仿真数据收集中的实时数据库技术研究

研究了实时仿真应用系统中的数据库技术。为实现仿真中数据收集、存储和事务调度的实时性，满足对所收集数据的实时使用需求，提出了一种新的稀疏索引技术。该技术在不影响数据收集任务的前提下，可以提供对所收集数据的高效查询。通过比较实验，验证了实时数据收集系统的可行性和有效性。     

高级分布式仿真中的数据收集技术研究

介绍了高级分布式仿真中数据收集的体系结构、存储方式以及事后分析等关键技术，并在此基础上设计了一个数据收集系统。该系统主要针对数据收集后在内存和磁盘中的组织，应用实时数据库技术来提高数据收集和数据导入磁盘的性能，并为数据的运行时使用提供了条件。对于数据收集后导入磁盘的算法以及分布式数据收集的体系结构，本文也作了初步探讨。     

基于时态数据库的分布仿真数据收集方法

提出一种基于时态数据库的分布仿真数据收集方法：先给出分布仿真数据收集体系结构；参考历史关系数据库模型，对传统关系数据库进行扩展，提出适用于分布仿真数据收集的时态数据库模型；然后基于该模型详细设计并实现仿真时态数据库原型系境用于数据收集，包括数据的索引机制、存储实现以及查询优化。通过大量实验与基于纯文件的数据收集和基于一般商用关系数据库的数据收集进行性能比较，论证该方法在分布仿真数据收集方面的优势。该方法收集速度快、查询效率高，特别适用于面向回放和实时查询的分布仿真数据收集系境。     

组移动模式挖掘中轨迹聚类的置信区间法

在借鉴空间数据挖掘技术的基础上,定义了移动对象轨迹之间的时态距离和平均距离,提出了标准差法和置信区间法两种轨迹聚类算法。两种方法能够找出所有具有相似轨迹的对象对,在不同距离采样点数的基础上配合使用两种方法能够明显降低轨迹聚类算法的时间复杂度。基于标准差法和置信区间法的轨迹聚类算法在仿真数据集和真实数据集进行了验证。表明两种方法能够为其他轨迹聚类算法进行数据筛选,筛选后的数据量将大大减少,从而可提高算法效率。