半监督聚类算法在舰载雷达信号中的应用

从数据挖掘角度阐述半监督近邻船舶聚类在舰载雷达信号处理中的应用,并给出算法实现过程。最后通过对7种信号的小波包能量熵特征统计来说明,本文所采用的半监督近邻传播聚类在聚类准确率和聚类数方面要优于AP聚类和半监督聚类。     

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%。     

多维缩放舰船运行数据聚类算法设计

传统的聚类化运算算法(基于K-Means算法),在大数据环境下运算力下降,数据聚类运算收敛不足。提出基于多维缩放的舰船运行数据聚类算法设计。利用基于多维缩放的KNTSCCA聚类算法,对舰船运行数据传统算法进行替换,通过对舰船数据的降维迭代计算,实现多维缩放聚类算法设计。通过仿真实验证明,提出的多维缩放的舰船运行数据聚类算法,能够解决现有基于K-Means算法收敛不足的问题,具有可行性。     

基于两步聚类算法的船舶交通事故分析

通过对近六年船舶交通事故进行统计分析,运用聚类算法进行数据挖掘,并基于两步聚类算法对数据进行聚类分析,发掘事故各变量间的相关性,并进一步提出事故防范对策以保障航行安全。     

基于混合聚类算法的异常检测方法

模糊聚类算法是一种无监督的机器学习方法,能够有效地检测出网络入侵中未知的异常攻击行为,但模糊聚类算法实质上是一种迭代寻优方法,容易陷入局部最优解.因此结合遗传算法的全局搜索特性与禁忌算法的局部搜索特性,提出了一种基于遗传禁忌搜索的混合模糊聚类算法,实验表明该方法能有效避免局部最优解、得到正确的聚类结果,在KDDCUP99数据集上的实验结果表明该方法具有更高的检测率和较低的误检率.     

港口水域船舶异常能耗云数据挖掘

以港口水域船舶的节能减排为目标,研究港口水域船舶异常能耗云数据挖掘方法。采集港口水域船舶的AIS云数据,删除与船舶能耗无关以及异常数据,利用K-means聚类算法对船舶能耗相关船舶主机转速以及船舶主机功率等数据进行聚类,输出船舶不同运行工况的能耗。利用贝叶斯分类器依据聚类结果识别港口水域船舶能耗云数据是否为异常数据,完成港口水域船舶异常能耗云数据挖掘。实验结果表明,该方法的船舶异常能耗数据挖掘精度高,为船舶的节能减排提供依据。     

基于并行聚类算法的无监督异常检测研究

为满足高效聚类大规模数据集的要求,该文提出一种基于k均值算法的并行聚类算法,该并行算法能使聚类时间随节点主机数目的增多,呈近似线性递减。为了更好地平衡检测率与误报率,文章又提出了基于平方误差最小的重定位算法,相比于李娜等人提出的算法,该重定位算法使检测率提升了5%,误报率降低了1.1%。实验结果表明,该文算法不但能够提高聚类效率,而且能够更加有效地检测出已知和未知攻击。     

基于成对约束的半监督选择性聚类集成

针对现有聚类集成算法基本都是无监督聚类集成算法和传统聚类集成方法,其通常将所有产生的聚类成员都参与集成的问题,设计了一种基于成对约束的半监督选择性聚类集成方法(SSCES). SSCES方法选择基于聚类成员质量和差异度的选择聚类集成为研究对象,借鉴半监督集成的关键思想,将半监督聚类信息带入到选择聚类集成中.通过在多组数据集上实验来验证SSCES算法的有效性.     

数据挖掘聚类算法在船联网平台中的应用

随着通信技术的发展,船舶与船舶以及船舶与岸基之间的数据交互越来越频繁;同时数据的种类与数据帧的大小也急速增加,如何对这些信息进行快速有效的分析提取成为现代海洋业的重要研究领域。数据挖掘通过统计﹑自动学习等算法从海量数据中提取有效信息。随着船舶采集信息量的增大,成为信息中心最重要的功能之一。本文研究现有聚类算法的优缺点,重点分析聚类数据挖据算法DBSCAN,根据船舶数据处理的特点对算法进行了改进。     

基于主动学习的半监督聚类入侵检测算法

针对基于监督学习入侵检测算法中面临标记大量数据的问题,提出了一种基于主动学习的半监督聚类入侵检测算法.该算法利用少量的标记数据,生成用于初始化算法的种子聚类,然后辅助聚类过程,并根据网络数据的特点,将主动学习策略应用于半监督聚类过程中,可用于检测已知和未知网络攻击.主动学习策略查询网络中未标记数据与标记数据的约束关系,对标记数据可以快速获得k个不相交的非空近邻集,很大程度上改进了算法的性能.实验结果表明了算法的可行性及有效性.