机器学习辅助下舰艇预警系统关键数据智能挖掘方法

舰艇预警系统关键数据挖掘方法受到多方面因素影响,其方法可信度较低,因此提出机器学习辅助下舰艇预警系统关键数据智能挖掘方法。通过构建关键数据智能预测模型,进行舰艇预警系统关键数据均值分类,对分类后关键数据实施预处理,经过极致化计算从而实现关键数据均值智能挖掘。通过对设计舰艇预警系统关键数据智能挖掘可信度计算,针对同一参数下机器学习舰艇预警系统关键数据智能挖掘模型与传统数据智能挖掘方法可信度进行对比,从而证明研究方法有效性。     

安全防护环境下舰船监控网络病毒检测系统

针对舰船监控网络病毒检测系统检测结果精度较低的问题,设计安全防护环境下舰船监控网络病毒检测系统。在此次设计中沿用原有舰船监控网络病毒检测系统硬件,着重进行系统软件设计。通过构建软件框架进行软件设计,设定病毒规则库并对网络数据进行捕获;将捕获后的数据通过滤波进行预处理;采用聚类的方式进行数据挖掘并构建病毒特征库;将网络中的数据与病毒特征库进行匹配,完成网络病毒的检测。至此,安全防护环境下舰船监控网病毒检测系统设计完成。构建对比试验,对比检测范围体现检测精度。与原有系统相比,此系统检测范围更加完成。由此可见,此系统检测精度更高,检测更有效。     

舰船机舱监控网络高维感知数据弱关联挖掘研究

舰船机舱监控网络高维感知数据主要包含正常状态数据与异常状态数据,其中异常状态数据规模较大,增加舰船机舱监控网络高维感知数据弱关联挖掘的难度,导致数据弱关联挖掘效率较低,为此设计一种舰船机舱监控网络高维感知数据弱关联挖掘方法。采集舰船机舱监控网络高维感知数据,计算采集到的数据点与数据点之间的紧密联系度,确定异常数据最合适的异常处理时间,在此基础上,对正常感知数据与异常感知数据特征相关性参数进行统计特征分析,对数据弱关联模糊值评估,完成舰船机舱监控网络高维感知数据弱关联挖掘。实验证明,在正常感知数据与异常感知数据弱关联挖掘上,此次设计的方法都比传统2种方法的挖掘效率高。     

舰船无线网络异常数据智能捕捉及预警方法

由于网络攻击导致舰船无线网络可能出现运行异常,为了实现网络异常状态的准确检测,提出异常数据智能捕捉及预警方法。根据舰船无线网络的结构和工作原理,构建相应的网络模型。在该模型下以估算流量的方式,实现异常数据的智能捕捉。以数据捕捉结果为基础,处理捕捉数据并提取其特征,结合数据异常量和异常特征表现的严重程度,实现舰船无线网络预警。实验结果表明,设计方法的异常数据捕捉完整度高达99.9%,且平均误警率仅为1.9%,因此具有较高的应用价值。     

大数据环境下舰船环形通信网络信息云挖掘方法

针对舰船环形通信网络受到噪声干扰,信息挖掘结果置信度较低的问题,在大数据环境下提出了一种新的舰船环形通信网络信息云挖掘方法。确定数据集,通过协同处理完成数据清洗,基于大数据环境选取数据集,预处理舰船环形通信网络信息,离散分析并确定数据离散特征,通过自动跟踪方法直接将挖掘结果显示在用户界面,实现舰船环形通信系统数据的云挖掘。实验结果表明,大数据环境下舰船环形通信网络信息云挖掘方法能够很好地分析通信网络数据特征,实现分类挖掘,降低误码率,提高整体性能。     

基于云计算的舰船网络被动数据快速关联算法

传统的网络被动数据关联算法存在计算复杂,迭代次数过多的问题。为此提出基于云计算的舰船网络被动数据快速关联算法。采用目标假设的方法,去除被动数据中的虚假目标,构建约束条件,初始化拉格朗日乘子,通过云计算的方式求取目标函数对偶解,获得关联数据结果集,实现舰船网络被动数据快速关联。测试结果表明,与传统的被动数据关联算法相比,舰船网络被动数据快速关联算法利用云计算,简化了运算,减少了迭代次数,使得算法快速收敛。     

基于关联规则的舰船故障数据定位挖掘算法

为了提高舰船故障检测能力,需要进行舰船故障数据的实时挖掘和分类分析,提出一种基于关联规则的舰船故障数据的定位挖掘方法。采用电磁探测器、水声换能器、声呐装置、声学传感器等设备进行不同工况下舰船数据采集,包括舰船辐射噪声、机械振动等数据,对采集的数据进行高维特征融合处理,提取舰船故障数据的关联规则特征量,对提取的特征量采用K均值算法进行聚类分析,并通过BP神经网络分类器实现舰船故障数据的分类识别,实现舰船故障数据定位挖掘。仿真结果表明,采用该方法进行舰船故障数据挖掘的准确性较好,对故障的定位能力较强,提高了舰船实时故障诊断能力。     

物联网环境下舰船通信系统大数据自动挖掘方法

舰船通信系统大数据在物联网环境下不断增长,采用传统挖掘方法没有剔除冗余数据,导致挖掘效率较低。针对该问题,提出了物联网环境下舰船通信系统大数据自动挖掘方法。根据舰船通信系统结构,按照系统覆盖作业方式展示不同结果,通过数据清理、数据集成、数据归约和数据变换进行数据预处理。依据动态数据跟踪流程,分析数据采集模型,获取用户界面显示结果。根据用户自定义需求,剔除无关数据,由此设计发数据自动挖掘流程。计算上下行干扰功率,避免系统受到外界干扰。由实验结果可知,该方法挖掘精准度最高可达到97%,其舰船通信系统提供具有针对性的服务。     

舰船无线网络通信联合调制自动识别算法

舰船在实际进行无线通信时,联合调制的低信噪比信号易受到干扰,导致识别算法正确识别次数过少,针对这一不足,研究一种舰船无线网络通信联合调制自动识别算法。预处理舰船无线信号,选取信号的瞬时信息与统计信息作为特征参数组合,提取联合调制特征参数,利用提取的参数,构建一个分层迭代的识别结构,抵制干扰,完成对自动识别算法的构建。实验设置无线网络通信参数,设定识别次数为100,信噪比实验环境为-5～20 d B,使用2种传统识别算法与之对比。结果表明,文中构建的自动识别方法在不同实验环境下,平均正确识别次数为95次,正确识别次数最多。     

舰船用通信网络的异常数据监测技术研究

为了保障舰船用通信网络的数据传输的准确性,提高舰船网络的故障智能分析能力,需要进行异常数据监测,提出一种基于舰船用通信网络传输信号瞬时频率估计的异常数据监测技术。对采集的通信网络输出信号经过时频分解完成时域与频域之间的转换,采用高阶累积量特征提取方法进行舰船用通信网络中的异常数据检测,对检测的异常数据进行干扰和冗余数据滤波处理,完成对舰船用通信网络输出信号的瞬时频率估计,分析瞬时频率的异常状态特征,实现异常数据监测。仿真结果表明,采用该方法进行舰船用通信网络的异常数据监测能提高数据挖掘的准确度,对异常数据检测的虚警较低,抗干扰能力较强。     

舰船编队通信网络混合数据智能调度方法

为避免舰船编队通信网络在数据传输时出现网络堵塞和冲突,提高数据传输速率,研究舰船编队通信网络混合数据智能调度方法。分析舰船编队通信网络结构,根据舰船通信网络状态,构建混合数据智能调度优化目标函数,基于深度学习网络的优化方法,获取最佳混合数据智能调度方案。经实验验证可知,该方法可有效降低混合数据传输时延与路由开销,提高分组投递率,避免通信网络发生堵塞现象。     

云计算环境下舰船通信数据深度挖掘方法

舰船通信设备的复杂化,使得通信数据量级增大,受到噪声、背景等多种因素的影响,潜在的数据很难被发现,而云计算可以提供并行编程服务,因此,进行云计算环境下舰船通信数据深度挖掘方法研究。基于云计算MapReduce并行编程模式,引入数据聚类技术,将通信数据划分为多个数据集,根据节点计算资源分配通信数据集,通过KNN分类挖掘算法计算每个节点数据之间的欧式距离,基于确定阈值分类通信数据,实现了通信数据的深度挖掘。实验数据表明:当数据量大于200万条,提出方法数据挖掘执行时间较低,更适用于舰船通信数据深度挖掘。     

舰船自动智能避碰数学模型及其仿真研究

为了提高舰船航行的安全和效率,达到最佳操船效果,需要建立舰船自动智能避碰数字模型。当前模型在分析舰船避碰风险度的基础上,通过人工智能、进化计算和软计算等方法实现舰船自动智能避碰,存在避碰识别准确率较低的问题。本文提出一种新的舰船自动智能避碰数学模型,首先对舰船会遇态势进行判断;然后建立预测舰船碰撞风险判断模型,预测本舰船实施自动智能避碰方案后的复航时机是否已到,以及本舰船立即复航是否能够让清目标舰船或其他所有目标舰船;最后依据舰船碰撞风险判断结果,以当前舰船潜在碰撞风险为例,建立舰船自动智能避碰数学模型。仿真结果证明,所提模型能够实现舰船自动智能避碰。     

舰船自动智能避碰数学模型及其仿真研究

为了提高舰船航行的安全和效率,达到最佳操船效果,需要建立舰船自动智能避碰数字模型.当前模型在分析舰船避碰风险度的基础上,通过人工智能、进化计算和软计算等方法实现舰船自动智能避碰,存在避碰识别准确率较低的问题.本文提出一种新的舰船自动智能避碰数学模型,首先对舰船会遇态势进行判断;然后建立预测舰船碰撞风险判断模型,预测本舰船实施自动智能避碰方案后的复航时机是否已到,以及本舰船立即复航是否能够让清目标舰船或其他所有目标舰船;最后依据舰船碰撞风险判断结果,以当前舰船潜在碰撞风险为例,建立舰船自动智能避碰数学模型.仿真结果证明,所提模型能够实现舰船自动智能避碰.     

大密度舰船电子海图中数据快速检索方法研究

为了提高舰船导航和定位能力,需要对大密度的舰船电子海图数据进行快速准确检索,针对舰船电子海图数据分布密度大、散列性较强的特点,提出基于自相关特征匹配和模糊C均值聚类的大密度舰船电子海图中数据快速检索方法。采用有向图和决策树构建舰船电子海图数据库的检索节点分布结构模型,提取舰船电子海图数据的语义关联性和规则性特征,采用自相关特征匹配方法对检索数据进行指向性挖掘和信息融合处理,对挖掘的关联数据进行模糊C均值聚类,实现对大密度舰船电子海图数据的分类检索。仿真结果表明,采用该方法进行大密度舰船电子海图中数据检索的收敛速度较快,提高数据检索的查准率和查全率,检索效率和准确性较高。     

基于神经网络的红外图像舰船统计特征分析

目前研究的红外图像舰船统计特征分析方法全面性较差,准确性较低。为了提高舰船统计特征提取的准确度和精度,本文借鉴神经网络工作原理,进一步对红外图像识别到的舰船目标进行统计特征提取,实现预期设计的效果。本文首先了解舰船红外成像的工作原理,然后利用图像滤波、图像增强技术以及图像分割操作对舰船图像数据进行预处理分析,利用特征目标模糊分类识别方法初步实现红外图像舰船统计特征的识别,然后调用神经网络技术,完善红外图像舰船统计特征提取流程。实验表明,设计方法具有很好的全面性和准确性,实现研究目标,可以投入使用。     

基于数理统计法的舰船运动数学模型

传统的舰船运动数学模型没有考虑到海上复杂情况对舰船运动的影响,导致舰船航行过程中容易发生碰撞现象,为此设计一种基于数理统计法的舰船运动数学模型。建立舰船运动坐标系,利用固定坐标系与运动坐标系描述舰船位置情况,采用数理统计法整理舰船航行数据,在模型中计算风、浪、流的干扰,以真实模拟舰船运动情况,并建立舰船智能避碰决策机制,以此完成舰船运动数学模型的构建。通过实验证明,此次设计的基于数理统计法的舰船运动数学模型比传统舰船运动数学模型发生碰撞次数少,证明了此次设计的舰船运动数学模型的有效性。     

集装箱码头出口堆场减少倒箱策略研究

<正>目前世界各大港口集装箱码头堆场作业通用的机械有2种:轨道式龙门吊和轮胎式龙门吊,其中占绝大部分的是轮胎吊。据不完全统计,轮胎吊倒箱单箱平均耗油1.2L,耗时1.5min,目前许多集装箱码头出口箱翻倒率为15%左右。对年出口150万TEU的码头来说,仅仅因为出口倒箱将额外耗油27万L和5625h的无效作业时间,这实在是一笔不少的损失。集装箱装卸费一般采用装卸包干费的办法,这部分成本只能是码头自己消化。因此,减少倒箱是码头重点挖掘的潜力之一,可以     

基于物联网技术的舰船运行轨迹异常点识别

针对传统舰船运行轨迹异常点识别方法存在运行轨迹检测性能较差的问题,提出一种基于物联网技术的舰船运行轨迹异常点识别方法,获取舰船自动识别系统中的舰船运行轨迹数据,在舰船自动识别系统中,舰船运行轨迹数据的存放形式是日志文件,因此对系统中的日志文件进行挖掘,基于物联网技术对挖掘数据实施预处理,通过StopT-CB算法划分舰船运行轨迹以剔除停留点,便于进行异常点的识别,通过网格划分实现舰船运行轨迹的异常点识别。为了证明基于物联网技术的舰船运行轨迹异常点识别方法的运行轨迹检测性能更好,将传统舰船运行轨迹异常点识别方法与该方法进行对比实验,实验结果证明该方法的运行轨迹检测性能优于传统方法。     

基于数据挖掘技术的舰船物联网流量预测

舰船物联网流量具有随机性、规律性的变化特点,为更好分析舰船物联网流量变化趋势,构建基于数据挖掘技术的舰船物联网流量预测方法。首先收集舰船物联网流量的数据,并对其进行聚类分析,选择部分样本作为训练样本,然后采用灰色理论模型对舰船物联网流量数据进行挖掘和分析,构建舰船物联网流量的预测模型,最后采用仿真实验对舰船物联网流量预测模型的拟合能力和泛化能力进行分析。结果表明,本文方法不仅可以高精度拟合舰船物联网流量变化特点,而且泛化能力良好,获得了高精度的舰船物联网流量拟合和泛化结果,比其他模型的舰船物联网流量预测效果更优。