船舶智能能效管理数据挖掘技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 智能船舶的发展和研究现状 | 第13页 |
| 1.2.2 船舶能效管理的发展现状 | 第13-14页 |
| 1.2.3 船舶数据预处理的研究现状 | 第14-15页 |
| 1.2.4 船舶数据挖掘的研究现状 | 第15-16页 |
| 1.3 论文主要研究内容及结构 | 第16-17页 |
| 2 船舶能效数据特征分析与数据挖掘 | 第17-33页 |
| 2.1 船舶能效数据 | 第17-19页 |
| 2.1.1 船舶能效数据监控与采集系统 | 第17-18页 |
| 2.1.2 船舶能效数据的特点和种类 | 第18-19页 |
| 2.2 能效数据关系特性分析 | 第19-26页 |
| 2.2.1 船舶推进动力分析 | 第19-23页 |
| 2.2.2 气象因素的影响分析 | 第23-26页 |
| 2.3 数据挖掘相关概念 | 第26-30页 |
| 2.3.1 数据库知识发现的一般步骤 | 第27页 |
| 2.3.2 数据挖掘的任务目标 | 第27-29页 |
| 2.3.3 数据挖掘方法分类及选择 | 第29-30页 |
| 2.4 Python与数据挖掘算法 | 第30-32页 |
| 2.4.1 Python及其特点 | 第30页 |
| 2.4.2 Python和其他语言比较的优缺点 | 第30-31页 |
| 2.4.3 Python进行数据挖掘分析的优势 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于主成分分析的船舶能效数据异常检测模型 | 第33-46页 |
| 3.1 异常数据检测基本概念 | 第33-36页 |
| 3.1.1 异常值与噪声 | 第33-34页 |
| 3.1.2 异常数据检测模型 | 第34-36页 |
| 3.2 基于主成分分析的异常数据检测模型 | 第36-41页 |
| 3.2.1 主成分分析法 | 第37-38页 |
| 3.2.2 PCA异常检测模型 | 第38-41页 |
| 3.3 数据预处理 | 第41-43页 |
| 3.3.1 数据标准化 | 第41-42页 |
| 3.3.2 航行状态判断 | 第42-43页 |
| 3.4 主成分个数选取 | 第43页 |
| 3.5 PCA检测阈值的确定方法和异常值检测准则 | 第43-44页 |
| 3.6 异常值检测评价指标 | 第44-45页 |
| 3.7 本章小结 | 第45-46页 |
| 4 目标船异常数据检测评估及分析 | 第46-53页 |
| 4.1 实船数据异常检测评估 | 第46-49页 |
| 4.1.1 实船能效数据相关参数说明 | 第46页 |
| 4.1.2 实船数据异常检测性能评估 | 第46-49页 |
| 4.2 异常数据检测分析 | 第49-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 船舶能效数据挖掘与分析 | 第53-66页 |
| 5.1 船舶能效数据挖掘目标和指标 | 第53-55页 |
| 5.1.1 数据挖掘目标 | 第53页 |
| 5.1.2 数据挖掘指标 | 第53-54页 |
| 5.1.3 船舶柴油机工况特性 | 第54-55页 |
| 5.2 能效数据挖掘方法 | 第55-57页 |
| 5.2.1 高斯混合模型和EM算法聚类 | 第55-56页 |
| 5.2.2 相关性分析 | 第56-57页 |
| 5.3 主机运行工况聚类 | 第57-60页 |
| 5.4 能效数据相关性分析 | 第60-65页 |
| 5.5 本章小结 | 第65-66页 |
| 6 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 附录A 预处理后的船舶能效数据及说明 | 第71-77页 |
| 致谢 | 第77-78页 |
| 作者简历及攻读硕士学位期间的科研成果 | 第78-79页 |
