改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究，可以挖掘出船舶航行过程中有效或潜在的信息，对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而，提出一种改进QuickBundles算法，并对船舶轨迹采样方法和距离度量方式进行改进，选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据，最终实现船舶轨迹的有效聚类。试验结果表明，与原QuickBundles算法和DBSCAN算法相比，改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法，证明改进QuickBundles算法可有效应用于船舶轨迹聚类。     

基于轨迹段DBSCAN的船舶轨迹聚类算法

船舶自动识别系统(Automatic Identification System, AIS)数据中蕴藏着大量的海上交通特征,为挖掘AIS数据中有关船舶运动规律有效的、潜在的信息,提出一种改进型轨迹段DBSCAN(Density-Based Spatitcal Clustering of Applications with Noise)的聚类算法。船位转向角和航速变化量作为信息度量对船舶轨迹进行分段,采用离散Frechet距离作为轨迹相似度度量,利用类似DBSCAN算法对轨迹段进行聚类,得出船舶运动典型轨迹。以天津港为例,采用改进的轨迹段DBSCAN算法对船舶轨迹进行聚类,能从一定程度上提高聚类的效果和准确率,为进一步研究船舶异常行为打下基础。     

船舶电网系统三维点云数据聚类提取分析算法

船舶电网系统结构直接对船舶电力系统运行的稳定性和可靠性产生影响,船舶航行过程中经常出现供电不足等问题,严重威胁船舶航行安全。为解决上述问题,采用三维点云数据聚类算法对船舶电网运行状态和可靠性进行评估计算,并结合可靠性评估计算结果对船舶配电系统结构进行优化设计,将船舶电网系统中的电缆设计为环状结构辐射网,以便保障电力系统运行效果。为了对船舶电网系统三维点云数据聚类提取分析算法的准确性进行检测设计了仿真实验,实验结果证实,三维点云数据聚类提取分析算法可更好的提高船舶电力系统的运行效果,保障船舶航行安全     

海量船舶移动网络流量数据分析处理

船舶移动网络迅猛发展,逐渐成为航运领域的重要组成部分,同时,带来海量移动网络数据,如何承载船舶移动网络海量数据分析业务是航运领域研究的重点。本文研究网络流量数据分析系统和数据预处理技术,提出了模糊聚类算法和朴素贝叶斯分类算法。聚类算法用于分析用户和流量特征,分类算法用于对海量数据进行分类。     

嵌入式船舶运行数据库中信息快速查询方法

针对当前嵌入式船舶运行信息数据库信息查询的开销大,查准率不好的问题,提出基于模糊聚类和相关谱特征提取的嵌入式船舶运行数据库中信息快速查询方法。首先进行嵌入式船舶运行信息资源数据的采集和存储结构分析,提取嵌入式船舶运行信息数据信息流特征,对船舶运行数据进行自相关特征分析,提取反映船舶运行状态特征的相关谱特征量,对提取的谱特征量采用模糊C均值聚类方法进行特征识别和分类处理,提高数据库查询的目标指向性,实现数据库信息快速查询。仿真结果表明,采用该方法进行嵌入式船舶运行数据库中信息查询的查准率较高,实时性较好。     

一种基于数据挖掘的锚泊半径模式提取方法

为了使VTS中心关于走锚半径的设置更加准确,通过对AIS数据的处理,采用聚类方法提取出船舶锚泊时的航次数据,使用关联规则算法对提取的锚泊航次数据进行数据挖掘,建立船舶锚泊半径模式提取规则。将挖掘所得结果与国内外规范计算值进行对比分析,相对误差在可接受范围内。     

基于深度哈希的船舶网络异常数据辨识方法

由于在利用现有方法辨识船舶网络异常数据时,存在漏辨个数以及错辨个数较多的问题,本研究提出一种基于深度哈希的船舶网络异常数据辨识方法。通过减法聚类算法提取船舶网络异常特征,该算法运行速度快,主要用于寻找特征对应的各聚类中心以及聚类数据。然后通过插值算法对船舶网络异常特征的数据实施预处理,补全其中的缺失数据。最后,基于深度哈希方法构建船舶网络异常数据辨识模型,实现对船舶网络异常数据的辨识。通过漏辨个数以及错辨个数的对比实验,证明了该方法的辨识性能更好,具有很强的实用性意义。     

优化的蚁群算法和船舶电网系统云数据聚类和实现

首先分析蚁群聚类算法,并指出其存在的问题;然后给出传统的蚁群聚类算法在船舶电网云数据聚类的实现流程,针对算法中存在的问题,提出利用惯性因子、随机初始化等方式改进和优化算法对船舶电网故障进行诊断;最后通过实验进行说明,优化后的蚁群聚类算法与K-mean算法、粒子群K-mean算法相比具有较好的收敛性。     

船舶电网系统三维点云数据聚类提取

传统船舶电网系统中三维点云数据提取采用逐一提取的方式,造成三维点云数据提取效率不高,为此提出船舶电网系统三维点云数据聚类提取方法。构建三维点云数据聚类提取模型,使用网格空间索引将三维点云数据进行空间标记,并划定数据空间范围,采用八叉树空间数据聚类方法,对三维点云数据进行聚类处理,以STBIRCH理论为基础,进行三维点云数据特征计算,实现三维点云数据提取。实验数据表明,设计的船舶电网系统三维点云数据聚类提取方法比传统提取方法的提取效率高出20%,并具备极高的有效性。     

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。