组合优化理论的舰船装备维修费预测

单一模型难以准确对舰船装备维修费用进行建模与预测,为了提高舰船装备维修费的预测精度,设计了一种组合优化理论的舰船装备维修费预测模型。首先分别采用灰色模型和神经网络对舰船装备维修费进行预测,然后确定2种模型的舰船装备维修费预测权值,加权得到最终的舰船装备维修费预测结果,最后采用VC++6.0实现了舰船装备维修费预测仿真测试,仿真结果表明本文模型获得了较高的舰船装备维修费预测精度,相对于单一模型,本文模型的舰船装备维修费预测结果具有比较显著的优势。     

大数据分析下舰船维修数据挖掘算法优化分析

舰船维修数据具有重要的利用价值,当前算法无法有效对其变化特点进行准确挖掘,无法充分发挥舰船维修数据优势,为了提高舰船维修数据挖掘精度,设计了基于大数据分析下舰船维修数据挖掘算法。首先采用单一算法对舰船维修数据进行挖掘,并根据挖掘精度对各种算法进行评价。然后采用大数据分析技术中的包容性检验算法选择最佳的单一模型,并对它们结果进行组合,得到舰船维修数据挖掘结果。最后采用舰船维修价格的历史数据作为实验对象,分析本文方法的优越性。本文方法的舰船维修价格的预测精度要显著高于当前其他数据挖掘算法的精度,而且舰船维修价格预测可信度更优,降低了舰船维修价格预测误差。     

基于主成分分析的舰船装备维修费组合预测

针对基于回归的组合预测模型,由于舰船装备维修费预测时可利用的样本小、可用的单项预测方法多,容易导致预测模型的数量比用于组合预测的样本数量多,出现回归系数无法估计的问题。在建立基于回归的舰船装备维修费组合预测模型前,首先对各单项预测方法预测结果进行主成分分析,建立舰船装备维修费实际值在选取主成分上的回归模型,给出基于主成分分析的组合预测模型;然后针对主成分分析中根据主成分的累积贡献率确定主成分数量具有一定的主观性,建议采用AIC确定主成分的数量;最后,采用实例对给出的方法进行分析和验证。结果表明:在舰船装备维修费组合预测中,该方法不仅解决了预测模型多于用来组合预测的样本数量问题,而且还可以解决单项预测方法之间的共线性问题,且其预测性能明显优于常用的组合预测模型。     

舰船资料数据库中的数据去重复删除方法

舰船资料数据库的数据存在一定量的重复,严重影响舰船资料数据库的工作效率。为了减少舰船资料数据库中的重复数据,降低存储空间,提出一种基于数据挖掘的舰船资料数据库数据去重复删除方法。首先分析当前舰船资料数据库中的数据去重复删除研究进展,找到各种方法的存在的问题与不足,然后提取舰船资料数据库的数据特征,采用数据挖掘技术计算舰船资料数据库数据特征的相似度,最后将相似度与阈值进行比较,删除大于阈值的数据,并进行仿真验证测试实验。结果表明,本文方法能够准确估计舰船资料数据库数据之间的相似度,可以很好地删除重复数据,且舰船资料数据库重复数据删除的速度快,具有一定的应用价值。     

舰船物联网异常节点检测的数据挖掘

异常节点检测是保证舰船物联网安全的关键技术之一。针对当前舰船物联网异常节点检测效果差的缺陷,为获得更优的舰船物联网异常节点检测效果,设计了基于数据挖掘的舰船物联网异常节点检测模型。首先对舰船物联网节点的数据进行分析,并对异常节点和正常节点的信息进行标记,建立舰船物联网异常节点检测的数据集,然后采用数据挖掘技术——极限学习机建立舰船物联网异常节点检测模型,最后与其他模型进行舰船物联网异常节点检测对比测试,测试结果表明,本文模型获得较好的舰船物联网异常节点检测率,而且误检率明显优于对比模型,验证了本文模型的优越性。     

舰船装备维修费预测方法评价准则体系研究

针对舰船装备维修费预测效果评价仅采用单一的精度准则可能导致较大预测风险的缺陷,在分析现有预测评价准则研究现状的基础上,总结了现有的预测方法评价准则,并通过进一步结合对舰船装备维修费预测特点的分析,建立了适合于舰船装备维修费预测方法评价的准则体系。建立的准则体系有利于提高舰船装备维修费预测的可靠性,降低预测风险,为舰船装备全寿命费用预测和舰船装备维修工作提供可靠的基础。     

舰船云计算系统服务器故障的识别模型

舰船云计算系统服务器故障的种类多,故障与特征之间是一种非常复杂的映射关系,传统舰船云计算系统服务器故障识别模型难以获得理想的识别结果。为了克服当前舰船云计算系统服务器故障识别模型存在的不足,设计一种基于数据挖掘的舰船云计算系统服务器故障识别模型。首先采集舰船云计算系统服务器故障识别数据,然后采用数据挖掘技术对舰船云计算系统服务器故障识别数据进行分析和建模,建立舰船云计算系统服务器故障识别的分类器,最后进行了舰船云计算系统服务器故障识别仿真对比实验。本文模型的舰船云计算系统服务器故障识别率高达95%,而且舰船云计算系统服务器故障的误识率要小于当前其他舰船云计算系统服务器故障识别模型,结果验证了本文模型的优越性。     

舰船通信网络异常数据的弱关联定位技术

网络异常直接关系着舰船通信的安全,为了准确对舰船通信网络异常数据进行检测和定位,设计了基于数据挖掘技术的舰船通信网络异常数据弱关联定位技术。首先对舰船通信网络异常数据的定位现状进行分析,指出当前定位技术的不足,然后引入数据挖掘技术对舰船通信网络异常数据变化特点进行刻画,实现舰船通信网络异常数据的弱关联定位,最后采用标准舰船通信网络异常数据集进行有效性测试。结果表明,本文技术可以获得高精度的舰船通信网络异常数据定位结果,而且舰船通信网络异常数据定位误差远远小于当前其他技术,具有十分显著的优越性,研究结果具有一定的理论和实际价值。     

舰船装备维修费预测的数据预处理技术研究

在预测舰船装备维修费时,收集足够多的、准确的费用数据是关键。根据舰船装备维修费的影响因素,将舰船装备维修费预测的相关原始数据分为基础数据、使用数据、维修数据和宏观经济数据,确定了相应的数据收集渠道。分析了收集到的原始数据可能存在噪声、缺失或异常数据、冲击扰动数据、不一致数据的问题,针对性地提供了相应的数据预处理技术,经过处理后的数据可以为舰船装备维修费预测提供良好基础,进一步提高预测的有效性。     

基于BP神经网络的舰船维修成本估计

舰船维修成本估计直接影响舰船企业的运营效益,针对当前舰船维修成本估计方法存在的一些局限性,以延长舰船寿命,提出基于BP神经网络的舰船维修成本估计方法。首先介绍当前舰船维修成本估计研究现状,找到当前各种舰船维修成本估计方法的不足,然后在此基础上依据舰船维修成本变化特点,引入BP神经网络建立舰船维修成本估计模型,最后通过Matalab2017平台实现了舰船维修成本估计仿真实验。相对当前其他的舰船维修成本估计方法,BP神经网络可以更好地跟踪舰船维修成本变化特点,不仅舰船维修成本估计精度高,而且舰船维修成本估计建模时间短,为解决复杂多变的舰船维修成本估计问题提供了一种新的方法。