基于NASA观测数据的风电出力时空分布及波动特性分析

为克服实际风电场运行数据难以获取的问题,提出一种基于历史风速的风资源评估方法。首先,基于美国NASA(National aeronautics and space administration)数据中心获取风速数据,并利用假想风电机组模型转化为风机出力时间序列;然后,通过对时间序列的统计分析,计算期望、半载概率等指标评估风电出力的时空分布特性;最后,通过计算风电出力方差和分析相邻峰谷点差值概率分布规律分析风电出力的波动特性。所提方法能够同时考虑风资源自然特性和风电机组特性,且能对风电波动特性提供定量描述。利用所提方法对山东省风资源的评估结果表明:山东省可利用风能资源随地区、季节和昼夜的变化呈现出明显规律。     

1961-2014年石家庄地区降水量的时空变化特征

利用石家庄地区5个代表站1961—2014年的逐日降水资料,采用多种统计分析方法,分析了石家庄地区降水量的时空变化特征,结果表明石家庄地区年降水量从20世纪70年代开始下降,80年代达到最低,90年代有所增加,但也没有明显的上升趋势,21世纪初又开始下降.20世纪70年代降水量的减少春季和秋季贡献最大,80年代降水量的减少和90年代降水量的增加主要是夏季的贡献.石家庄地区年降水量起伏较大,1963年降水量最多,为1 038.4 mm,2014年最少,仅为276.2 mm.近54年石家庄年降水量在波动中呈现下降趋势,线性趋势为-11.0 mm/(10 a),但下降趋势并不明显.石家庄北部年降水量呈上升趋势,市区及东部、南部和西部年降水量均呈下降趋势,变化趋势均不明显.近54年,石家庄春季降水量呈上升趋势,线性趋势为0.9 mm/(10 a),夏季、秋季和冬季降水量均呈下降趋势,线性趋势分别为-11.9,-1.1和-0.3 mm/(10 a),上升或下降趋势均不明显.夏季降水减少是导致石家庄年降水减少的主要原因.石家庄四季降水量变化趋势的空间分布具有明显的季节特征和区域特征.石家庄四季降水量均存在显著周期变化.     

P2P网络中基于RDF/S的数据库语义查询系统设计*

提出一种P2P网络环境下基于RDF/S 数据模型的数据库语义查询原型系统,可以有效地对各种基于ODBC的异构数据源进行语义查询。首先数据内容经RDF/S描述成RDF/S schema片断形式,然后对片段进行编码,再把编码杂凑到DHT中,就可以使用Chord协议定位目标节点。     

APPLICATION OF MAXIMUM ENTROPY METHOD TO CALCULATE RDF OF Ni-P AMORPHOUS ALLOY FROM X-RAY DIFFRACTION DATA

Experiments clarified that application of the maximum entropy method to calculate the RDF(radial distribution function)of the Ni-P amorphous alloy from fewer data of its X-raydiffraction data shows a higher resolution and good consistent with known results.It is be-lieved that this method is available for the analysis of amorphous structure.     

YARM:基于MapReduce的高效可扩展的语义推理引擎

随着语义网的快速发展,RDF语义数据大量涌现.大规模RDF语义数据推理的一个主要问题是计算量大、完成计算需要消耗很长的时间.显然,传统的单机语义推理引擎难以处理大规模的语义数据.另一方面,现有的基于MapReduce的大规模语义推理引擎,缺乏对算法在分布和并行计算环境下执行效率的优化,使得推理时间仍然较长.此外,现有的推理引擎大多存在可扩展性方面的不足,难以适应大规模语义数据的增长需求.针对现有的语义推理系统在执行效率和可扩展性方面的不足,文中提出了一种基于MapReduce的并行化语义推理算法和引擎YARM.为了实现分布和并行计算环境下的高效推理,YARM做出了以下4点优化:(1)采用合理的数据划分模型和并行化算法,降低计算节点间的通信开销;(2)优化推理规则的执行次序,提升了推理计算速度;(3)设计了简洁的去重策略,避免新增作业处理重复数据;(4)设计实现了一种新的基于MapReduce的并行化推理算法.实验结果表明,在真实数据集和大规模合成数据集上,YARM的执行速度比当前最新的基于MapReduce的推理引擎快10倍左右,同时YARM还表现出更好的数据和系统可扩展性.     

基于贝叶斯过滤法的CSI室内定位方法

无线信号多径效应导致基于接收信号强度指示（RSSI）的室内定位方法的精度和稳定性下降。为解决这一问题,提出基于贝叶斯过滤法的信道状态信息（CSI）室内定位方法（BCL ）。将物理层的CSI结合RSSI作为参考信息,减轻信号接收端的多径衰减影响;在此基础上,采用贝叶斯过滤法进行数据处理,降低接收信号的时变性。实验结果表明,相比现有的典型室内定位方法, BC L有效提高了定位准确度和稳定性。     

基于Gilbert模型的无线传感器网络报文时间相关丢失率推测算法

在用Gilbert模型描述无线传感器网络中报文丢失过程的基础上,提出了一种基于Gibbs抽样的逻辑链路报文丢失时态依赖性推测算法,解决了传感器网络中报文丢失的时态依赖问题.仿真结果与理论计算结果相比表明:算法推测结果可以较准确地反映报文丢失在时间域上的关联关系.     

时态拟序数据索引TQD-tree

讨论一种新的时态数据库索引技术TQD-tree.不同于常规的“代数”方式,TQD-tree基于“序关系”数学框架,但与“代数”方式一样能够实现“一次一集合”的数据操作.提出给定时间期间集合上线序划分概念并建立构建算法,在线序划分框架内,提出时态数据索TQD-tree,并研究了相应查询和更新算法.设计了仿真实验,对TQD-tree的性能进行了基本评估.     

基于人工免疫算法的增量式用户兴趣挖掘

了解用户兴趣是为用户提供个性化服务的关键.用户兴趣有短期兴趣和长期兴趣之分,且具有不稳定性.受人工免疫系统的启发,巧妙地将免疫应答过程应用于用户兴趣挖掘.首先将概率与时间相结合,提出“概念时序动态”的概念,以更好地刻画用户在一段时间内对同一兴趣的关注程度;然后基于人工免疫原理,建立抽取兴趣标签的分类器来提取用户兴趣标签;最后针对增量式学习,建立兴趣标签的“概念时序动态”,刻画出用户兴趣自首次出现以来受关注的程度,以此为依据来判断兴趣是否存在迁移及遗忘现象,并为每个兴趣标签附上权重.其主要贡献是创造性地将人工免疫原理应用于用户短期兴趣和长期兴趣的挖掘,并具有增量特性,可以很好地体现用户兴趣迁移特征,是一种自然完整的用户兴趣模型.实验结果表明,该学习模型能够很好地发现用户关注的领域,其平均精度和召回率分别达到79.5％和74.4％,是目前最贴近用户的兴趣挖掘模型.