一种结合多重插补的ADS-B数据筛选算法

为了提高广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)报文质量,解决由于地面站多重覆盖、硬件设施配置、运行状态等原因引起的报文在数据重复性、数据完整性和实时性上存在的问题,采用多条件直接起始法建立航迹,采用多项约束条件筛选进入优选的报文,并基于专家评级法对报文中表征数据项完整性的权重参数进行估计,结合报文的位置精度和完好性参数综合计算得出ADS-B数据质量指标并将其作为挑选依据。对于ADS-B报文质量极度不理想的特殊情况,使用多重插补(Multiple Imputation,MI)算法对其进行补全处理,综合以上步骤挑选出高质量和高可靠性的ADS-B更新点迹。仿真计算证明该方法可有效剔除重复覆盖造成的重复报文和网络延迟造成的历史数据,防止航迹点回跳,提高数据质量和监视效率。目前,该方法已实际应用于地面站和传输链路条件均不理想的场合,大量实践结果表明该方法可用于保证输出高实时性的、周期性的、稳定平滑的、可靠的ADS-B数据。     

基于优先度排序的3维数据缺失快速插补法

为了快速准确地对3维光学测量的缺失数据进行插值,以利于后期对比研究,提出了基于优先度排序的3维数据缺失快速插补估算方法,并把该算法用于插补模拟实验数据以及20帧振动扬声器测试数据的验证。结果表明,与其它常用缺失数据插补方法相比,该方法运算速度快、插补效果好,有利于处理3维测量结果的多帧和大量的数据。     

基于优先度排序的3维数据缺失快速插补法

为了快速准确地对3维光学测量的缺失数据进行插值,以利于后期对比研究,提出了基于优先度排序的3维数据缺失快速插补估算方法,并把该算法用于插补模拟实验数据以及20帧振动扬声器测试数据的验证。结果表明,与其它常用缺失数据插补方法相比,该方法运算速度快、插补效果好,有利于处理3维测量结果的多帧和大量的数据。     

基于特征权值的缺失数据修复方法

随着信息技术的迅速发展,数据信息处理技术已经从原始的文件处理演变到复杂且功能强大的数据库系统,为了将这些数据信息转换成有用的知识信息,数据挖掘技术应运而生。数据集的数据质量低下会导致挖掘出的数据准确率明显降低,数据缺失是数据质量低下最常见的情况,为了提升数据质量,对缺失数据的修复问题是一项值得关注的热点问题。文章对缺失数据的修复主要是讨论连续型属性的数据类型,修复方法采用归因技术的思想,利用属性间的关系,用数据集中的现有值去估计那些相关的缺失值。并对比一种常用且高效的缺失值修复方法,在此基础上通过引入属性的特征权值,加强重要属性对数据修复计算的影响,进一步提高了数据修复的准确率。     

基于云计算的电能计量数据异常分析方法

由于原始电能计量数据受到外界干扰,对数据实际异常的分析结果存在一定误差,为此,提出基于云计算的电能计量数据异常分析方法.利用云计算挖掘有效数据的特征,并以其为基础修复缺陷数据,对于重复数据直接删除,其余类型的脏数据以时间为基准进行标记,在数据分析阶段按照非目标数据源处理,利用加权回归的方式得出处理后数据的异常情况.测试...     

网络高并发信息的缺失数据修复方法仿真

网络高并发信息在传输过程会因为网络故障,线路接触不良以及外界病毒入侵等各种因素导致数据缺失,计算机运行过程为不可逆过程,若想对设备和系统进行分析必须要使用完整数据,需要利用有效的方法对缺失数据进行修复。对网络高并发信息的缺失数据修复方法仿真进行研究,基于CS原理对缺失数据进行修复,通过某种矩阵对网络中最原始的数据信号σ相似文献   

基于DES算法的电力物联网信任网关数据远传加密

基于DES算法的电力物联网信任网关数据远传加密是指在电力物联网中,通过信任网关对数据进行加密保护,使用DES算法进行数据加密,并通过远传方式将加密后的数据传输到目标节点。针对电力物联网信任网关的数据传输安全问题,提出了基于DES算法的电力物联网关信任网关数据加密的传输方法。该方法在明文数据中加入了可变化的冗余码,既可以提高数据远传加密的可靠性,又可以将每个数据块经过一系列的操作得到密文,可防止数据被篡改提高其安全性。     

基于物联网的电力核心用户数据匿名化系统

电力核心用户匿名化处理过程中用于筛选属性特征的数据维度较高,且排序混乱,导致匿名化数据隐私性和可用性下降,提出基于物联网的电力核心用户数据匿名化系统。设计物联网数据采集器,根据物联网技术特性规划采集器控制板CPU电路,采集用户数据;通过用户IP向量的聚类变化,重新排序特征值的熵,获得数据集降维数据,利用降维数据属性特征匿名表示用户数据。实验结果表明,设计系统输出数据的记录链接和KL散度低于两组常规系统,降低了匿名数据被攻击概率和失真程度,提高了匿名化数据隐私性和可用性。     

基于多元回归KNN的油田缺失数据填充方法

为了提高油田开采的安全性和科学性,油田中装有各型数据传感器,但数据缺失导致传感器采集数据可用性显著降低。针对油田传感器大比例数据缺失填充问题,提出了一种基于多元回归KNN的缺失数据填充方法。该方法首先基于KNN利用传感器数据空间相关性预测缺失值,其次基于多元回归利用传感器数据时间相关性预测缺失值,最后将时空相关性预测结果通过样本决定系数进行整合。分别采用标准数据集和油田传感器数据集进行性能对比实验,结果验证了该方法对缺失数据填充的有效性和准确性。     

基于时空关系和关联规则挖掘的上下文信息缺失插补研究

上下文信息的缺失是上下文信息处理中不可避免的问题,缺失数据插补方法也是数据挖掘中的研究热点。但是,现有的缺失数据的插补方法不太适合上下文信息这一流数据形式,没有充分利用各传感器采集数据之间的关联性,而且在插补的过程中没有考虑传感器数据的时空关系。为了解决现存的缺失数据插补方法的缺陷和不足,该文提出了基于时空关系和关联规则挖掘的上下文信息缺失插补方法(STARM),对传感数据进行空间化和时间序列化,并生成强关联规则对缺失数据进行插补。最后,通过温度传感器采集数据验证了这一算法合理性和高效性。实验证明,该算法在上下文信息缺失估计的准确性要高于简单线性回归算法(SLR)和EM算法等,而且具有较小的时空开销,能够保证实时应用的服务质量(QoS)。     

一种K值自适应和局部搜索的KNN矩阵修复方法

数据在采集和传输过程中由于多种原因会造成矩阵残缺,因此在数据分析之前需要对残缺矩阵进行修复。常见的KNN修复方法 k值选取不合理,且需在整个矩阵中搜索近邻,影响算法的修复效果。在其基础上提出了一种k值自适应的局部KNN矩阵修复方法,合理考虑了k值的选取和近邻项的搜索范围。实验证明了该方法能有效提高矩阵修复的正确率,且算法的时效性有所提高。