短,有效说明了本文方法的舰船复杂网络跟踪目标信息传输安全性评估结果明显优于当前其他方法。     

物联网技术在舰船网络安全监测预警中的应用

为了提升网络通信的安全性,提出基于物联网技术的舰船网络安全监测预警方法。感知层利用传感器采集舰船网络设备数据;传输层中数据传输单元依据传输控制协议,封装打包各传感器采集的舰船网络数据,并传输至融合层;融合层中数据融合单元,利用加权融合算法,融合各传感器采集的网络数据;应用层中网络安全监测单元,利用集对分析算法,结合融合后的网络数据,计算舰船网络安全态势值,监测舰船网络的安全态势;利用网络安全预警单元对比分析安全态势值与设置阈值,当安全态势值低于设置阈值,则发出警报,实现舰船网络安全预警。实验证明,该方法可有效融合舰船网络设备相关数据,精准监测舰船网络的安全态势,完成网络安全监测预警。     

物联网环境下舰船监控网络高维异常数据挖掘方法

为了准确识别物联网环境下舰船监控网络高维异常数据,针对当前识别方法存在的误差大、速度慢等不足,提出一种物联网环境下舰船监控网络高维异常数据挖掘方法。首先分析当前物联网环境下舰船监控网络高维异常数据识别的研究现状,指出各种方法的局限性,然后结合舰船监控网络异常数据的高维特点,引入解决了"维数灾"问题的支持向量机对舰船监控网络高维异常数据进行挖掘,找到舰船监控网络异常数据的变化趋势,最后通过仿真实验分析了其有效性和优越性。结果表明,本文方法提高了舰船监控网络高维异常数据识别正确率,误识率明显下降,减少了舰船监控网络高维异常数据识别时间,可以对大规模舰船监控网络高维异常数据进行处理,具有广泛的应用前景。     

舰船网络异常通信行为识别研究

舰船网络异常通信行为变化不仅具有规律性,同时具有随机性,当前方法无法挖掘舰船网络异常通信行为的复杂变化特点,使得舰船网络异常通信行为识别实时性和准确性差。为了获得更优的舰船网络异常通信行为识别结果,提出神经网络算法的舰船网络异常通信行为识别模型。首先描述舰船网络异常通信行为识别原理,然后将舰船网络异常通信行为识别看作问题,引入神经网络算法对其进行建模,在舰船网络异常通信行为识别建模过程中,引入粒子群算法解决神经网络参数确定的难题,最后进行舰船网络异常通信行为识别测试实验。结果表明,神经网络算法获得了准确性较高的舰船网络异常通信行为识别结果,而且由于神经网络收敛快,使得舰船网络异常通信行为识别实时性好,具有良好的推广应用价值。