基于极限学习机的舰船网络入侵检测算法

针对传统网络入侵检测算法在舰船网络中存在的检测误差高的问题,提出基于极限学习机的舰船网络入侵检测算法。构建舰船通信网络模型,在该模型下实时采集通信数据并对其进行预处理。将采集的数据作为输入项,利用极限学习机算法提取网络入侵特征。根据网络入侵行为设置行为特征标准,结合舰船网络入侵节点聚集度的计算结果,得出舰船网络入侵检测结果。通过与传统入侵检测算法的对比发现,设计算法的检测误差有所降低,即入侵检测精度得到提升。     

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。     

云平台的舰船实时动态任务调度研究

传统舰船任务调度算法存在任务指令数据实时性差,任务调度处理与任务下达之间存在时间差,造成任务调度结果与任务更新的不对称。为了解决此问题,提出云平台的舰船实时动态任务调度研究。通过神经网络算法,融合云平台计算技术,对任务调度进行瞬态高速计算,缩短调度任务处理时间;引入实时任务调度算法,对瞬态任务计算进行实时动态任务流数据辅助计算,以此保证调度任务处理与任务下达数据的对称性,最大限度减小任务调度时间差。与传统调度方法对比数据表明,提出的云平台的舰船实施动态任务调度算法,能够有效缩短时间差至0.086 s。     

舰船远程通信信号的定位算法研究与仿真

舰船通信过程中对信号源进行通信定位,能够准确捕捉舰船所在位置。传统远程通信信号的定位算法无法进行高精度的定位,同时舰船运行速率会影响通信定位质量,针对上述问题,提出舰船远程通信信号的定位算法。在传统信号定位算法基础上进行加权处理,优化测距误差自校正流程,降低行速率对通讯定位的影响,增设自校正定位计算,加强定位计算质量。实验数据表明,提出的通信信号定位算法能够对舰船进行高精度的信号定位。     

舰船网络异常通信行为识别研究

舰船网络异常通信行为变化不仅具有规律性,同时具有随机性,当前方法无法挖掘舰船网络异常通信行为的复杂变化特点,使得舰船网络异常通信行为识别实时性和准确性差。为了获得更优的舰船网络异常通信行为识别结果,提出神经网络算法的舰船网络异常通信行为识别模型。首先描述舰船网络异常通信行为识别原理,然后将舰船网络异常通信行为识别看作问题,引入神经网络算法对其进行建模,在舰船网络异常通信行为识别建模过程中,引入粒子群算法解决神经网络参数确定的难题,最后进行舰船网络异常通信行为识别测试实验。结果表明,神经网络算法获得了准确性较高的舰船网络异常通信行为识别结果,而且由于神经网络收敛快,使得舰船网络异常通信行为识别实时性好,具有良好的推广应用价值。     

船舶压力传感器输出数据实时校正算法

传统船舶压力传感器输出数据之间的关联性较差,导致压力传感器数据校正结果存在数据量的非线性时间误差,无法达到实时校正的目的。因此提出船舶压力传感器输出数据实时校正算法。首先,根据压力传感器特征,结合数据实时校正的时间性,建立压力传感器输出数据实时解释模型;然后,根据模型解释对压力输出数据时间变量下的非线性误差进行计算;最后,根据非线性误差特征,完成对输出数据非线性误差的实时补偿计算,实现对船舶压力传感器输出数据实时校正。通过与传统船舶压力传感器输出数据校正算法的对比测试,证明提出的船舶压力传感器输出数据实时校正算法,在船舶压力传感器输出数据校正方面,具有实时性强、稳定性好、校正误差小的特点。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

通信数据非线性实时校正模型构建

船舶通信系统的非线性特征来源于船舶硬件结构和信号噪声等多个方面,通信系统的非线性会降低通信系统信号传输的精度,因此有必要结合信号分析与校正技术,改善船舶通信系统数据的非线性特征。本文针对船舶通信系统的传感器误差特性来源进行研究,在此基础上构建一种非线性实时校正模型,研究了该实时校正模型的结构原理和硬件组成。     

神经网络算法的舰船间距快速预测

间距预测是保证舰船航行安全的重要技术,传统方法存在舰船间距预测不准确,精度低等不足,为了提高舰船间距预测精度,提出基于神经网络算法的舰船间距快速预测模型。首先分析当前舰船间距预测的研究现状,找到引起舰船间距预测不足的因素,然后引入神经网络算法对舰船间距变化特点进行深入挖掘,建立舰船间距快速预测模型,最后采用VC++6.0编程程序实现舰船间距快速预测仿真实验,结果表明,神经网络算法的舰船间距预测精度超过90%,远远高于其他舰船间距预测模型,而且舰船间距预测速度快,减少了舰船间距预测的时间,具有比较明显的优越性。     

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。     

基于卷积神经网络的舰船图像增强算法

为了改善舰船图像增强效果,提出基于卷积神经网络的舰船图像增强算法,首先采用同态滤波器对原始舰船图像进行预处理,有效压缩舰船图像的动态范围,丰富舰船图像的细节信息,然后引入卷积神经网络对舰船图像色彩进行校正处理和补偿,解决舰船图像偏色问题,最后进行舰船图像增强仿真模拟实验。结果表明,卷积神经网络可以提高舰船图像的对比度,凸显了舰船图像细节,舰船图像的视觉效果优,舰船图像的增强结果要优于对比算法,同时降低了舰船图像增强的时间复杂度,舰船图像增强效率得以提升。     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

互联网背景下的舰船通信系统安全风险检测

安全风险检测有利于促进舰船通信系统正常运行,为了克服舰船通信系统安全风险检测过程存在的一些难题,如检测结果不可靠等,提出互联网背景下的舰船通信系统安全风险检测方法。首先对国内舰船通信系统安全风险检测进展进行描述,在互联网背景下产生舰船通信系统安全风险检测指标集合,并设计舰船通信系统安全风险等级,然后根据指标集合和风险等级产生舰船通信系统安全风险检测训练集,并引入BP神经网络刻画舰船通信系统安全风险变化特点,得到舰船通信系统安全风险检测的分类器,最后利用具体数据进行舰船通信系统安全风险检测的实例分析,本文方法的舰船通信系统安全风险检测率很高,相对于其他方法,不仅舰船通信系统安全风险误检率大幅度减少,而且可以实现舰船通信系统安全风险在线检测,对比结果验证了本文方法用于舰船通信系统安全风险检测的优越性。     

基于Bagging-GPR的舰船目标RCS频率外推技术北大核心CSCD

[目的]针对高频情况下使用传统仿真、实测方法获取舰船目标RCS受限的问题,提出一种结合引导聚集(Bagging)算法与基于谱混合协方差函数的高斯过程回归(GPR)模型的混合方法(Bagging-GPR),从而根据仿真和实测得到的低频段RCS数据,准确高效地外推高频段的RCS数据。[方法]首先,根据舰船目标低频段单站RCS数据,以重采样的方式获取训练子集,并使用基于谱混合协方差函数的GPR模型对各子集的RCS数据在频域上进行外推;然后,通过Bagging算法将各子集的外推结果进行混合,以进一步提高GPR的外推精度和鲁棒性;最后,分别在舰船模型的仿真数据集和实测数据集上对Bagging-GPR混合方法的性能予以试验验证。[结果]结果表明,Bagging-GPR可以实现实时外推,预测值与仿真值、实测值基本一致,均方根误差很小。[结论]所提方法具有较高的频域RCS数据外推精度和良好的鲁棒性,可为快速获取目标的高频RCS特征提供一种新的技术手段。     

舰船网络安全评估的仿真模拟实验研究

安全评估可以帮助管理员了解舰船网络安全变化趋势,为了解决当前舰船网络安全评估结果与实际舰船网络安全值不相符的缺陷,设计了基于层次分析方法的舰船网络安全评估模型。首先采集多源的舰船网络安全评估数据,并将其中的异常数据进行剔除,然后采用层次分析根据一定的准则,确定舰船网络安全评估数据的权值,最后引入神经网络建立舰船网络安全评估模型,采用Python语言编程实现舰船网络安全评估仿真实验,结果表明,本文模型能够避免当前舰船网络安全评估过程中存在的缺陷,科学、合理确定不同舰船网络安全评估数据权值,客观、准确地对舰船网络安全等级进行评估,评估建模时间也得到相应的减少,可以实时实现舰船网络安全等级评估,具有十分广泛的应用前景。     

基于危险理论的舰船通信网络安全风险评价

为了准确把握舰船通信网络安全风险的变化,设计了基于危险理论的舰船通信网络安全风险评价方法。首先引入危险理论将舰船通信网络入侵频率作为风险评价输入,舰船通信网络安全风险级别作为输出,建立舰船通信网络安全风险评价样本集合,然后采用Elman神经网络对舰船通信网络安全风险评价样本集合进行训练,建立舰船通信网络安全风险评价模型,最后采用舰船通信网络系统为例,分析舰船通信网络安全风险评价方法的可行性,结果表明,本文方法能够高精度把握舰船通信网络安全风险变化态势,不仅获得了令人满意的舰船通信网络安全风险评价结果,而且舰船通信网络安全风险评价效果要优于其他方法,具有十分显著的优势。     

基于神经网络的舰船通信网络信道均衡控制研究

舰船通信系统的信号噪声源包括外界干扰噪声、码间干扰噪声和设备白噪声等,这些噪声信号会降低船舶通信系统的精度,因此,采用恰当的策略进行舰船通信系统的信号处理是一项热点研究。本文介绍舰船通信网络的信道均衡化原理,基于模糊神经网络算法设计了通信网络的均衡化控制器,并进行了通信网络的信道均衡化特性仿真试验,取得良好的效果。     

船联网环境下舰船传感通信大数据融合调度算法

针对传统舰船传感通信大数据融合调度算法存在时延较高的问题,提出一种船联网环境下舰船传感通信大数据融合调度算法。在船联网环境下,通过ETL对舰船传感通信大数据实施预处理,步骤包括抽取大数据、转换大数据以及加载大数据,基于大数据预处理结果,制订数据融合调度策略,获取节点的具体发送序列,实施各时隙内融合周期调度状态的分配,获取最终的接收调度序列与睡眠调度序列,实现舰船传感通信大数据融合调度。实验结果证明该算法的时延最低,说明该算法更适用于舰船传感通信大数据融合调度。     

基于深度学习算法的舰船通信网络流量估计研究

传统舰船通信网络流量估计算法输出结果与实际流量数值之间的误差较大,导致后期数据流量分析结果可信度降低。为了提升通信网络流量估计准确度,提出基于深度学习算法的舰船通信网络流量估计研究。首先,对通信网络空间中的数据流进行数据流模型建立,获得通信流量基础特征数据;然后,对其流量波动值域范围进行特征计算,以此获得深度学习样本。最后,通过深度学习算法,对样本数据进行学习,通过学习完成对流量估计系数的更新,进而提升估计精准度。通过对仿真数据的对比测试,证明提出的估计算法能够有效减小估计值与实际值之间的误差,满足适应估计场景的应用要求。     

采用RBF神经网络的舰船尾部型线结构优化

在舰船的设计开发过程中,船型的选择非常重要。舰船的尾部型线结构是船型设计中比较容易忽视的问题,为了使舰船尾部型线结构达到最优,可以利用先进的RBF神经网络对尾部型线结构进行优化。基于此点,本文从RBF神经网络的原理、结构及优点分析入手,提出船型优化框架的构建思路,以RBF神经网络替代传统的CFD,并对RBF神经网络模型的建立及预报精度进行研究。结果表明,RBF神经网络模型的预报精度能够满足应用需要,它的优化时间要远远少于CFD。