基于多维数据管控的人力资源系统决策研究

由于人力资源系统决策数据多维化,导致决策准确率较低,因而提出基于多维数据管控的人力资源系统决策方法.采用特征空间重构更新人力资源系统决策数据,定量递归分析融合决策过程中的多维数据,采用纳什均衡解的方法,将多维数据管控步骤转换为多维解向量优化问题,提取多维数据管控特征,利用联机分析处理工具,以报表的形式展现,得到优化的决...     

关系数据库中多维数据分析及展现的研究

在对关系数据库业务模型分析的基础上通过建立多维模型定义使数据具有多维的概念,并在此基础上提供了一种B/S模式的多维数据查询和展现的方法,该方法充分利用了多种数据存储结构来优化数据的查询和显示.通过建立维度间的层次关系可实现多维数据的钻取、旋转、切片等操作,结合JFreeChart的图形功能提供了一种多维图形展现和分析的方法.     

基于Java2平台的网络化机器人感知系统

介绍了一个基于Internet的分布式测控系统———网络化机器人感知系统 .它充分利用了具有标准接口的网络传感器的优势 ,以Javaapplet作为远程客户端 ,可以实现机器人多维力传感器数据与TEDS等状态信息的在线访问、监测与分析 ,为进行机器人Web遥操作等高层应用提供了可靠技术保障 .     

数据仓库中数据多维展现的设计方法

数据的多维展现是企业实施数据仓库的关键技术之一,论文详细介绍了用Brio开发工具实现数据仓库多维展现的一个实例,并讨论了数据仓库中多维展现的实现方法和基本要点。     

航空票务系统OLAP数据仓库设计与实现

如何对航空票务系统中累积的海量数据进行分析处理从而为决策提供支持,已经成为航空票务系统亟待解决的问题.通过对航空票务系统的研究,提出了利用联机分析处理和数据仓库技术建立决策支持系统的解决方案.详细论述了航空票务决策分析系统中数据仓库模型与多维数据集的建立,以及数据的抽取、转换、加载和分析结果的前端展现,并且对利用表分区技术解决决策系统中海量数据的存储问题进行了重点论述.     

基于分布式范围树的结构化P2P多维范围查询

基于分布式哈希表（DHT）的结构化P2P网络具有扩展性好、健壮和自组织等优点,但只支持精确匹配的查询.本文提出一种基于分布式范围树的结构化P2P范围查询方法（DRT-RQ）,该方法将多维索引的分布式范围树分发到已有的结构化DHT覆盖网络中,利用DHT系统提供的数据查找接口,有效实现数据对象的范围查询.实验结果表明,基于分布式范围树的范围查询（DRT-RQ）比基于前缀哈希树的范围查询（PHT-RQ）需要更短的查询延时.     

多维分析应用中的模糊查询算法研究

本文利用c#实现了一种改进的Edit Distance算法,并嵌入到基于SQL Server Reporting Services开发的多维报表展现平台中,实现了多维数据集的模糊查询.多个系统的实际运行表明,将模糊查询算法与多维数据库应用结合,提高了系统的是实用性,改进了用户体验.     

基于Spark的实时视频分析系统

视频监控技术在交通管理、公共安全、智慧城市等方面有着广泛的应用前景,且向着智能识别、实时处理、大数据分析的方向发展. 本文针对大规模实时视频监控提出了新的解决方案. 基于Spark streaming流式计算、分布式存储及OLAP框架,使多路视频处理在可扩展性、容错性及数据多维聚合分析上具有明显的优势. 系统根据视频处理算法划分为单机处理与分布式处理. 并将视频图像处理与数据分析耦合,利用Kafka消息队列与Spark streaming完成对多路视频输出数据的进一步操作. 结合分布式存储方案,并利用OLAP框架实现对海量数据实时多维聚合分析与高效实时查询.     

基于列存储机制下多维数据仓库模型的优化与研究

通过对分布式列存储机制下多维数据仓库模型的研究,考虑到多维数据仓库模型上的关联和聚集操作常常会引入大量的数据迁移,提出一种有效的列存储机制下多维数据仓库模型的优化方法即结合层次编码技术。采用维表层次全局域编码和维表层次局部域编码相结合的方式对传统星型模型维表中的层次信息进行二进制编码整合,将维表的层次信息压缩进事实表形成无连接星型模型,并针对新模型下的数据特征提出一种复合压缩策略,以期减少分布式列存储机制下的OLAP操作引入的数据迁移并降低数据存储空间,提升系统的查询性能。实验结果表明,该优化方法是可行且有效的。     

基于.NET预算业务文档库设计与实现

在设计和开发预算业务系统时,要求对业务文档文件的实现电子化的存储、管理、查询和展现,同时要求系统具有高并发性能和易用性。基于.NET技术、Oracle数据库Secure Files技术和分布式SOA技术,提供了一种业务文档库系统的技术设计方案,实现了业务文档的非结构化和结构化数据的统一存储管理。同时,保障了业务文档上传、下载和展现的高并发性、高稳定性。     

分布存储并行机上的自动数据布局优化模型

在分布式并行机上,数据布局的质量极大的影响着应用程序的执行性能,以往的研究一般将自动数据布局优化问题近似分解为数据对准优化和数据分布优化两步来解决,且对两者的结合只研究了一维的情况,在相关研究工作的基础上,在多维情况下将数据对准优化和数据分布优化结合在一个模型当中,提出了一个数据对准优化与数据分布优化统一的多维静态数据布局模型,避免了采用启发式策略,从而更加精确地描述了自动数据布局优化问题,同时给     

多维浮点数据的曲线拟合压缩存储方法

以三维位置信息为代表的多维浮点数据是当前高性能计算机系统处理的主要数据对象,对其进行压缩存储是解决海量多维数据量快速增长的需求与存储空间、存储带宽不足的矛盾的手段之一。现有数据压缩算法对浮点多维数据难以取得理想的压缩效果。将多维浮点数据投影到二维坐标上,使用多项式曲线对其进行拟合,将坐标值的存储转换为多项式系数的存储,实现了多维数据的曲线拟合压缩。算法设计中引入了排序作为数据预处理手段,从而得到了较小的压缩误差。理论分析和实验结果表明,在与现有有损压缩误差相当的条件下,得到了优于现有算法的压缩率。     

面向多源异构数据的云推送平台的研究与应用

在传统推送中,多源异构数据的推送面临时效性不强、安全性不高、数据难以重用等问题。针对多源异构数据的特征,综合移动互联网的安全性和隐私性等特点,提出了一种多维决策云推送模型来计算分布式环境中多源异构数据的特征值和特征向量,以快速分离数据源中的同构数据和异构数据;并基于此模型设计了云推送平台,其利用云推送技术来实现同构数据和异构数据的自动分离和高效推送。根据云推送平台在实验环境中的运行情况及相关指标分析,说明该平台适用于多源异构数据的推送,是一种高效可行的推送方式。     

PLATON: Peer-to-Peer load adjusting tree overlay networks

Peer-to-Peer systems supporting multi attribute and range queries use a number of techniques to partition the multi dimensional data space among participating peers. Load-balancing of data accross peer partitions is necessary in order to avoid the presence of network hotspots which may cause performance degradation or failures within the distributed environment. In this paper, we introduce a novel framework, PLATON, that preserves load balancing accross peer partitions when the multi-dimensional data space is dynamic, without requiring up-to-date global load information, e.g. information about the most loaded or least loaded peers in the network. A theoretical analysis on the upper bounds (ie. worst case) of the proposed algorithm is presented; its performance is evaluated in large-scale simulated networks and validated within in the PlanetLab emulation platform.     

Projected Field Similarity for Comparative Visualization of Multi‐Run Multi‐Field Time‐Varying Spatial Data

The purpose of multi‐run simulations is often to capture the variability of the output with respect to different initial settings. Comparative analysis of multi‐run spatio‐temporal simulation data requires us to investigate the differences in the dynamics of the simulations' changes over time. To capture the changes and differences, aggregated statistical information may often be insufficient, and it is desirable to capture the local differences between spatial data fields at different times and between different runs. To calculate the pairwise similarity between data fields, we generalize the concept of isosurface similarity from individual surfaces to entire fields and propose efficient computation strategies. The described approach can be applied considering a single scalar field for all simulation runs or can be generalized to a similarity measure capturing all data fields of a multi‐field data set simultaneously. Given the field similarity, we use multi‐dimensional scaling approaches to visualize the similarity in two‐dimensional or three‐dimensional projected views as well as plotting one‐dimensional similarity projections over time. Each simulation run is depicted as a polyline within the similarity maps. The overall visual analysis concept can be applied using our proposed field similarity or any other existing measure for field similarity. We evaluate our measure in comparison to popular existing measures for different configurations and discuss their advantages and limitations. We apply them to generate similarity maps for real‐world data sets within the overall concept for comparative visualization of multi‐run spatio‐temporal data and discuss the results.     

Structural Decomposition Trees

Researchers and analysts in modern industrial and academic environments are faced with a daunting amount of multi‐dimensional data. While there has been significant development in the areas of data mining and knowledge discovery, there is still the need for improved visualizations and generic solutions. The state‐of‐the‐art in visual analytics and exploratory data visualization is to incorporate more profound analysis methods while focusing on fast interactive abilities. The common trend in these scenarios is to either visualize an abstraction of the data set or to better utilize screen‐space. This paper presents a novel technique that combines clustering, dimension reduction and multi‐dimensional data representation to form a multivariate data visualization that incorporates both detail and overview. This amalgamation counters the individual drawbacks of common projection and multi‐dimensional data visualization techniques, namely ambiguity and clutter. A specific clustering criterion is used to decompose a multi‐dimensional data set into a hierarchical tree structure. This decomposition is embedded in a novel Dimensional Anchor visualization through the use of a weighted linear dimension reduction technique. The resulting Structural Decomposition Tree (SDT) provides not only an insight of the data set's inherent structure, but also conveys detailed coordinate value information. Further, fast and intuitive interaction techniques are explored in order to guide the user in highlighting, brushing, and filtering of the data.     

Wipe‐Off: An Intuitive Interface for Exploring Ultra‐Large Multi‐Spectral Data Sets for Cultural Heritage Diagnostics

A visual analytics technique for the intuitive, hands‐on analysis of massive, multi‐dimensional and multi‐variate data is presented. This multi‐touch‐based technique introduces a set of metaphors such as wiping, scratching, sandblasting, squeezing and drilling, which allow for rapid analysis of global and local characteristics in the data set, accounting for factors such as gesture size, pressure and speed. A case study is provided for the analysis of multi‐spectral image data of cultural artefacts. By aligning multi‐spectral layers in a stack, users can apply different multi‐touch metaphors to investigate features across different wavelengths. With this technique, flexibly definable regions can be interrogated concurrently without affecting surrounding data.     

多输入多输出系统的数据分层建模

为了高效准确地实现多输入多输出系统的数据建模,本文提出了数据分层建模算法.将多输入多输出数据建模问题分解为一系列单输入多输出的建模问题,同时改进标准遗传编程算法,将单树表示的的个体结构扩展为向量树的进化个体,实现多输出系统的自动建模.通过大量的计算实例表明,这种算法可以实现复杂的多输入多输出系统的建模,提高数据建模的效率和精度.     

一种并行处理多维连接和聚集操作的有效方法

随着并行计算算法的完善和廉价、功能强大的多处理机系统的成熟，使得采用多处理机系统来并行处理多维数据仓库的连接和聚集操作成为当前有效提高OLAP查询处理性能的首选技术．为此，提出一种降低连接和聚集操作开销的并行算法PJAMDDC(parallel join and aggregation for multi-dimensional data cube)．算法充分考虑了多维数据立方体的存储机制和多处理机分布系统的结构特点，在原有聚集计算多维数据立方体的搜索点阵逻辑结构的基础上，采用多维数据仓库的层次联合代理(hierarchy combined surrogate)和对立方体的搜索点阵进行加权的方法，使得立方体数据在多个处理机间的分配达到最佳的状态，从而在分割多维数据的同时，提高了并行处理多维连接和聚集操作的效率．算法实验评估表明，PJAMDDC算法并行处理多维数据仓库的连接和聚集操作是有效的．     

一种基于QoS的多维资源近似最优分配算法

分布式多媒体应用需要同时使用多种系统资源来保证用户的ＱｏＳ要求,如何在竞争资源的应用之间合理分配资源,使得在满足用户ＱｏＳ要求的基础上资源的利用率最高成为一个急需解决的问题,针对分布式多媒体应用的特性提出了一种基于ＱｏＳ的多维资源近似最优分配方法,该方法能显著地降低资源最优分配问题中的计算复杂度,并获得近似最优的资源分配方案。