检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向信息集成应用的信息源适配问题研究

面向信息集成应用的信息源适配问题研究

作者：房元平暨南大学

学位级别：硕士

随着计算机技术的飞速发展,以及信息化的高速推进,网络中提供的信息总量也以迅猛的速度增长。企业或社会组织实现数据共享,可以使更多的人更充分地利用已有的数据资源。但这些为不同应用服务的信息都存储在许多不同的数据源之中,其数据... 详细信息

随着计算机技术的飞速发展,以及信息化的高速推进,网络中提供的信息总量也以迅猛的速度增长。企业或社会组织实现数据共享,可以使更多的人更充分地利用已有的数据资源。但这些为不同应用服务的信息都存储在许多不同的数据源之中,其数据内容以及数据格式千差万别,且其管理系统也各不相同。如何对这些数据进行有的效的集成管理,屏蔽这些信息源的异构,并提供一个统一的接口透明的访问各信息源,成为一些大型企业或社会组织头痛的事情。同时,由于涉及生产系统安全性与负荷问题,需要能针对不同应用场景和不同实时性要求妥善地处理信息源接入。同时对如何高效的进行的数据交互,提高信息获取的效率,也是一个值得研究的问题。本文认真分析研究了上述信息源适配问题,提出了基于信息源适配器模型的信息集成方式,有效的解决了相关问题。本文的主要工作在以下几个方面： 1)研究了各类异构性问题,包括信息源异构以及数据类型异构问题,并针对相关问题提出了相应的解决方案。 2)提供了统一的API与各信息源交互,屏蔽了信息源的差异,方便了信息的获取。 3)针对信息交互效率的问题,提出了数据块的概念,有效的解决了一些效率问题。 4)设计并实现了信息源适配器,完成了适配器的基本功能,比较好的解决了相关信息源适配问题。

关键词：信息源适配器公共类型异构性信息集成数据块

云计算环境下大GML空间数据并行存取关键技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

云计算环境下大GML空间数据并行存取关键技术研究

作者：吴学饶江西理工大学

学位级别：硕士

随着对地观测、移动GIS、互联网、物联网等技术的成熟以及GML使用领域不断拓展,GML空间数据正在井喷式增长,其数据量正在从GB级跃升至PB乃至EB级,大GML数据时代正在来临。而传统空间数据库的计算及I/O能力难以满足大GML数据所需的高性... 详细信息

随着对地观测、移动GIS、互联网、物联网等技术的成熟以及GML使用领域不断拓展,GML空间数据正在井喷式增长,其数据量正在从GB级跃升至PB乃至EB级,大GML数据时代正在来临。而传统空间数据库的计算及I/O能力难以满足大GML数据所需的高性能处理需求。近几年流行的云计算技术拥有超大规模、高可扩展性、高可靠性和通用性等特点;同时No SQL在大数据背景下朝气蓬勃,它是同时支持结构化和半结构化数据存储的一种非关系型分布式数据库。因此,云计算技术和No SQL技术为半结构化大GM空间数据的并行存取问题赋予了全新的解决途径。本文利用开源云计算平台Hadoop以及分布式数据库HBase研究了大GML空间数据在分布式计算环境下并行存取的关键技术。主要借助Hadoop平台及HBase等软件对大GML空间数据的存储与查询做了以下几点研究。(1)分析现有空间数据划分算法,结合传统GML存储管理思想和GML数据所拥有的特点,兼顾地理要素几何以及拓扑关系等的完整性,研究适合云计算平台下大GML空间数据动态划分算法策略。(2)结合现有云计算技术及No SQL技术,设计了适合在HBase中存储GML空间数据的一种存储模型;分析Hadoop的分布式文件系统架构及其数据副本的放置策略,改进HDFS默认数据副本放置方法,并对分布式文件系统进行扩展使其能够确保地理要素的几何完整性。(3)深入研究传统空间数据索引机制,综合并行空间索引算法和GML空间数据划分算法,基于四叉树和R树索引机制设计了一种适合GML空间数据的两级并行空间索引结构。(4)分析GML数据所具有的特点以及Map Reduce并行计算模型;并结合HBase数据库与传统空间数据库的查询优化技术;然后综合考虑GML数据分布式存储时采用的划分策略,研究云平台下适合大GML空间数据并行查询算法及策略。最后,通过实验测试并对其性能及效率进行分析,得出本文设计的GML空间数据划分算法、存储模型、并行索引机制和查询算法都具有良好的性能。

关键词：云计算 GML Hadoop 数据块 HBase 空间索引

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自适应Volterra滤波器算法研究

自适应Volterra滤波器算法研究

作者：郑晓华杭州电子科技大学

学位级别：硕士

由于线性滤波器理论基础成熟、数学分析简单、易于设计和实现,因而获得较为广泛的应用。然而,随着人们不断深入的研究发现,在卫星链路、高速通信信道、回声对消等存在非线性的场合,由于线性自适应滤波器本质上的缺点致使线性滤波器的滤... 详细信息

由于线性滤波器理论基础成熟、数学分析简单、易于设计和实现,因而获得较为广泛的应用。然而,随着人们不断深入的研究发现,在卫星链路、高速通信信道、回声对消等存在非线性的场合,由于线性自适应滤波器本质上的缺点致使线性滤波器的滤波性能不理想。为了克服线性滤波器的缺点,提高系统性能,非线性滤波器理论逐渐成为研究的热点。近年来人们建立了多种非线性自适应滤波方法,如形态滤波器(Morphological Filter)、同态滤波器(Homomorphic Filter)、排序统计滤波器(Order Statistics Filter)、Volterra滤波器以及其他多项式滤波器等。其中Volterra滤波器综合考虑了系统的线性结构和非线性结构,十分适合构建各种系统的非线性模型,有着广阔的应用前景。同时,在实际应用中系统特征不可知或是时变的,无法事先知道滤波器的抽头长度,传统固定抽头长度的自适应算法无法满足系统性能要求,变抽头长度自适应算法也成为了研究的热点。本文主要研究Volterra滤波器的自适应算法,包括高斯噪声背景下Volterra滤波器自适应算法、α稳定分布噪声背景下Volterra滤波器自适应算法和变抽头长度自适应算法。首先,概述了Volterra滤波器的基础知识,为本文的研究工作打下基础。其次,研究了高斯噪声背景下Volterra滤波器自适应算法。为了提高高斯噪声背景下传统Volterra滤波器的最小均方误差算法收敛性能差的问题,本文提出了一类基于正交变换的二阶Volterra自适应算法,通过正交化输入信号,实现了二次项信号解耦,减少了二次项的权系数,简化了Volterra滤波器自适应算法。将本算法应用于信道均衡的仿真表明,还改善了均衡器的收敛性能,最后比较了五种正交变换的二阶Volterra滤波器自适应算法的性能。然后,研究了α稳定分布噪声背景下Volterra滤波器自适应算法。由于α稳定分布的厚重拖尾特性使得传统Volterra滤波器自适应算法收敛效果不理想。本文从两个方面着手研究。一方面研究了Volterra滤波器的自适应数据块算法,利用更多的输入信号和误差信号信息,同时对Volterra滤波器权向量的线性项部分和非线性项部分分别采用不同的收敛因子,改善稳态性能以及提高收敛速度。另一方面从Volterra滤波器结构出发,对输入数据进行分组排列降低复杂度,减少乘法的次数,同时每组对应的子滤波器权系数采用全解耦自适应调整算法,有效地降低了非线性项耦合的影响。最后,研究了变抽头长度自适应算法。在传统高斯噪声背景下FIR变抽头长度自适应算法研究基础上,提出了α稳定分布下变抽头长度最小平均P范数(LMP)算法,采用三个并行的滤波器比较数据段的平均P阶误差,每K点数据段更新一次抽头长度,数据段内滤波器权值采用LMP算法调整。同时,还研究了变抽头长度Volterra滤波器的自适应算法,运用分数抽头长度概念,对滤波器抽头长度进行自适应调整,用LMP算法自适应调整权系数。提出了α稳定分布下二阶Volterra滤波器变抽头长度自适应滤波算法。

关键词： Volterra滤波器最小平均P范数正交变换格型滤波器数据块分组全解耦变抽头长度

基于复杂事件处理技术的监控信息“事件化”处理机制设计及应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电力信息与通信技术 2023年第12期21卷 61-66页

作者：王晓李英国网浙江省电力有限公司宁波供电公司浙江省宁波市315016 国网浙江省电力公司浙江省杭州市310007

随着国内智能电网建设的深入推进,电力系统的数字化、信息化、智能化不断发展,电力能量流、信息控制流和管理业务流等数据呈爆炸性增长。在电网出现大面积故障事件时,集中监控变电站无序且杂乱的监控信号,造成电网监控工作质效低下。集... 详细信息

随着国内智能电网建设的深入推进,电力系统的数字化、信息化、智能化不断发展,电力能量流、信息控制流和管理业务流等数据呈爆炸性增长。在电网出现大面积故障事件时,集中监控变电站无序且杂乱的监控信号,造成电网监控工作质效低下。集中监控系统告警信号和设备数据之间的离散关系给提高劳动效率和实现监控智能化升级带来诸多困难。基于监控信息“事件化”项目,文章提出了基于复杂事件处理(complex event processing,CEP)技术的监控信息“事件化”处理机制的总体设计思路,完成了数据提炼成信息、信息聚合成事件、事件转化成决策的过程研究。据此搭建的监控信息“事件化”分析平台,日平均“事件化”率达到95.3%左右,在夜间实现了“黑屏”监视,并且可以周期性实现数据价值挖掘和推送,促进监控运行业务向智能化转型升级。

关键词：复杂事件处理监控信息事件化数据块