DW中一种基于本体的语义集成方法研究

文中介绍了数据仓库领域一种基于本体的语义集成方法。首先建立领域本体和数据源的局部本体,然后通过局部本体对应的概念树间的映射算法得到数据源全局本体,再和领域本体映射,得到映射关系。最后通过本体推理,得出隐含的语义关系,用最终的语义关系来指导数据抽取、转换和加载过程,实现数据仓库语义程度上的数据集成。     

基于本体的ETL设计研究

提出了一种基于本体的ETL设计方法,通过建立各数据源的局部本体和目标数据仓库的全局本体以及本体间的映射,得出以OWL表示的各数据源和目标的映射关系.用本体元数据指导数据抽取,转换和加载过程,解决数据源ETL过程中的语义异构问题,实现了企业数据语义程度的集成.     

基于Worker权重差分进化与Top-k排序的结果汇聚算法

针对众包结果汇聚中最优排序结果选取的时效性问题,提出了Worker权重的高效快速汇聚算法。其中Worker权重的差分进化算法重点考虑众包Worker完成排序任务存在的差异性问题,基于目标函数和约束条件中Worker完成任务的不确定性和差异性影响,建立基于差分进化算法的Worker权重优化模型,获取多数据项场景下候选结果最优权重,实现Worker权重与任务对结果性能需求匹配的最大化;提出基于Top-k排序的优化模型求解算法,针对多数据项场景下候选结果的Top-k排序选取,在合适的k值下可快速求解上述模型,获得各Worker的优化权重。所提出的基于优化的Worker权重可实现结果汇聚的匹配性与匹配速度优化,即在提升结果汇聚速度的同时,具有优化的汇聚结果性能。定性分析证明了算法的正确性,仿真实验结果也验证了算法的效果,与相关算法对比,所提算法的综合性能最优。     

基于Hawkes过程的车联网协同缓存及资源分配

随着网络流量呈指数级增长，能够访问多媒体内容的智能汽车也面临巨大的流量压力，为此提出了一种基于Hawkes过程更新内容流行度的车联网协同缓存及资源分配框架.研究了在路边单元和智能车辆中的协同缓存及资源分配策略，同时，考虑到内容缓存的更新周期远大于信道条件的变化周期，提出了双时间尺度模型.首先，使用基于Hawkes过程的方法，考虑内容请求的新鲜度和时效性，根据历史内容请求记录更新流行度；然后，对路边单元和车辆协作缓存策略的数据传输吞吐量和缓存能耗进行建模，以最大化边缘设备的缓存效益为目标，并利用深度强化学习求解优化问题.仿真结果表明，所提出策略相比其他策略可以得到更高的效益.