基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能     

基于K-means聚类的舰船通信网络异常数据检测

为了解决海上通信环境中的干扰和传输问题,提升舰船通信网络通信质量和可靠性,提出基于Kmeans聚类的舰船通信网络异常数据检测方法。构建舰船通信网络通信多径信道模型,利用该模型获取舰船通信网络数据。使用基于超窄带滤波的舰船通信网络数据滤波处理方法去除舰船通信网络数据内的干扰噪声,将无噪声的舰船通信网络数据作为输入,使用K-means聚类算法输出舰船通信网络异常数据检测结果。结果表明,该方法采集舰船通信网络数据较为准确,并可有效去除数据内含有的干扰噪声,降低舰船通信网络数据幅值区间,同时可用聚类方式准确检测舰船通信网络异常数据,应用效果较为显著。     

能量受限约束下的舰船通信网络节点动态协同部署

通信网络的节点部署优劣直接关系到舰船通信能力,针对舰船通信网络资源利用能力低的问题,提出能量受限约束下舰船通信网络节点动态协同部署方法。分析能量受限的节点动态特性,得出能量约束条件下通信网络系统节点的闭环特性。计算舰船通信网络节点网格密度,利用K-均值聚类以及粒子群2种算法找寻出最优节点位置,实现舰船通信网络节点动态协同部署。实验结果表明,本文方法的通信传输能耗小,信息吞吐量高,网络生命周期长。     

舰船通信网络感知层异常入侵行为集成识别方法

为了缩短异常入侵行为集成识别的时间,提高舰船通信网络感知层异常入侵行为的识别能力,提出了舰船通信网络感知层异常入侵行为集成识别方法。采取短时过零率与短时能量相结合的方式,得到了舰船通信网络感知层异常入侵行为特征的提取流程,完成了舰船通信网络感知层异常入侵行为的特征提取;又结合异常入侵行为集成识别流程的设计,实现了舰船通信网络感知层的异常入侵行为集成识别。对比实验结果证明,提出的异常入侵行为识别方法与基于数据挖掘的识别方法相比,异常入侵行为的识别能力提高了56.8%。     

舰船用通信网络的异常数据监测技术研究

为了保障舰船用通信网络的数据传输的准确性,提高舰船网络的故障智能分析能力,需要进行异常数据监测,提出一种基于舰船用通信网络传输信号瞬时频率估计的异常数据监测技术。对采集的通信网络输出信号经过时频分解完成时域与频域之间的转换,采用高阶累积量特征提取方法进行舰船用通信网络中的异常数据检测,对检测的异常数据进行干扰和冗余数据滤波处理,完成对舰船用通信网络输出信号的瞬时频率估计,分析瞬时频率的异常状态特征,实现异常数据监测。仿真结果表明,采用该方法进行舰船用通信网络的异常数据监测能提高数据挖掘的准确度,对异常数据检测的虚警较低,抗干扰能力较强。     

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%。     

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。     

启发式舰船通信网络拓扑结构分析方法

常规通信网络拓扑结构分析方法对混合网络拓扑结构识别度不高,造成结构分析效果不佳,为此研究新型启发式舰船通信网络拓扑结构分析方法。通过计算极值坐标点构建网络节点聚类布图,在网络节点聚类布图中对拓扑结构粗化以及结构多层路径进行划分,通过对拓扑结点放置位置确认实现通信网络拓扑结构分析。设计仿真实验,通过与传统方法对比得到,设计的方法针对混合网络拓扑结构的识别能力远超于传统方法。     

基于hadoop的舰船通信网络数据并行处理方法

舰船通信网络数据量的显著提升对数据处理性能提出更高要求,为提升数据处理效率,研究基于hadoop的舰船通信网络数据并行处理方法。设计由数据应用层、数据处理层和数据存储层共同组成的基于hadoop的舰船通信网络数据并行处理架构：数据应用层作为用户与数据处理架构的交互工具,将所采集的数据上传至架构内;数据处理层运行MapReduce程序实现数据存储、解析与聚类等并行化处理;数据存储层采用HBase与HDFs等多种不同的存储方式存储舰船通信网络数据。实验结果显示,该方法可实现准确的舰船通信网络数据聚类,大幅节省数据处理时间,在数据量较大的条件下具备较好的数据处理加速比。     

舰船通信网络异常数据的弱关联定位技术

在舰船通信网络异常数据的弱关联定位中,由于使用传统弱关联定位技术的定位误差较大,因此提出一种舰船通信网络异常数据的弱关联定位技术,利用Netflow系统对舰船通信网络异常数据进行提取,通过相空间重构技术处理异常数据提取结果,并利用极限学习机进行数据挖掘,建立舰船通信网络异常数据弱关联定位模型,从而实现异常数据的弱关联定位,通过对比实验可知,该技术的最大定位误差比基于支持向量机的异常数据弱关联定位技术低21.1%;比基于特征遗传算法的异常数据弱关联定位技术低16.4%,证明了该技术更适用于舰船通信网络异常数据的弱关联定位。     

舰船通信网络的信道均衡化技术

当出现多个终端节点涌入一条通信信道情况后,就极易发生信道不均衡问题,导致误码率较高和传输延迟,影响数据信息传输的准确性和实时性。为此,研究一种舰船通信网络的信道均衡化技术。该研究先是将舰船通信网络简化成拓扑结构,并进行舰船信道估计,建立舰船通信网络的信道均衡问题目标函数模型;后利用遗传算法对上述模型进行求解,得出信道均衡化最优方案。结果表明,与3种前人研究的均衡化方法相比,所研究方法应用下,误码率较低,数据延迟传输时间更短,证明了所研究方法的信道均衡化效果更好。     

舰船通信网络中的移动脆弱节点定位与实现

舰船通信网络采用节点分布式组网设计,实现与外界的无线通信和远程卫星通信,对网络中的移动脆弱节点准确定位检测,实现对网络故障的及时诊断。本文提出一种基于网络传输信道量化跟踪融合的移动脆弱节点定位方法。首先构建舰船通信网络的节点分布模型,在舰船通信网络的多径传输信道中进行节点之间传输数据的信号分析;然后采用信道量化跟踪融合方法进行移动脆弱节点的异常特征提取,实现异常脆弱节点定位;最后进行实验测试,仿真结果表明,该方法对舰船通信网络中的移动脆弱节点定位检测的准确概率较高,时间开销较小,在通信网络故障诊断中具有实用性。     

聚类分析算法在舰船识别中的应用

为了缩短舰船识别时间,提高舰船识别的成功率,提出聚类分析算法在舰船识别中的应用。通过聚类分析算法计算出舰船图像的分辨率,获取舰船图像的横向分辨率,完成舰船目标形态特征的提取;采用聚类方程表达式,得到舰船能量函数,基于聚类分析算法,确定处理舰船图像的聚类模型,通过分析聚类系数值的大小,完成舰船图像的处理;最后通过舰船识别流程设计,实现基于聚类分析算法的舰船识别。实验结果表明,基于聚类分析算法的舰船识别技术可以提高舰船识别的成功率。     

云计算环境下舰船通信数据深度挖掘方法

舰船通信设备的复杂化,使得通信数据量级增大,受到噪声、背景等多种因素的影响,潜在的数据很难被发现,而云计算可以提供并行编程服务,因此,进行云计算环境下舰船通信数据深度挖掘方法研究。基于云计算MapReduce并行编程模式,引入数据聚类技术,将通信数据划分为多个数据集,根据节点计算资源分配通信数据集,通过KNN分类挖掘算法计算每个节点数据之间的欧式距离,基于确定阈值分类通信数据,实现了通信数据的深度挖掘。实验数据表明:当数据量大于200万条,提出方法数据挖掘执行时间较低,更适用于舰船通信数据深度挖掘。     

大数据驱动和分析的舰船通信网络流量智能估计

以准确估计舰船通信网络流量为研究核心,提出基于大数据驱动与分析的舰船通信网络流量智能估计方法。该方法以大数据驱动和分析领域中的经验模态分解、卷积神经网络为技术核心,使用基于改进集合经验模态分解的舰船通信网络信号降噪方法,去除舰船通信网络信号中噪声;构建去噪后舰船通信网络信号中的流量时间序列图,凸显通信网络流量在各个时间段的变化特征之后,将舰船通信网络流量时间序列图中的时间序列,作为基于卷积神经网络的网络流量预测方法的预测样本,提取舰船通信网络细节信号的时间序列,估计流量的趋势信息与时间信息,实现舰船通信网络流量智能估计。经测试：该方法对舰船通信网络流量智能估计后,估计结果与实际流量基本一致。     

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。     

链路层舰船通信光纤网络被动数据存储方法研究

为了提高链路层舰船通信光纤网络被动数据存储的容量,提出一种基于分层融合机制的链路层舰船通信光纤网络数据存储模型。首先采用交叉分布式云存储结构模型构建光纤网络被动数据存储的数据库模型,在数据库中进行被动数据的聚类处理,然后根据聚类属性进行分层融合,对海量的舰船通信光纤网络被动数据进行特征压缩,从而提高存储空间的容量。最后进行数据存储的仿真实验分析,结果表明,采用该方法构建舰船通信光纤网络被动数据存储模型,数据库的吞吐量得到明显提升,同时提高了对目标数据的查准率和查全率。     

云模型的舰船维修成本建模与预测

通过对舰船维修成本的准确建模和预测,降低维修成本,提高舰船维修质量,保证舰船良好工况,提出一种基于K均值指标聚类划分和粒子群优化的云模型下舰船维修成本建模和预测方法。以舰船维修的材料开销、人工开销、舰船寿命周期折损以及配件成本等参数为约束指标,采用K均值聚类算法进行维修成本指标系数聚类划分,将成本最优问题转化为聚类中心最短问题,并以此为优化目标函数,采用粒子寻优算法进行最优解求解,通过线性插值方法进行拟合计算避免解向量陷入局部最优,实现云模型的舰船维修成本预测。仿真结果表明,采用该方法进行舰船维修成本预测的准确性较高,维修效率和质量得到提高。     

多数据源舰船通信网络节点安全态势评估研究

传统舰船通信网络节点安全性评估准确率较低,对此提出新型多数据源的舰船通信网络节点安全态势评估方法。引入节点易损性容忍概念,计算当前舰船网络节点的最大易损性容忍率,判断通信节点易损类型,对当前舰船所使用的3类通信网络节点拓扑结构分别进行节点安全态势分析,根据计算结果评估当前状态,实现通信网络节点安全态势的整体评估。实验数据表明,提出的多数据源舰船通信网络节点安全评估较传统评估方法相比,节点传输安全性指标评估准确率提高15%,节点路径契合率指标评估准确率提高22%,可以有效提高节点评估准确度。     

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。