目前應(yīng)用的艦船數(shù)據(jù)挖掘準(zhǔn)確度較低,因此設(shè)計(jì)一種聚類分析算法的海上艦船數(shù)據(jù)挖掘。在數(shù)據(jù)挖掘中應(yīng)用聚類分析算法,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,得到文本數(shù)據(jù)特征向量集,利用模糊集體現(xiàn)近似關(guān)系,根據(jù)隸屬度的取值將模糊聚類的思想演變?yōu)槟繕?biāo)函數(shù),將數(shù)據(jù)集按照目標(biāo)函數(shù),劃分為具有較小差距的群組,初步得到數(shù)據(jù)挖掘結(jié)果,經(jīng)過(guò)評(píng)估后,篩選出準(zhǔn)確度最高的數(shù)據(jù),作為數(shù)據(jù)挖掘的最終結(jié)果。至此完成了聚類分析算法的海上艦船數(shù)據(jù)挖掘的研究。通過(guò)實(shí)驗(yàn)表明,設(shè)計(jì)的數(shù)據(jù)挖掘準(zhǔn)確度平均為92%,比傳統(tǒng)的數(shù)據(jù)挖掘準(zhǔn)確度高17.2%,驗(yàn)證了設(shè)計(jì)的聚類分析算法的海上艦船數(shù)據(jù)挖掘在提高挖掘準(zhǔn)確度方面的可靠性。 

【文章來(lái)源】：艦船科學(xué)技術(shù). 2020,42(06)北大核心

【文章頁(yè)數(shù)】：3 頁(yè)

【部分圖文】：

艦船信息聚類過(guò)程Fig.1Shipinformationclusteringprocess

class）或簇（cluster）的過(guò)程[4]，這種劃分思想是要使得聚類結(jié)果滿足，相同群組內(nèi)的數(shù)據(jù)差距盡量小，不同群組的數(shù)據(jù)差距盡量大。概括起來(lái)，應(yīng)用聚類算法的數(shù)據(jù)挖掘基本步驟可以用圖3表示。將一艘艦船表示成它所有特征組成的向量，由于每一艘船包含的特征信息過(guò)多，因此需要將這些信息進(jìn)行數(shù)據(jù)理解，在經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，得到艦船數(shù)據(jù)向量集，通過(guò)聚類分析算法，將這些向量集通過(guò)模糊聚類的思想轉(zhuǎn)換成目標(biāo)函數(shù)，即初步得到需要的信圖1艦船信息聚類過(guò)程Fig.1Shipinformationclusteringprocess圖2VSM模型向量構(gòu)造圖Fig.2VSMmodelvectorconstructiondiagram第42卷張傳美：基于聚類分析算法的艦船數(shù)據(jù)挖掘·167·

挖掘中的混合差分進(jìn)化K-Means無(wú)監(jiān)督聚類算法[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)),2019,33(5):107–112.[4]表1艦船參數(shù)Tab.1Shipparameters序號(hào)參數(shù)描述1船體長(zhǎng)度/m169.452設(shè)計(jì)吃水型寬/m29.613壓載排水體積/t3451.544主機(jī)持續(xù)使用功率/kW82005航速/kn19.5表2實(shí)驗(yàn)結(jié)果對(duì)比Tab.2Comparisonofexperimentalresults實(shí)驗(yàn)編號(hào)訓(xùn)練船數(shù)量測(cè)試船數(shù)量傳統(tǒng)方法K值1.64本文方法K值0.591502502.792.2321002002.342.0131501502.061.9042001001.701.825250501.311.73圖3數(shù)據(jù)挖掘基本步驟Fig.3Basicstepsofdatamining·168·艦船科學(xué)技術(shù)第42卷

【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)挖掘的數(shù)據(jù)聚類分析研究[J]. 李雪.  安陽(yáng)師范學(xué)院學(xué)報(bào). 2019(05)
[2]大數(shù)據(jù)挖掘中的混合差分進(jìn)化K-Means無(wú)監(jiān)督聚類算法[J]. 吳雅琴,王曉東.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(05)
[3]聚類算法在船舶能效數(shù)據(jù)挖掘中的應(yīng)用[J]. 高梓博,杜太利,張勇,黃連忠.  武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版). 2019(02)
[4]基于改進(jìn)蟻群算法的聚類分析方法研究[J]. 武書(shū)舟,閆麗娜,張秋艷,申曉留.  計(jì)算機(jī)與數(shù)字工程. 2018(09)



本文編號(hào)：3218492