舰船维修数据云总线协议深度挖掘算法

现有的舰船维修数据深度挖掘算法,存在着数据挖掘深度浅的缺陷。为了解决上述问题,提出舰船维修数据云总线协议深度挖掘算法研究。依据算法需求编写云总线协议,采集并获取舰船维修数据,以此为基础,利用等深度分段方法离散化处理维修数据,依据离散化处理完成的维修数据,通过粗糙集约简算法得到最优舰船维修数据集,实现了舰船维修数据云总线协议的深度挖掘。通过仿真对比实验结果表明,与现有的舰船维修数据深度挖掘算法相比较,提出的舰船维修数据云总线协议深度挖掘算法极大的加深了数据挖掘的深度,充分说明提出的舰船维修数据云总线协议深度挖掘算法具备更好的数据挖掘效果。     

大数据分析下海上舰船需求信息资源预测方法

当前预测方法无法适应海上舰船需求信息资源大规模、海量的变化特点,使得海上舰船需求信息资源预测误差大,结合海上舰船需求信息资源的变化特点,以降低海上舰船需求信息资源预测误差为目标,提出了大数据分析下的海上舰船需求信息资源预测方法。首先分析海上舰船需求信息资源的研究进展,并采集相应的数据集合,然后采用大数据分析技术跟踪海上舰船需求信息资源的变化趋势,达到预测海上舰船需求信息资源的目的,最后在Matlab 2018环境中进行海上舰船需求信息资源预测实验。结果表明,大数据分析方法的海上舰船需求信息资源预测精度平均值高于95%,海上舰船需求信息资源预测误差控制在实际应用的有效区间内,获得了比其他方法更优的海上舰船需求信息资源预测结果。     

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。     

舰船能耗预测的云数据挖掘

能耗是舰船工作过程一个重要评价指标,针对当前舰船能耗预测方法存在预测错误率高、建模速度慢等不足,提出一种舰船能耗预测的云数据挖掘技术。首先分析国内外对舰船能耗的预测方法,找到各种舰船能耗预测方法的缺陷和不足,然后收集舰船能耗预测的数据,将云平台作为舰船能耗预测的建模环境,采用数据挖掘建立舰船能耗预测模型,最后进行舰船能耗预测效果的测试实验。云数据挖掘技术的舰船能耗预测精度超过了95%,可以描述舰船能耗预测的变化特点,对于大规模舰船能耗数据,本文方法的预测时间明显短于当前其他舰船能耗预测方法,具有十分明显的优势。     

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。     

舰船上层建筑振动特性的数学模型设计

针对当前数学模型无法描述舰船上层建筑振动特性的变化规律,为了提高舰船上层建筑振动特性预测精度,设计一种蚁群优化算法和神经网络相结合的舰船上层建筑振动特性预测数学模型。首先对当前各种舰船上层建筑振动特性预测数学模型的优缺点进行阐述,然后采用神经网络对舰船上层建筑振动特性变化规律进行拟合,并采用蚁群优化算法确定神经网络相关参数,最后进行舰船上层建筑振动特性预测数学模型的性能测试。结果表明,蚁群优化算法和神经网络相结合的舰船上层建筑振动特性预测精度高,不仅预测误差远低于当前其他舰船上层建筑振动特性预测数学模型,而且预测效率也得到了改善,为解决舰船上层建筑振动特性预测问题提供了一种新的研究方法。     

基于支持向量机的舰船维修费用组合预测研究

在费用预测中,利用单一模型往往存在着信息不足的缺陷。为了提高舰船维修费用的预测精度和稳定性,采用支持向量机（SVM）回归算法,把几种单一预测模型结果作为输入,实际值作为输出,然后用足够多的预测案例训练学习机器,在各组合的模型预测结果与实际之间得到一种非线性映射关系,从而建立了非线性组合预测模型。最后,以某型舰船维修费用为例,对指数平滑法、灰色预测和参数法3种方法的预测结果进行仿真,结果表明此法较传统的单一模型预测法具有更高的预测精度。     

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%。     

神经网络算法的舰船间距快速预测

间距预测是保证舰船航行安全的重要技术,传统方法存在舰船间距预测不准确,精度低等不足,为了提高舰船间距预测精度,提出基于神经网络算法的舰船间距快速预测模型。首先分析当前舰船间距预测的研究现状,找到引起舰船间距预测不足的因素,然后引入神经网络算法对舰船间距变化特点进行深入挖掘,建立舰船间距快速预测模型,最后采用VC++6.0编程程序实现舰船间距快速预测仿真实验,结果表明,神经网络算法的舰船间距预测精度超过90%,远远高于其他舰船间距预测模型,而且舰船间距预测速度快,减少了舰船间距预测的时间,具有比较明显的优越性。     

基于机器学习算法的舰船故障数据自动分类

舰船故障数据种类多,变化复杂,当前方法无法实现高精度的舰船故障数据自动分类,使得舰船故障数据自动分类精度难以满足实际应用的要求。为了获得理想的舰船故障数据自动分类结果,本文构建了一种基于机器学习算法的舰船故障数据自动分类方法。对当前国内外的舰船故障数据自动分类文献进行分析,并提出机器学习算法的舰船故障数据自动分类框架。通过传感器采集舰船故障数据,从中提取描述数据类型的特征集合。最后引入机器学习算法描述特征与舰船故障数据类型之间的联系,从而实现舰船故障数据自动分类,并通过仿真验证性实验分析其效果。相对于传统舰船故障数据自动分类方法,机器学习算法的舰船故障数据自动分类精度明显增加,舰船故障数据自动分类速度也得到了一定程度的提升。     

浅析数据挖掘技术

数据挖掘技术结合了机器学习、统计分析以及数据库等技术,能够高度自动化地分析原有数据,从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识,并做出归纳性的推理,以帮助决策者最终认识数据的真正价值。     

多媒体数据压缩技术-MPEG解析

介绍了数据压缩的必要性以及国际上几种通用的数据压缩标准,并重点介绍了MPEG标准的几个版本.     

潮汐数据的达尔文分析与调和分析的对比研究

潮汐数据分析法是提取潮汐变化规律的方法,其准确与否直接影响人类在海上的各项实践活动。达尔文分析法(镂孔格方法)和调和分析方法(杜德森方法)是最常用和实用的2种标准潮汐分析方法。文章对上述2种不同时期的方法进行了对比,并通过实测数据的试验分析,评定了2种方法分析结果的精度。     

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。     

基于大数据分析的船用通信网络优化调度算法

为了提高船用通信网络优化调度效果,设计了基于大数据分析的船用通信网络优化调度算法。首先分析了船用通信网络优化调度原理,指出了影响船用通信网络优化调度结果的因素,然后收集船用通信网络优化调度的数据,采用大数据分析方法中的相关向量机和时间分析算法对船用通信网络优化调度问题进行建模,最后进行了船用通信网络优化调度算法性能的测试实验。结果表明,大数据分析算法解决了当前船用通信网络优化调度中存在的一些难题,提高了船用通信网络优化调度精度,船用通信网络优化调度时间得以减少,提升了船用通信网络优化调度效率,具有一定的实际应用价值。     

舰船海上数据浮标的水动力分析

由于受到人为等因素的影响,使得我国海洋中的自然灾害发生频率有所增大。因此,加大对海洋环境的监测力度显得尤为必要。舰船海上数据浮标通过搭载相关的仪器设备能够对海洋水文信息进行观测,依托这些信息可以为海洋资源的开发利用和各类灾害的防控提供可靠依据。为了确保海上数据浮标搭载的各种仪器设备能够保持稳定运行,必须确保浮标本身的可靠性。本文从舰船海上数据浮标的作用入手,分析了舰船海上数据浮标的水动力。     

高层建筑物沉降监测数据综合分析的几种方法

高层建筑物在建筑施工期间,随着主体荷载的增加,必然造成主体规则或者不规则的下沉.究竟下沉量有多大,下沉是否均匀以及主体在封顶以后的一段时间内是否趋于稳定,都是检验工程质量的标准之一.因此对高层建筑物沉降监测数据进行综合分析,并在此基础上对停止监测以后的一段时间内建筑物的沉降趋势作出预测是非常必要的.本文把线性回归模型、时间序列模型、灰色系统预测应用到建筑物沉降监测数据的综合分析中,并给出实例分析,取得了良好的效果.     

基于PIV实验数据的螺旋桨尾涡结构分析

为了预报螺旋桨非定常水动力性能,针对大量的螺旋桨尾流场二维PIV试验数据,分析了尾流中尾涡片经过区域速度的分布情况,分析了螺旋桨尾涡结构。获得了速度亏损、涡片分层等诸多尾流特征,获得了螺旋桨尾涡静态结构特征以及该结构特征在尾流中的演化。文中分析所获得的定量信息可以为螺旋桨设计以及螺旋桨非定常水动力性能预报提供帮助。     

CPTU数据与土体物理指标的相关性分析

根据港珠澳大桥勘察工程中应用的大量孔压静力触探试验数据与室内土工试验结果进行统计对比研究,发现CPTU数据与土体的细粒含量、天然密度、黏性土含水量、孔隙比和液性指数之间存在很好的相关关系。基于这些相关关系,为该区域利用CPTU数据评估土体的物理指标提供了一种新的途径。     

船舶交通数据分析及定线制方案表达

针对船舶定线制设计中对船舶交通数据分析及方案表达的需求,提出符合船舶定线制设计的数据分析方法,通过通航分道、警戒区、沿岸通航带等表达方式,将船舶定线制方案准确地表达在电子海图上,实践表明该方法具有一定的通用性。