基于WEKA平台的决策树算法比较研究

决策树是数据挖掘领域广泛研究和应用的一种分类算法,具备计算量小、速度快、分类准确率高、分类规则易于理解等众多优点。论文选取了八个公开的UCI科研数据集,从分类准确率、建模速度、可解释性三个方面对经典的决策树算法C4.5、CART和NBTree进行比较,分析了三个算法各自的原理和优缺点,明确了各算法的适用情况。     

基于Hadoop平台的船舶通信数据高效传输方法研究

传统船舶通信数据传输方法对于船舶通信数据的初始收集力度较小,数据收集完整度较低,系统传输效率较差,不符合系统发展要求。针对这一问题,基于Hadoop平台提出一种新式船舶通信数据高效传输方法研究,通过强化系统内部的数据信息采集性能加大对数据的初始采集力度,完善研究操作的数据信息内容,在此基础上利用相应的数据平台算法进行数据传输处理,分析传输所需条件与数据状态,并加强数据保护,由此实现对船舶通信数据高效传输的方法研究。为验证方法研究的工作效果,与传统方法研究进行实验研究。结果表明,基于Hadoop平台的船舶通信数据高效传输方法研究具有较高的系统传输效率,数据收集完整度高,符合数据系统需求。     

海洋环境可视化云架构信息平台技术研究

首先构建海洋环境可视化云架构平台,规定利用云平台进行数据上传和存储时的数据格式,并指出在进行云计算时Hadoop中各个参数的设置。对海洋数据信息可视化处理中的基于LIC算法的流场可视化进行分析,最后进行性能测试。测试结果表明:利用基于GPU的Hadoop云计算处理海量数据时加速比是CPU的20多倍,大大提高了计算速率。     

基于随机森林算法的船舶电站故障诊断

针对船舶电站故障诊断中常用的BP神经网络算法存在的收敛速度慢和诊断准确率不高等问题,提出一种基于随机森林算法的船舶电站诊断模型。在Simulink软件中搭建船舶电站故障模型,通过在Simulink中仿真得到船舶电站故障数据,分析基于随机森林算法的船舶电站故障诊断原理。在MATLAB软件中分别建立基于随机森林算法和BP神经网络算法的船舶电站故障诊断模型,并对二者的故障诊断结果进行对比分析。结果表明,基于随机森林算法的诊断模型相比基于BP神经网络的诊断模型,能显著提高船舶电站故障诊断的效率和准确率。     

利用云平台对海量海洋数据进行Apriori算法挖掘

首先阐述基于矩阵的Apriori数据挖掘,指出此算法具有占用内存大的问题,并针对此问题进行改进。最后在仿真实验过程中,搭建Hadoop云平台,利用IBM实验室提供的数据集进行仿真。仿真结果表明,与传统的数据挖掘算法相比,此方法运行时间增长速度比较平缓,数据挖掘时间短。     

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.     

基于容差关系知识依赖的属性约简算法研究

为了提高不完备信息系统中的属性约简能力,文中基于容差关系研究了知识粒度、知识依赖度等概念,给出了一种新的知识粒度定义,研究了两种依赖度的性质,并通过例子加以验证.通过引入知识粒度的概念,对信息系统中属性的重要度进行了定义;并以属性重要度作为启发式信息提出了属性约简的两种算法,一个从核属性集出发,采用自底向上的方法,另一个从整个属性集出发,采用自顶向下的方法.在5组UCI数据集上的实验结果表明,从约简个数来看,文中算法与其他算法相比,属性个数少于或等于其他算法结果;从分类精度来看,从核属性集出发的算法精度更高.最后通过实验验证了文中算法的正确性和可行性.     

一种基于粗糙集的决策树生成算法

针对决策树的构造和修剪通常不能同时进行所产生的效率低下的问题,提出了基于粗糙集理论中知识依赖性的决策树构造方法.利用优先策略,将知识依赖性同时作为属性约简和建树的准则,在决策树预修剪的同时进行节点生成,大大提高了决策树构造的效率.使用Fisher's iris数据集对基于粗糙集理论中知识依赖性的决策树生成算法和用回归拟合方法的决策树生成算法进行比较.实验结果表明,前者的分类精度和决策树模型的复杂程度要明显优于后者.     

一种基于粗糙集的决策树生成算法

针对决策树的构造和修剪通常不能同时进行所产生的效率低下的问题，提出了基于粗糙集理论中知识依赖性的决策树构造方法。利用优先策略，将知识依赖性同时作为属性约简和建树的准则，在决策树预修剪的同时进行节点生成，大大提高了决策树构造的效率。使用Fisher＇s iris数据集对琏于粗糙集理论中知识依赖性的决策树生成算法和用回归拟合方法的决策树生成算法进行比较。实验结果表明，前者的分类精度和决策树模型的复杂程度要明显优于后者。     

轴承振动信号自适应诊断建模方法

通过时频分析提取滚动轴承运行状态的振动信号特征参数,经标准化处理后,选择T-SNE降维技术,获得训练样本,研究基于随机森林的故障诊断模型,识别滚动轴承运行状态。经试验验证,该方法诊断准确率达到96%,将该方法应用于滑动轴承,准确率也达到94.6%。T-SNE降维技术可以自动选择适用于不同类型轴承的特征参数;随机森林作为一种机器学习方法,能根据数据的内在规律自动建立适用于不同类型轴承的故障诊断模型。研究表明,T-SNE与随机森林相结合应用于轴承故障诊断具有较好的准确率和通用性。     

基于SVM-BP集成学习的舰船蒸汽动力系统故障诊断

传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。     

基于云计算的航道船艇机务实时数据管理系统的研究

为满足航道船艇机务海量实时数据的计算处理,实现机务数据的无缝覆盖和全景共享,本文在分析现有管理系统的基础上,根据云计算的特点,提出了一种基于云计算的机务管理系统模型。分析了系统平台的体系结构和关键技术,并以Hadoop技术为架X构,搭建相应的系统实验平台,验证了计算机集群及系统框架的可行性。     

基于神经网络和随机森林的船舶横摇预测

本文针对船舶在随机海浪中的运动,通过分析海浪波能谱、海浪波倾角谱、海浪有效波倾角谱和船舶受力运动,建立随机海浪模型,并用Matlab对海浪波倾角、有效波倾角以及船舶横摇运动进行仿真实验。根据实验数据,采用BP神经网络与随机森林分别及融合预测方法对船舶横摇运动进行预测。通过船舶实际横摇与预测结果对比分析可知,BP神经网络与随机森林组合预测方法更为精准,为船舶横摇预测控制及船舶稳定平台控制奠定了基础。     

基于随机森林和支持向量机的船舶柴油机故障诊断

针对船舶低速二冲程柴油机故障的分析问题,提出基于随机森林和支持向量机的船舶柴油机故障诊断方法。对船舶低速二冲程柴油机MAN BW 6S50MC-C建立故障仿真模型并验证其有效性;在此基础上,通过故障仿真模型生成故障样本。运用基于随机森林的VarSelRF特征选择算法对故障数据进行降维,提出运用支持向量机对降维后的故障数据进行分类的方法。通过仿真试验验证并分析该方法的有效性。     

基于决策SVM的入侵检测技术研究

在网络入侵检测中,数据类别不均衡训练集的使用将产生分类偏差,支持向量机是一种新型的统计学习模型,在处理小样本和学习机的推广能力上有很大的优势．针对支持向量机解决k个多类分类问题存在训练样本数据大、训练困难的问题,提出基于支持向量机的决策树训练算法,构建了基于支持向量机决策树的入侵检测系统模型．利用KDDCup99数据集,将本文提出的算法与Lee-Carter方法和1-v-R方法进行了对比实验．通过实验和比较表明,该方法的训练效率大大提高,并且具有较高的检测率．     

基于随机森林方法的柴油机涡轮增压器故障诊断

为了提高柴油机故障诊断的精度,针对柴油机涡轮增压器故障的问题,提出基于随机森林的柴油机涡轮增压器故障诊断方法。使用AVL Boost对柴油机建立故障仿真模型,并生成故障样本。对构建的涡轮增压器模型使用随机森林方法诊断。结果表明,采用随机森林算法的故障诊断模型可以有效对涡轮增压器的故障进行分类,分类准确率超过95%。可知,随机森林方法在涡轮增压器故障诊断领域中有良好的应用价值。     

互联网时代基于大数据的海上物流运输量估计研究

传统海上物流运输量估计研究对于物流运输量的研究准确率较差,研究成本较高,不符合可持续发展的要求。针对这一问题,提出一种互联网时代基于大数据的海上物流运输量估计研究,通过物流管理信息采集通道对海上物流运输量数据进行获取,在此基础上选择不同的数据估计算法对物流数据进行分析、筛选与估算,实现算法挖掘,完成对海上物流运输量的估计研究。为验证估计研究方法的工作效果,与传统估计研究方法进行实验研究。结果表明,互联网时代基于大数据的海上物流运输量估计研究具有良好的研究准确率,符合可持续发展要求。     

基于改进决策树的港口物流船舶运输路径优化研究

常规方法下优化的运输路径虽能完成运输任务,但效率过慢,且总成本较高,导致港口物流的运输效益不理想,为此提出并设计了一种基于改进决策树的港口物流运输路径优化方法。在给定运输起点和终点的前提下,建立路径优化决策集,通过改进决策树算法,确定每条运输路线上的权重值及特征向量,将权重值引入决策树,利用改进决策树算法对决策集进行求解,实现船舶运输路径的优化。仿真实验结果表明,基于改进决策树的运输路径能够有效提高船舶的运输效率,具备良好的适应性。     

海上风电机组齿轮箱散热异常状态预测方法

齿轮箱是海上风电机组的关键部件,其散热状态直接影响着风电机组的运行状态。为减少因齿轮箱散热异常影响机组运行状态进而造成不必要的发电量损失,提出一种随机森林算法的齿轮箱散热异常状态预测模型。该模型首先基于风电机组运行机理对数据进行预处理以及的样本的标定,然后基于随机森林算法进行模型训练,最终实现风电齿轮箱散热异常状态的预测,通过2个风场现场SCADA数据的试验验证,该预测方法的精度达到97.1%,证明了所提方法能够有效及准确地对海上风电机组齿轮箱的散热状态进行预测。     

基于神经网络特征提取的SSA-SVM船舶目标识别方法

运用神经网络图像特征提取联合SSA-SVM分类算法,对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像,以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征,获得4种船舶类型、共5 505 024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法,在种群寻优下获得最佳识别参数,经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明,相比于深度学习的大数据集驱动识别算法,使用AlexNet特征提取的SSASVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别,识别准确率为88.87%、训练时长为1 856 s,满足实用需求,为水上监管提供了可靠的技术支持。