工业数据仓库设计方法及其在质量分析中的应用

提出一种建立工业数据仓库的基本方法,并结合某大型钢铁企业的具体情况,给出一种数据仓库系统的实现方案,讨论了数据仓库在企业产品质量分析中的应用。实践证明,数据仓库可为企业的经营管理提供全面、准确的数据,可在改进产品性能,提高产品质量方面发挥重要作用。     

基于MapReduce的增广动态Skyline查询处理方法

Skyline查询能够计算大规模的数据集中满足多个标准的最优解,被广泛应用于多目标决策等领域.动态skyline查询作为skyline查询的一种重要变体,其结果随着查询点的不同而动态改变,为用户在指定查询要求方面提供了更大的灵活性.然而,随着数据量的不断增加,动态skyline查询会产生大量的查询结果,忽略了查询点的维度方向性和数据的全局整体性,给用户的选择带来极大困难.因此,需要进一步优化动态skyline查询的结果集,提高全局整体性,过滤冗余数据.针对上述问题,提出一种基于MapReduce的增广动态skyline查询处理方法.该方法将原始数据按照维度信息进行分区,在多个节点并行计算动态skyline,优化传统动态skyline结果集,同时提供全局更优的结果供用户选择.在此基础上,针对用户给出某些维度的容忍度的情况,提出一种引入用户容忍度的增广动态skyline查询处理方法.该方法可以根据用户容忍度缩减增广动态skyline查询的原始数据集,很大程度上减少中间结果的比较次数,并且提高了结果集的准确度.大量实验证明,基于MapReduce的增广动态skyline查询处理方法具有更好的有效性、准确性和可用性.     

一个面向中小企业动态联盟使能系统的研究

针对当今网络经济模式下中小企业对支持企业动态联盟的使能系统的需求，提出了一个支持应用服务提供商模式的，基于面向Web服务结构的使能系统－e_Scope。系统由模型对象，图形化工具对象和管理对象组成，模型对象为组建系统的基本元素，图形化工具对象为系统配置与操作接口，管理对象负责协调管理，系统依据模型对象，具有按需构建联盟使能服务平台和定义商务处理过程的能力，为中小企业动态联盟提供了一个按需配置的，经济可行的使能环境。     

HoliAdapt—数据流中一种适应性查询处理策略

针对数据流上连续查询处理的特征，我们从选择率和执行时间的角度出发,考虑内存使用量和输出延迟适应性因素，提出一种适应性的查询处理策略—HoliAdapt。该策略基于查询窗口动态地收集统计信息，利用数学方法不断地优化查询计划，通过核心调度方法，对操作符进行适应性的调度,有效地减少时间延迟和内存使用量，提高系统查询的效率。     

数据流上的一种适应性查询优化及调度策略

针对数据流系统中的查询处理机制进行了深入的研究,从内存使用量和查询的实时性两方面进行综合考虑,提出了一种适应性查询优化策略Slope.该策略一方面可以根据各操作符的选择度和单位时间处理元组个数来适时调整查询计划;另一方面可以按调整后的查询计划进行非等值时间片轮转调度.还给出了Slope策略的相应算法并进行了性能测试.     

多媒体播放中的动态双门限自适应调整算法

针对无线网络存在的自相似特性会影响视频流的播放质量问题,提出了基于滑动窗口的接收端播放缓存调整算法,根据网络流量的变化,动态地调整双门限,并利用播放缓存的占用率来控制视频流的播放速度,平滑时延抖动.仿真实验证明,无论网络流量处于平稳状态还是处于突发状态,本文设计的算法都能够较好地保证视频流的连续播放,提高视频流的播放质量,为用户提供良好的视觉效果.     

基于移动性能计算的MAP分级选择算法

研究分级移动IPv6协议中移动节点的移动性能和数据通信情况对移动锚点（MAP）选择机制的影响,将MAP按覆盖范围分成不同等级,提出了一种通过计算移动节点的移动性能和数据通信量,使移动节点按照移动性能的升降和通信量的变化,动态选择不同MAP级别的机制,达到减少移动节点的切换次数和均衡MAP之间负载的目的。模拟实验证明动态选择MAP级别的机制,减少了绑定更新消息,并在MAP的负载均衡方面取得良好的效果,达到了减少移动节点的切换次数和均衡MAP之间负载的目的,优化了移动节点的移动切换过程,是一个适应性很强的分级选择MAP的机制。     

云计算环境下的一种高效的资源管理策略

近年,随着物联网相关研究工作的深入进行和新业务需求的日益增长,基于物联网技术的各种应用系统不断涌现。通常,人们希望智能物具有环境场所感知能力,因此提出一种基于物联网技术的场所感知应用系统。首先,围绕信息物品维、自主网络维、智能应用维3个维度构建该系统的体系结构,并分析了系统中主要实体间的关系;其次,讨论了体系结构中面向场所感知的专门部件的关键支撑技术及其发展方向,主要涉及环境物位姿传感、场所感知智能应用两个方面,其中,特别地给出一种物联网条件下可行的场所感知算法;最后,通过仿真实验验证了该系统的感知效果。     

基于RELM的时间序列数据加权集成分类方法

时间序列数据通常是指一系列带有时间间隔的实值型数据,广泛存在于煤矿、金融和医疗等领域。为解决现有时间序列数据分类问题中存在的含有大量噪声、预测精度低和泛化性能差的问题,提出了一种基于正则化极限学习机(RELM)的时间序列数据加权集成分类方法。首先,针对时间序列数据中所含有的噪声,利用小波包变换方法对时间序列数据进行去噪处理。其次,针对时间序列数据分类方法预测精度低、泛化性能较差的问题,提出了一种基于RELM的加权集成分类方法。该方法通过训练正则化极限学习机(RELM)隐藏层节点数量的方法,有效选取RELM基分类器;通过粒子群优化(PSO)算法,对RELM基分类器的权值进行优化;实现对时间序列数据的加权集成分类。实验结果表明,该分类方法能够对时间序列数据进行有效分类,并提升了分类精度。     

EBSN中基于用户特征的社交事件规划与饥饿问题处理

社交事件发布参与平台越来越受到人们的关注,其主要功能是为对某个社交事件感兴趣的用户规划适合的社交活动.现有社交事件平台贪婪规划方法通常假设每个用户可以参与限定个数的事件,解决参加限定个数事件引起的时空冲突,但方法中没有考虑用户的特征,导致用户规划顺序不合理,同时,现有方法也没有考虑如何解决因资源占用出现用户无法获取事件的情况,导致用户对社交平台满意度下降.为解决上述问题,本文通过用户空闲时间与用户平均速度双重约束条件,提出一种基于用户特征的社交事件规划与饥饿问题处理方法,该方法首先提取用户特征排序的同时,结合贪心算法和Skyline思想再次排序,确定用户最佳处理顺序,在此基础上,针对社交网络事件规划中可能出现的用户饥饿问题提出救济算法,消除兴趣值不敏感的饥饿用户,在总效用值下降最小的前提下,保证了用户对社交网站的最大满意度.实验表明,本文提出的规划算法能够有效地进行社交事件规划并解决用户饥饿问题.