云计算聚类挖掘算法在船舶海上信息平台中的应用

海洋数据量快速增长,如何获取有用的数据已经成为海上信息平台处理中的关键问题之一。本文在搭建的海上信息云平台上,利用Canopy算法实现海上数据的聚类分析,对云平台中的并行计算进行说明。最后进行与K-均值聚类的对比实验,从运行时间、加速比、聚类识别率等方面说明本文算法运行效率高,聚类识别效果好。     

基于聚类分析算法的舰船数据挖掘

目前应用的舰船数据挖掘准确度较低,因此设计一种聚类分析算法的海上舰船数据挖掘。在数据挖掘中应用聚类分析算法,需要对数据进行预处理,得到文本数据特征向量集,利用模糊集体现近似关系,根据隶属度的取值将模糊聚类的思想演变为目标函数,将数据集按照目标函数,划分为具有较小差距的群组,初步得到数据挖掘结果,经过评估后,筛选出准确度最高的数据,作为数据挖掘的最终结果。至此完成了聚类分析算法的海上舰船数据挖掘的研究。通过实验表明,设计的数据挖掘准确度平均为92%,比传统的数据挖掘准确度高17.2%,验证了设计的聚类分析算法的海上舰船数据挖掘在提高挖掘准确度方面的可靠性。     

改进的均值插补不完备数据聚类算法

在许多实际场景中,由于数据获取困难、数据误读、数据丢失以及随机噪音等因素导致大量的数据缺失.针对传统的聚类算法无法直接处理不完备数据集的问题,提出了一种基于传统聚类算法的均值插补不完备数据的聚类方法,首先将不完备数据集划分为两个互不相交的子集,使用传统的聚类算法处理无缺失数据的数据对象获得初始聚类结果;然后使用各类中数据对象的属性均值填充不完备数据对象的缺失数据,观察各类中心值的变化确定最终的插补值.实验通过有效性指标评估该算法在UCI数据集上的聚类结果,可以验证算法的有效性.     

基于PCA和Eros的多元时间序列聚类分析

为提高多元时间序列聚类算法的效率,将原始MTS数据线性组合形成一系列互不相关的簇,利用主元分析对每个簇的代表元素,与剩余元素的前z个主元与之间的扩展Euclid范数对选取的多元时间序列的主元进行聚类分析.理论分析和实验结果表明该算法聚类质量结果和运行时间明显优于直接利用k-均值法时的聚类结果.     

基于云平台的大规模海洋数据优化与管理

传统大规模海洋数据优化与管理方法存在着效率低下的缺陷,为此提出基于云平台设计大规模海洋数据优化与管理方法。利用云平台采集大规模海洋数据,通过等规模抽样转变成小规模数据集,并对其进行整合,对自然簇质心初始位置确定,校正大规模海洋数据聚类结果,实现了大规模海洋数据的优化,采用最小距离法对上述数据进行划分,并采用分布式大数据存储方法对其进行分区存储与管理,实现了大规模海洋数据的管理。实验结果显示,设计的大规模海洋数据优化与管理方法比传统方法效率提升了25%,说明其具备极高的有效性。     

云计算平台在海上大数据挖掘模式中的应用研究

随着海上船舶信息处理平台所需处理的数据量越来越大,传统基于串行数据结构的数据挖掘算法只能针对某一类型的小规模数据,对海量且种类不一信息的处理效率已经越来越不能满足现代船舶电子信息系统的性能要求。云计算平台可以对海量信息进行分类,并将分类后的数据在分布的计算节点进行统一调度。本文研究了基于云计算平台的海量数据挖掘模型,并将数据挖掘模型中的分类算法与云计算进行有效结合,提高了海上大数据挖据的运行效率。     

基于大数据分析的船舶海上物流配送链优化模型

传统的船舶海上物流配送链优化模型无法对物流资源数据进行特征共享分析,导致优化后的配送路径过长,极大地增加了运输成本与时间。为了解决这一问题,提出基于大数据分析的船舶海上物流配送链优化模型设计。通过大数据分析技术,首先对物流配送链信息进行物流源的分组优化。以收件人为中心将货物与数据资源一一对应分组,清晰物流配送数据的配送关系,对数据进行内部整合计算,精简数据流提升模型计算速度;最后对配送路径进行输出优化计算,通过大数据分析对遗传算法进行实时分析,得到最佳的配送路径。为验证提出优化模型的有效性,通过设计仿真对比实验的方式,模拟配送链数据对提出模型与传统模型进行配送时间的对比,通过对比数据证明提出的优化模型具有配送用时短,节约运输成本的特点。     

云计算环境的海上信息管理系统研究

传统的海上信息管理系统存在综合信息数据处理速度慢,资源计算分析能力弱的问题。因此提出云计算环境的海上信息管理系统研究。通过引入云计算的理念,架设云计算管理架构,设计硬件计算接口,写入云计算管理算法。通过仿真技术对设计系统进行数据导入测试,多项数据证明提出设计系统的可行性。     

基于FCM-ANFIS模型的船舶交通流预测

提出一种基于模糊C均值聚类自适应神经模糊推理系统(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System,FCM-ANFIS)的船舶海上交通流预测模型,采用相关分析法预测网络模型的输入变量个数;采用模糊C均值聚类算法对仿真数据进行分析和模糊聚类,从而确定模型的聚类中心,进而建立ANFIS预测网络结构。该模型采用BP算法与最小二乘算法相结合的混合学习算法进行网络参数训练,可克服传统预报模型收敛速度慢和局部最优等问题,进而提高预报精度。同时,选用船舶自动识别系统(Automatic Identification System,AIS)记录的船舶交通流数据进行仿真预报,仿真结果验证了该模型的可行性和有效性,并取得良好的效果。     

基于二阶段的模糊C—均值算法的模糊聚类分析研究

对模糊聚类分析算法进行研究，在模糊Ｃ－均值算法的基础上加以改进，形成二阶段模糊Ｃ－均值算法，使其对Ｉｒｉｓ数据聚类，研究表明，二阶段的模糊Ｃ－均值算法比模糊一算法性能优越     

船舶目标跟踪过程信息智能过滤算法

现有的船舶目标跟踪信息智能过滤算法对于障碍物遮挡的信息过滤量小,因此设计一种船舶目标跟踪过程信息智能过滤算法。引入边缘算子,并调整各个算子的权重,完成船舶目标状态信息的采集,提取跟踪目标的运动特征,并通过欧氏距离的解析式对船舶运动特征进行降维,利用光流法的搜索模板定位最佳目标匹配点,完成船舶目标跟踪过程信息智能过滤算法的设计。在实验中,分别利用现有算法和设计的算法,对某行驶中的目标船舶进行遮挡信息过滤,结果显示,设计的算法中过滤掉的障碍物信息占比平均值比传统算法高出64%,验证了设计算法的有效性。     

多信息融合技术在船舶柴油机故障诊断中的应用

柴油机工作过程中的各种参数含有大量的信息,通过数据挖掘将这些参数的内在信息挖掘出来,解决以往在柴油机故障诊断上出现的诊断不准确和耗时长等问题。采用K均值聚类分析(k-means)将数据聚类,并设计BP(Back Propagation)神经网络,对柴油机的运行状态进行诊断。在此基础上,利用PCA(Principal Component Analysis)对上述算法进行优化,用PCA对原始数据简化,再进行k-means聚类,最后将聚类后的数据特征量作为BP神经网络的输入,建立柴油机的故障诊断模型。通过对两种诊断算法的结果进行分析和比较,表明优化后的算法能够更有效地提取数据特征,提高了诊断准确度,同时也减少了诊断时间。     

软件无线电技术在船舶海上信息平台的应用研究

随着海上各类数据业务的发展,如何提高数据传输平台效率成为了船舶信息平台研究的关键。传统的信息平台数据交互(特别是军事类的)利用专用芯片实现,系统的可扩展性较差,已经越来越不能适应现代船舶数据业务的发展。软件无线电利用通用的硬件平台,数据传输及处理通过软件方式实现不同类型数据交互。本文重点分析海上信息平台接收机信号传输及处理模型,给出基于软件无线电架构的实现方式,最后对平台进行仿真。     

基于PLC技术的海上自动化动力系统研究

传统海上船舶动力系统在动力输出与传送上存在动力损耗过大、动力值计算输出准确性差的问题。针对问题产生根源结合PLC技术,提出基于PLC技术的海上自动化动力系统研究。通过改进传统动力运算硬件,创建PLC动力综合采集平台,实现对海上舰船动力相关参数的综合收集分析处理;其次,引入多动力遗传数据算法对动力参数进行遗传自动逻辑量运算,求得自动化最优动力参数;最后,通过仿真实验证明,提出设计的PLC技术的海上自动化动力系统,具有动力参数计算准确、动力自动化程度高的特点,能够从根本上解决传统海上动力系统存在的问题。     

移动网络海上应急物流路径规划算法

传统算法缺乏海上应急物流路径规划网络数据库的构建,导致在对物资配送时时间过长,为此设计一种移动网络的海上应急物流路径规划算法。应用航行条件的属性信息,以矩阵形式构建海上应急物流路径规划网络数据库,根据数据库内信息确定海上路径可通行的难易程度,并对海上应急路径当量长度计算,寻求到最短配送路径进行静态路径规划,考虑船舶行驶中航行环境会发生变化,提出动态规划流程,完成海上应急物流路径的规划。实验中对多个物资点配送,结果表明此次设计的移动网络的海上应急物流路径规划算法的物资配送时间比传统算法的物资配送时间短。     

基于船舶大数据平台的物联网数据挖掘研究

海上监测平台通过传感器网络获取大量的海洋环境数据和船舶航行数据,由于作业平台的网络不稳定,数据来源广、类型多,不便于管理,因此,设计合理的船舶数据平台管理系统有重要意义。本研究充分结合物联网技术和传感器融合技术,对船舶大数据平台的数据管理和数据挖掘进行了系统的研究,并设计了一种聚类数据挖掘算法和数据挖掘引擎。     

船舶航行信息分层采集优化算法

针对传统采集优化算法在不同采集周期内得到的簇首节点分布不均匀,导致各个节点之间在采集信息、融合数据以及传输信息时会产生相互干扰的问题,研究一种船舶航行信息分层采集优化算法。首先使用决策树计算船舶航行信息增益值,对船舶航信信息进行分层,计算不同信息层次中特征的互信息量,得到航行信息数据离散特征,采用凸优化策略不断改进得到的离散特征,选择一项离散特征作为二值化层次阈值的采集值,将二值化层次阈值采集值分布在采集区域中,计算出采集区域内最优簇首数,完成船舶航行信息分层采集算法的优化。实验结果表明,与传统采集优化算法相比,船舶航行信息分层采集优化算法得到的簇首节点分布均匀,不会产生节点采集干扰的现象。     

依据轨迹数据的船舶交通密度计算方法

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。     

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。     

改进的Parks聚类分析距离算法

经研究发现现有聚类分析算法普遍存在聚类盲目性,而这又直接影响着聚类的质量.针对这一问题,本文以Parks距离算法为例,提出了一种改良的Parks聚类分析距离算法,并将此距离算法应用在船舶装配产品归类中.通过对改良前后算法的比较,验证了新算法的优越性.