基于聚类分析算法的舰船数据挖掘
发布时间:2021-06-08 12:51
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。
【文章来源】:舰船科学技术. 2020,42(06)北大核心
【文章页数】:3 页
【部分图文】:
舰船信息聚类过程Fig.1Shipinformationclusteringprocess
class)或簇(cluster)的过程[4],这种划分思想是要使得聚类结果满足,相同群组内的数据差距尽量小,不同群组的数据差距尽量大。概括起来,应用聚类算法的数据挖掘基本步骤可以用图3表示。将一艘舰船表示成它所有特征组成的向量,由于每一艘船包含的特征信息过多,因此需要将这些信息进行数据理解,在经过数据预处理后,得到舰船数据向量集,通过聚类分析算法,将这些向量集通过模糊聚类的思想转换成目标函数,即初步得到需要的信图1舰船信息聚类过程Fig.1Shipinformationclusteringprocess图2VSM模型向量构造图Fig.2VSMmodelvectorconstructiondiagram第42卷张传美:基于聚类分析算法的舰船数据挖掘·167·
挖掘中的混合差分进化K-Means无监督聚类算法[J].重庆理工大学学报(自然科学),2019,33(5):107–112.[4]表1舰船参数Tab.1Shipparameters序号参数描述1船体长度/m169.452设计吃水型宽/m29.613压载排水体积/t3451.544主机持续使用功率/kW82005航速/kn19.5表2实验结果对比Tab.2Comparisonofexperimentalresults实验编号训练船数量测试船数量传统方法K值1.64本文方法K值0.591502502.792.2321002002.342.0131501502.061.9042001001.701.825250501.311.73图3数据挖掘基本步骤Fig.3Basicstepsofdatamining·168·舰船科学技术第42卷
【参考文献】:
期刊论文
[1]基于数据挖掘的数据聚类分析研究[J]. 李雪. 安阳师范学院学报. 2019(05)
[2]大数据挖掘中的混合差分进化K-Means无监督聚类算法[J]. 吴雅琴,王晓东. 重庆理工大学学报(自然科学). 2019(05)
[3]聚类算法在船舶能效数据挖掘中的应用[J]. 高梓博,杜太利,张勇,黄连忠. 武汉理工大学学报(交通科学与工程版). 2019(02)
[4]基于改进蚁群算法的聚类分析方法研究[J]. 武书舟,闫丽娜,张秋艳,申晓留. 计算机与数字工程. 2018(09)
本文编号:3218492
【文章来源】:舰船科学技术. 2020,42(06)北大核心
【文章页数】:3 页
【部分图文】:
舰船信息聚类过程Fig.1Shipinformationclusteringprocess
class)或簇(cluster)的过程[4],这种划分思想是要使得聚类结果满足,相同群组内的数据差距尽量小,不同群组的数据差距尽量大。概括起来,应用聚类算法的数据挖掘基本步骤可以用图3表示。将一艘舰船表示成它所有特征组成的向量,由于每一艘船包含的特征信息过多,因此需要将这些信息进行数据理解,在经过数据预处理后,得到舰船数据向量集,通过聚类分析算法,将这些向量集通过模糊聚类的思想转换成目标函数,即初步得到需要的信图1舰船信息聚类过程Fig.1Shipinformationclusteringprocess图2VSM模型向量构造图Fig.2VSMmodelvectorconstructiondiagram第42卷张传美:基于聚类分析算法的舰船数据挖掘·167·
挖掘中的混合差分进化K-Means无监督聚类算法[J].重庆理工大学学报(自然科学),2019,33(5):107–112.[4]表1舰船参数Tab.1Shipparameters序号参数描述1船体长度/m169.452设计吃水型宽/m29.613压载排水体积/t3451.544主机持续使用功率/kW82005航速/kn19.5表2实验结果对比Tab.2Comparisonofexperimentalresults实验编号训练船数量测试船数量传统方法K值1.64本文方法K值0.591502502.792.2321002002.342.0131501502.061.9042001001.701.825250501.311.73图3数据挖掘基本步骤Fig.3Basicstepsofdatamining·168·舰船科学技术第42卷
【参考文献】:
期刊论文
[1]基于数据挖掘的数据聚类分析研究[J]. 李雪. 安阳师范学院学报. 2019(05)
[2]大数据挖掘中的混合差分进化K-Means无监督聚类算法[J]. 吴雅琴,王晓东. 重庆理工大学学报(自然科学). 2019(05)
[3]聚类算法在船舶能效数据挖掘中的应用[J]. 高梓博,杜太利,张勇,黄连忠. 武汉理工大学学报(交通科学与工程版). 2019(02)
[4]基于改进蚁群算法的聚类分析方法研究[J]. 武书舟,闫丽娜,张秋艳,申晓留. 计算机与数字工程. 2018(09)
本文编号:3218492
本文链接:https://www.wllwen.com/kejilunwen/jingguansheji/3218492.html