一个可容错并行文件数据存储模型

针对大数据量需求问题, 设计并实现了一个并行文件数据存储模型： 固定大小数据分片和有冗余数据放置模型. 该存储模型简单高效. 实验结果表明, 该模型能够对数据进行容错, 提高了文件数据的可用性.     

基于XML的关系数据模型

分析了当前典型的XML关系数据模型的优缺点,在此基础上提出了一个新的XML关系数据模型.该模型将数据模式、数据视图和数据内容分开,数据表现形式灵活,适合于对XML数据的处理及XML数据与关系数据库数据的转换.     

污染数据半参数回归模型中的强相合估计

同删失数据一样 ,在实际工作中经常遇到一些关于污染数据的统计分析问题 .对于删失数据已得到了一系列较为深刻的结果 ,但对污染数据问题的研究却不多 .污染数据回归模型是生物统计中常用的模型 .考虑一类污染数据半参数回归模型 ,建立了模型的参数、回归函数和污染系数的估计 ,并在适当条件下证明了它们具有强相合性 .     

基于面向对象的大数据存储模型研究

随着大数据存储需求的不断扩大,网络存储技术面临如何存储并管理海量数据的问题.通过对现有各种大数据存储模型进行了对比分析,针对现有存储模型存储的局限性和大数据存储的特点,提出了一种基于数据特征的面向对象存储思想.采用虚拟类技术设计并实现了一种基于面向对象的大数据存储模型.在仿真环境中,对该模型的分类关键模块与非结构化数据存储性能进行了测试与分析,实验结果表明该模型分类模块误差较小,读写效率较高,而且随着数据的增大,非结构化存储性能保持稳定.     

基于特征级融合的高速公路异质交通流数据修复方法

为获取完整的交通流数据集,提出了一种交通流数据修复方法.结合多源数据的互补特性,基于深度学习模型构建了时空关联特征提取方法,将高速公路交通流数据缺失情况分为3类,并基于随机森林算法建立修正模型.模型以平均绝对误差最小为优化目标,基于测试集和选择集优化了模型的参数.利用高速公路固定检测器和浮动检测技术获取的多源数据,对比分析了单一数据源与多源数据的修正精度.结果表明:多源数据修正模型明显优于单一数据源修正模型,在点缺失、线缺失和面缺失3种情况下,MAPE的平均值分别提高了24. 87%,39. 87%和52. 93%.此外,随着缺失比例的增加,较单一数据源模型,多源数据修正模型精度更为稳定,在点缺失、线缺失和面缺失3种情况下,其MAPE的方差仅为0. 01,0. 03和0. 08,证明其具有较好的鲁棒性.     

空间线性组合模拟模型及其实证

空间分布的模拟精度与采用的模型密切相关.针对具有空间自相关时空数据的空间分布模拟问题,将时空数据看成为时间序列数据与横截面数据的组合,分别建立横截面数据一阶空间自回归[SAR(1)]模拟模型和克立格(Kriging)方法模拟模型,时间序列数据的遗传神经网络(GABP)模拟模型,在这些模型研究的基础上建立空间线性组合模拟(SLCS)模型.应用这些模型对2002年福建部分县市人均GDP水平空间变异进行实证模拟研究,结果表明空间线性组合模型模拟效果较好.     

基于面向对象的分布式遥感数据存储模型研究

现有的遥感数据存储模型大都针对遥感影像产品数据,且在分布式环境中不能达到较好的负载均衡,为了能够管理及高效存取海量多源异构的遥感数据,满足日益增长的高并发数据共享服务需求,提出了一种支持分布式虚拟化技术的遥感数据存储组织模型.模型利用面向对象思想对遥感数据进行分类及标准化处理,结合金字塔与全球剖分格网模型,建立分布式虚拟化环境下的遥感数据存储组织架构,利用一致性哈希算法思想解决数据在分布式环境下均衡性存储问题,同时通过虚拟化服务器动态分配策略优化了系统整体性能.实验表明新提出的模型比传统模型及同类模型更具优势.该模型已经应用在国家高分辨率对地观测系统河南数据与应用中心数据分发服务系统,验证了模型的可靠性、稳定性和适用性.     

RBF-BL时间序列模型及其在建模和预测中的应用

基于传统的线性和非线性模型,提出了一种改进的非线性模型,即RBF神经网络的状态依赖双线性(RBF-BL)模型.以模型残差平方和最小为优化目标,介绍了模型参数辨识算法.以太阳黑子数据、Mackey-Glass序列数据和机床工作台爬行位移数据为数值算例,基于GNAR模型、BP模型、RBF模型和RBF-BL模型分别进行了数据建模和预测,以建模均方误差(MSEM)、预测均方误差(MSEP)、建模平均相对误差(MREM)和预测平均相对误差(MREP)作为误差衡量指标.结果表明,与传统的模型相比,RBF-BL模型表现出较好的建模和预测性能.对于太阳黑子数据,RBF-BL模型的误差衡量指标分别为0.009 6、0.026 6、0.002 7和0.003 9.对于Mackey-Glass序列数据,RBF-BL模型的误差衡量指标分别为7.982×10~(-6)、6.400×10~(-4)、0.002 5和0.025 0.对于机床工作台爬行位移数据,RBF-BL模型的误差衡量指标分别为7.590×10~(-4)、0.010 1、0.038 8和0.023 8.     

流形拓展t-过程回归（英文）

本文提出了一种流形拓展t-过程回归模型,用来分析带有复杂协变量的函数型数据.该流形拓展t-过程回归模型可将协变量数据变换至特征空间,然后用拓展t-过程回归将特征空间数据转换到观测数据空间,从而对观测数据进行建模.我们建立了一个估计程序来估计模型中的参数.对真实数据和模拟数据进行了分析,结果说明所提流形拓展t-过程回归模型是可行的.     

工作排序问题及其数学模型

利用LINGO4.0给出了工作排序问题的数学模型.模型的数据与公式完全分离,调试模型只要在数据存放的文件中进行,非常容易.模型的类型属线性规划模型并用LINGO语言编写,求解迅速.该模型具有较强的实用性和通用性.     

基于振荡序列的GM(1,1)幂模型建模研究

对于数据变化并不是呈单调趋势,变化无规律的振荡序列,建模难度较大,预测效果不太理想.若采用时间跨度较大的数据进行建模,数据变化较大,其预测精度不高.采用时间间隔较小的数据建模,则数据的统计特征不能充分反映.为尽量保证建模预测的可靠性,利用灰色系统建模理论建立GM(1,1)幂模型,该模型体现了灰色系统的能量特征,充分利用数据特征,采用信息覆盖思想设定幂指数的白化公式,并给出GM(1,1)幂模型参数求解方法,较好地解决了模型参数计算的问题,拓展了GM(1,1)模型的使用范围.实证表明,GM(1,1)幂模型与GM(1,1)模型相比有效提高了模型的预测精度.     

基于双向差分GM(1,1)模型当季国内生产总值预测

以灰色系统理论建模中的GM(1,1)模型为基础,结合双向差分原理,建立基于双向差分的GM(1,1)模型.该模型克服了大数据建模中对数据量的限制,为"贫数据"及"数据信息不确定"的这类数据提供一种建模思路.实证分析表明,基于双向差分的GM(1,1)模型预测精度优于灰色GM(1,1)模型及大样本建模中的ARMA模型.     

应用溶解扩散模型预测钴的渗透行为

应用溶解扩散模型预测反渗透去除放射性废水溶液中钴的渗透行为.研究了低浓度钴离子的渗透行为,结合溶解扩散模型和物料平衡,推导出渗透分离的方程.首先通过拟合较高浓度钴离子渗透的实验数据,求得模型的相关参数,然后针对较低浓度钴离子的渗透实验数据,与模型预测数据进行对比.结果显示,实验数据与模拟数据相对误差不超过15%,该溶解扩散模型可以很好地预测较低钴离子浓度下的渗透行为.     

基于XGBoost的深圳二手房价格预测

为了更加精准地预测二手房价格,该文以2019年深圳市二手房的真实交易数据为研究对象,利用线性回归模型、随机森林模型和XGBoost模型并加以POI计算来预测二手房价格.首先,对数据集进行清洗并可视化展示.其次,运用百度地图进行POI处理扩充数据集,使得数据集接近现实情况.接着,按照数据特征对房价影响的重要程度进行了排序,选取重要的特征来训练模型.最后,通过数值结果分析,XGBoost模型对二手房的房价评估效果最好,尤其是经过POI处理的数据集和XGBoost模型的这种组合,对于深圳市的二手房价格具有极好的预测效果.     

基于卷积神经网络的粗粒度数据分布式算法

针对特定运行模式下粗粒度数据存在计算效率较低的问题, 提出一种基于卷积神经网络的数据分布式算法. 首先构建用于粗粒度数据处理的卷积神经网络模型, 给出模型基础连接层神经元网络的连接结构和权重比例, 并训练和池化粗粒度数据； 然后利用训练池化结果求解模型的最小损失函数, 提升模型针对粗粒度数据的分布式计算能力. 实验结果表明, 在单机和集群模式下, 卷积神经网络模型具有更好的计算效率和数据泛化能力.     

基于卷积神经网络的粗粒度数据分布式算法

针对特定运行模式下粗粒度数据存在计算效率较低的问题, 提出一种基于卷积神经网络的数据分布式算法. 首先构建用于粗粒度数据处理的卷积神经网络模型, 给出模型基础连接层神经元网络的连接结构和权重比例, 并训练和池化粗粒度数据; 然后利用训练池化结果求解模型的最小损失函数, 提升模型针对粗粒度数据的分布式计算能力. 实验结果表明, 在单机和集群模式下, 卷积神经网络模型具有更好的计算效率和数据泛化能力.     

生长曲线模型在隧道监控数据处理中的应用

分别采用Weibull生长曲线模型、对数函数模型、指数函数模型和幂函数模型等4种回归模型对某隧道拱顶下沉的实测数据进行了回归分析,并将各模型预测结果和实测数据进行了对比.结果表明：Weibull生长曲线模型的预测结果与实测数据最为吻合,精度最高,误差最小.因此,采用Weibull模型对隧道围岩变形情况进行回归分析,效果要优于其他3种传统模型.     

基于数据的建筑能耗分析与建模

对建筑能耗数据进行深入分析,提出了建立建筑电力能耗模型的方法.首先对建筑能耗进行了分项计量,统计了建筑逐时照明能耗数据,办公设备能耗数据以及办公人数,同时调查了建筑管理控制方式.经过分析可知,办公设备能耗数据与办公人数线性相关,而照明能耗数据与办公人数以及太阳辐射强度相关,但为非线性关系.根据不同类型数据的特点,分别建立了线性回归模型以及决策树模型.该模型可以预测建筑能耗并评估建筑管理方式对能耗的影响.     

ABPAC:一种基于属性的起源访问控制模型

在复杂多变的网络环境下,起源数据的规模、复杂度、敏感度逐渐提升,对起源数据的访问控制比传统数据的访问控制更加复杂.为了防止细粒度的起源数据遭受未授权用户的非法访问,结合W3C标准下起源核心数据模型PROV-DM中定义的起源基本属性,提出了一种基于属性的起源访问控制模型ABPAC和ABPAC模型的属性描述模型.从六个方面对ABPAC模型进行形式化描述,划分了用户属性,并通过起源属性匹配方法实现了用户灵活、准确地对起源数据进行访问,最后给出了模型的实现流程.分析表明,该模型能够较好的满足对细粒度起源数据的访问需求.     

基于M估计的稳健配准

在计算机视觉和逆向工程领域,数字化测量数据与其CAD模型间的配准是一个值得研究的问题.基于3个基准点的对齐方法实现数字化测量数据与CAD模型的粗配准,使得变换后的测量数据与CAD模型比较接近,再通过M估计来实现稳健配准,这可以去除原始测量数据中的不好数据,同时较快地获得模型变换并实现精确配准.试验结果表明,该算法能很好地实现点集与三维模型间的配准.