船舶定位信号短时中断下的插值预测模型 interpolation predictive model under short-term interrupting of ship positioning signal.pdfVIP

下载本文档

5
0
约5.29万字
约 12页
2017-09-14 发布于上海
举报
版权申诉

船舶定位信号短时中断下的插值预测模型 interpolation predictive model under short-term interrupting of ship positioning signal.pdf

1、本文档共12页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

船舶定位信号短时中断下的插值预测模型 interpolation predictive model under short-term interrupting of ship positioning signal

阮群生，李豫颖，龚子强.船舶定位信号短时中断下的插值预测模型[J].计算机科学与探索，2014 ，8（12）：1525-1536. ISSN 1673-9418 CODEN JKYTA8 E-mail: fcst@vip. 163.com Journal of Frontiers of Computer Science and Technology 1673-9418/2014/08(12)- 1525-12 Tel: +86-10 doi: 10.3778/j.issn. 1673-9418.1408018 船舶定位信号短时中断下的插值预测模型∗ 1+ 1 2 阮群生，李豫颖，龚子强 1. 宁德师范学院计算机系，福建宁德 352100 2. 宁德市海事局航运管理处，福建宁德 352100 Interpolation Predictive Model under Short-Term Interrupting of Ship Positioning Signal ∗ 1+ 1 2 RUAN Qunsheng , LI Yuying , GONG Ziqiang 1. Department of Computer, Ningde Normal University, Ningde, Fujian 352100, China 2. Office of Shipping Management, Ningde Maritime Affairs Bureau, Ningde, Fujian 352100, China + Corresponding author: E-mail: ruanqunsheng 1979@163.com RUAN Qunsheng, LI Yuying, GONG Ziqiang. Interpolation predictive model under short-term interrupting of ship positioning signal. Journal of Frontiers of Computer Science and Technology, 2014, 8(12) ：1525-1536. Abstract: In accordance with the characteristics of ship navigation positioning data based on time series, the transition probability feature of the Markov chain state is utilized to solve the predictive problem of relatively great random volatility based on autoregressive integrated moving average model. During the process of building the probability matrix of Markov chain state transition, the K-means clustering algorithm is used to divide the differential state interval between predicted value and true value, and then a set of optimized predictive algorithm model is built. The value experi