共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
《舰船科学技术》2021,43(20)
船舶中网络数据较多,传统病毒入侵检测方法不能有效对正常数据与异常数据分类,从而导致网络病毒入侵检测率与误检率较低,基于这一问题,将数据挖掘算法应用到船舶网络病毒入侵检测中。对网络数据采集,采用数据挖掘技术中的聚类分析算法将数据集合中对象划分成若干个类,聚类后形成多个数据集,在此基础上,确认离群点,划分为正常类与异常数据类,采用Apriori算法挖掘离散点中的频繁项集,寻找到病毒入侵中出现的频繁异常数据集,实现船舶网络病毒入侵检测。实验将检测率与误检率作为入侵检测指标,结果表明,此次研究的方法检测率高,并有效降低了误检率,证明所研究的检测方法的有效性。 相似文献
5.
随着网络通信技术的发展,水上通信数据呈现出多元化与复杂化,多维数据交互并行,造成海量数据中部分多维数据出现关联程度差,无法及时被调度交互,致使网络冗余数据量增加,影响网络数据交互识别效率。对此提出水上通信网络海量多维数据弱关联识别方法。首先,通过引入多维聚类算法对网络中的数据进行聚类中心量的计算;然后,根据得到的聚类规则,引入弱关联挖掘算法,对海量数据进行多维度关联计算;接着,通过引入的弱关联定位算法对挖掘出来的数据进行识别定位计算,实现海量数据中弱关联多维数据的精准识别;最后,通过仿真对比实验对提出方法进行验证,证明提出方法具有较强的识别能力,且识别准确性高、稳定性好、可行性强。 相似文献
6.
7.
研究基于轨迹数据的船舶交通密度计算方法,利用精准的船舶交通密度计算结果提升海上交通规划水平。利用AIS设备采集船舶航行轨迹数据,利用均匀参数化方法对所采集的航行轨迹数据重采样处理。将通过重采样处理获取的航行轨迹数据,划分为静止轨迹数据点以及移动轨迹数据点,依据数据点间的欧式距离,以及船舶航行方向、航行速度的相似性,选取基于密度的DBSCAN聚类算法完成轨迹数据聚类。依据船舶航行轨迹数据聚类结果,选取多维密度方法,通过更新船舶经过总数、船舶经过总时间等参数,计算船舶交通密度。实验结果表明,该方法可以依据船舶航行轨迹数据,精准计算船舶交通密度,为海上交通规划提供有效支撑。 相似文献
8.
9.
10.
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。 相似文献