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。     

物联网环境下船舶航行大数据异常属性划分

由于人工记录、手动测量等方式存在信息不及时、不准确以及局限性的问题,无法获取到实时、全面的航行数据,降低了大数据异常属性划分结果的有效性,因此提出物联网环境下船舶航行大数据异常属性划分方法。在物联网环境下利用离散度函数,加权处理船舶航行大数据属性特征。通过密度选择法,确定船舶航行大数据异常属性划分的初始聚类中心。利用属性加权快速聚类算法,结合离散度函数与初始聚类中心,完成船舶航行大数据异常属性划分。实验证明,所提出方法可有效划分船舶航行大数据异常属性。在不同大数据规模下,该方法异常属性划分的加速比均较大,即异常属性划分速度较快。     

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。     

数据挖掘的船舶网络病毒入侵检测研究

船舶中网络数据较多,传统病毒入侵检测方法不能有效对正常数据与异常数据分类,从而导致网络病毒入侵检测率与误检率较低,基于这一问题,将数据挖掘算法应用到船舶网络病毒入侵检测中。对网络数据采集,采用数据挖掘技术中的聚类分析算法将数据集合中对象划分成若干个类,聚类后形成多个数据集,在此基础上,确认离群点,划分为正常类与异常数据类,采用Apriori算法挖掘离散点中的频繁项集,寻找到病毒入侵中出现的频繁异常数据集,实现船舶网络病毒入侵检测。实验将检测率与误检率作为入侵检测指标,结果表明,此次研究的方法检测率高,并有效降低了误检率,证明所研究的检测方法的有效性。     

基于自动识别系统大数据的船舶施工轨迹识别与预测

针对疏浚监控管理工作很难全天覆盖所有船舶、无法做到实时监控的问题,分析某绞吸挖泥船的AIS(自动识别系统)高频数据,包括疏浚船舶动态的航行轨迹、速度、航向等数据。对船舶施工轨迹辨识和预测进行研究,提出利用DBSCAN聚类算法粗略识别出施工区域,利用LOF(局部异常因子)算法去除航行轨迹中非施工状态下的轨迹,并利用时间序列ARIMA模型对船舶施工轨迹进行预测。结果表明,DBSCAN聚类算法结合LOF算法进行施工轨迹辨识方法合理可行,ARIMA模型进行施工轨迹预测的方法具有精确度高、实时性、易实现的特点。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

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。     

基于FCM聚类的船舶网络传输时延自适应优化方法研究

针对传统船舶网络传输时延控制方法存在的时延性能差、传输失败率高的问题,研究一种基于FCM聚类的船舶网络传输时延自适应优化方法。该方法利用TURBO编码和LDPC编码相结合的方法对船舶网络信道进行编码,搭建船舶网络环境;利用基于灰度关联分析预测方法预测各信道的负荷能力,结合预测结果,利用FCM聚类算法实现资源数据与传输路径之间的聚类匹配,从而合理均衡配置资源,最大程度降低网络传输时延。结果表明:船舶网络传输时延自适应优化方法进行船舶网络信息传输时延缩短了7.9 ms,平均传输失败率降低了8.44%。     

基于改进Kohonen神经网络的多传感器关联融合算法

把一种基于Kohonen神经网络模糊聚类方法运用到多传感器多目标数据关联中来,该方法能对多传感器的测量数据进行自组织聚类,把测量数据准确地划分到各个类别中去,从而实现测量数据的关联。计算机仿真结果表明,该方法运用到多传感器多目标数据关联中来具有明显的优越性,能克服传统算法的错跟漏跟现象。     

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%。     

海量船舶移动网络流量数据分析处理

船舶移动网络迅猛发展,逐渐成为航运领域的重要组成部分,同时,带来海量移动网络数据,如何承载船舶移动网络海量数据分析业务是航运领域研究的重点。本文研究网络流量数据分析系统和数据预处理技术,提出了模糊聚类算法和朴素贝叶斯分类算法。聚类算法用于分析用户和流量特征,分类算法用于对海量数据进行分类。     

基于Spark的船舶航行轨迹聚类方法

依托船舶自动识别系统(Automatic Identification System,AIS)数据,利用云计算并结合聚类算法,对船舶历史数据进行轨迹聚类分析,构建船舶航行正常轨迹模型,为实时检测船舶异常轨迹奠定基础,进而为提高水上交通监管智能化水平提供新方法。针对目前轨迹聚类算法效率低等问题,基于Spark内存计算技术及数据分区思想,提出一种改进的并行子轨迹聚类算法SPDBSCANST(Parallel DBSCAN of Sub Trajectory Based on Spark)。以长江航道武汉段船舶航行数据为例进行试验验证,并通过可视化方式呈现。结果表明,改进后的算法的聚类效率和效果都有明显提升。     

船舶噪声数据库中自动快速筛选数据方法

为了有效地提取船舶噪声数据库中数据,提出一种基于DBSCAN算法的船舶噪声数据库中自动快速筛选数据方法。采用DBSCAN方法识别数据库中的数据分布特征并排除异常数据,利用数据值筛选特征,通过数据增益率对特征进行加权,计算船舶噪声数据库中聚类质心的距离来提取出噪声数据。采用扰动支持噪声数据代价函数的方法测量数据特征的分类贡献度,进而建立噪声数据特征指数,对噪声数据特征指数以递归方法进行噪声数据特征排序和优化筛选。实验仿真证明,所提方法能够有效地自动快速筛选数据,筛选出来的数据质量较高。     

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。     

船舶通信网络异常数据定位技术

普通船舶异常数据定位算法,存在数据位置定位不够准确、定位时间较长等弊端。为有效解决上述问题,设计基于通信网络异常分析的船舶数据定位算法。通过船舶异常信号的稀疏化处理、通信网络的恢复与重构,完成通信网络异常分析。通过船舶数据关键字查询、GNP网络定位格局的搭建、定位最短路径选择,完成基于通信网络异常分析船舶数据定位算法的搭建。设计对比实验结果表明,新型算法与传统算法相比,可以快速、准确的定位数据所处位置。     

基于Voronoi图的内河船舶锚位面积计算方法研究

为了快速计算和分析锚泊船舶占用水域面情况,提出一种基于Voronoi图的内河船舶锚位面积计算方法.首先采用滑动窗口算法,识别预处理后的船舶轨迹数据得到具有锚泊状态船舶;其次结合K-means聚类算法对锚泊船舶轨迹数据聚类,得到聚类中心作为船舶锚泊位置;基于某一时刻船舶锚位记录数据构建对应锚泊船位点集,划分形成Voron...     

船舶通信网络异常数据自动检测和剔除方法

为提高船舶通信网络异常数据自动检测精度,并全面剔除船舶通信网络异常数据,研究新的船舶通信网络异常数据自动检测和剔除方法。利用基于改进支持向量机的网络异常数据自动检测方法,由改进粒子群优化算法,寻优设置支持向量机的惩罚项、核函数的预定义参数,训练性能合格的支持向量机后,以船舶通信网络数据分类的方式,自动检测船舶通信网络异常数据;将异常数据使用基于自适应级联陷波器的异常数据剔除方法,通过自适应级联陷波器,以异常数据滤波的方式,剔除船舶通信网络异常数据。研究结果显示,使用所提方法,船舶通信网络异常数据自动检测结果符合实际数目,可有效去除船舶通信网络异常数据。     

基于AIS信息的船舶轨迹聚类模型及应用

为获得船舶典型的运动模型,及时发现船舶异常轨迹并对其进行有效监控和管理,进而实现海上智能交通,基于船载AIS蕴藏着大量的海上交通特征的特点,从中获取能够反映船舶行为规律的有效的、潜在的信息。根据海上交通工程理论和数据挖掘技术,利用AIS信息并结合轨迹聚类算法,完成对已有轨迹的聚类,从中获取船舶典型的运动轨迹。以厦门港主航道及闽台直航船为实例,通过构建相应的AIS数据库并对船舶轨迹进行聚类结果展示,获得该海域船舶典型的运动轨迹。     

自组织特征映射网络在船舶雷达目标识别中的应用

针对船舶雷达目标识别存在的问题,研究了基于聚类的自组织特征映射网络(SOM网)的船舶识别。对SOM结构进行了设计,特别是在输出层设计、数据处理、数据聚类等方面进行重点的讨论。通过实验,SOM网络在船舶雷达目标识别中,具有较好的识别效果。     

基于模式识别的船舶异常行为自动报警方法

不能自行判断船舶异常行为,并根据判断结果完成自动报警,是现阶段船舶航行面临的主要问题。为有效解决此问题,建立基于模式识别的船舶异常行为自动报警方法。通过识别相似度的确定、与船舶异常行为关系的确定,完成基于模式识别研究角度的确定。通过船舶异常行为聚类、聚类异常行为识别,完成上述方法的搭建,并确定该方法是否可以完成自动报警。设计对比实验结果表明,应用该方法后,节省检测船舶异常行为所需人力资源,且提升识别准确性。