导航电子地图数据的增量更新探究

随着车载导航技术应用的推广与深入,用户对导航电子地图数据的现势性和准确性也提出了更高的要求。而目前导航数据的更新速度远远落后于日新月异的导航点规划和道路建设,这已经成为制约导航数据更新的瓶颈。鉴于此,人们提出了导航数据的增量更新方式,本文就此方式出发,对增量更新的流程,尤其更新过程中对增量数据的变化检测及拓扑维护进行详尽的阐述,以期提高电子地图的更新与利用效率。     

车辆自主导航系统中的兴趣点增量更新

当前车载电子地图数据的更新主要采用离线版本更新的方式,该方法更新周期长,不能满足用户的现势性需求。该文设计了可增量的导航兴趣点数据库,提出了兴趣点增量数据结构,以动态扩展的增量形式存储导航兴趣点,并利用词头数字化压缩方法减少了数据量,最后通过增删词表计算车载导航设备和增量中心的检索文件及关联文件的差异,实现了兴趣点数据的增量更新。实验证明,该方法修改数据量小,更新速度快,能满足嵌入式导航设备兴趣点数据的动态增量需求。     

基于动态字典的增量更新算法

为减少软件更新中增量包的大小,提出了基于动态字典的增量更新算法DICDIFF。该算法使用后缀排序方法预处理新老版本文件,将预处理的结果以后缀数组和名次数组的形式存储为字典目录,基于该字典目录能够快速查找字典数据集与待编码数据之间的相同数据段。随着编码进度的推进,动态扩展字典数据集能够使用更多已知数据段用于构造待编码数据。通过选取多款软件的新旧版本作为实验样本,DICDIFF在平均情况下能够节省68.9%的网络流量,高于现有其他增量更新算法。实验结果表明,该算法能够进一步减少增量更新过程中的网络流量。     

基于Can树的关联规则增量更新算法改进

如何从动态数据中挖掘关联规则是目前知识发现中的一个研究热点。Can树是基于CATS树改进后提出的解决关联规则增量挖掘的一种有效算法,它要求事务中的每个项按照某种特定顺序进行排序后再构建Can树,其顺序一般采用字典序、字母序等。然而,Can树所使用的排序方法有可能使得Can树的规模过大,从而使得算法效率较低。针对该问题,在现有Can树挖掘算法的基础上,使用数据量排序替代现有排序方法,提出了一种基于数据量排序的Can树,并基于新的Can树对原有Can树的建树和挖掘方法进行优化。该方法可以有效减小Can树的规模,实现频繁项集挖掘在空间效率和时间效率上的优化。实验结果表明,该方法在空间效率和时间效率上好于现有的Can树算法,同时具有较好的稳定性。     

一种改进的关联规则增量更新算法

数据挖掘技术引起了数据库和人工智能等领域的专家和学者的广泛关注。关联规则的挖掘是数据挖掘研究的一个重要领域,本文分析了经典的增量更新算法FUP的不足,提出了一种改进的增量更新算法EFUP,详细论述算法思想,并与FUP算法比较分析,表明了该算法的优越性。     

基于PFP的关联规则增量更新算法

对快速增长的数据进行挖掘的有效途径之一是采用增量式更新算法,其中最具代表性的是MRFUP算法。该算法的剪枝策略减少了关联规则的计算,但在处理增长快速的数据时效率过低,且频繁计算新增数据。文章以提高海量数据下关联规则增量更新效率为目标,通过扩展能够并行处理关联规则的PFP算法而提出一种基于PFP的关联规则增量更新算法MRPFP。该算法能充分利用云平台强大的存储和并行计算能力。该算法的实验结果表明,MRPFP处理海量数据的效率优于MRFUP算法,更适用于海量数据的关联规则挖掘。     

基于MapReduce的关联规则并行增量更新算法

针对在关联规则的实际挖掘中,由数据快速增加所造成的大数据问题和增量更新问题?在快速更新频繁模式树算法(fast updated frequent pattern tree,FUFP - tree)的基础上,引入MapReduce 编程模型,提出了一个面向大数据的并行的关联规则增量更新算法(parallel fast updated frequent pattern tree,PFUFP - tree)?该算法通过构建原始事务数据的分块索引,从而使得在每次增量更新时,能够最小化地扫描原始事务数据库,提高了挖掘效率;同时采用动态负载均衡的项目分组策略来优化并行计算过程中的项集分组问题,从而保证分布式集群中节点之间的负载均衡;实验结果证明,提出 的算法是有效的和高效的,适用于动态增长的大数据环境?     

基于加权关联增量更新模型的设备故障诊断研究

利用数据挖掘技术对设备监测数据进行分析,可以建立较准确的故障诊断及预警模型,但随着故障数据库的扩大,如何利用新增数据进行快速诊断成为急需解决的问题。针对上述问题,提出了加权关联规则增量更新模型,该模型直接对新增数据进行频繁项集挖掘,在一定程度上缩减了矩阵规模。通过算例证明了其挖掘结果的准确率明显优于经典的增量模型-FUP。     

一种基于星型模型的增量更新算法

在进行数据仓库的OLAP联机分析处理时,通常采用预先聚集(Aggregate)操作生成概括数据的方法提高查询效率;但是,基于星型模型的数据仓库中的维表的纠错改变和自然改变将会引发概括数据的不正确问题.本文通过研究星型模型维表及其变化的特点,提出了一种增量更新算法,在几乎不增加空间的情况下,降低时间复杂度的增量更新;并通过性能验证,分析算法的可行性.     

基于地理事件和更新操作的地理要素增量变化分类

为了解决以增量方式实现空间数据生产者和用户之间更新信息的传播需要解决地理空间要素增量变化的表达问题,将地理空间要素增量变化定义为影响要素变化的地理事件和实施数据库更新操作的因果关系体,提出了基于地理事件和更新操作的增量变化表达双层概念模型,建立了分裂、消失、合并等地理事件与删除、添加等更新操作以及数据差之间的固定映射关系,即建立了地理要素增量变化的分类模型,为增量信息的提取与分发提供了方法依据。     

一种增量倒排索引结构的设计与实现

针对主题爬行器获取网页更新速度快的特点, 提出一种用于网络搜索引擎的增量索引结构. 在建立倒排索引时, 每个词项的记录表以链接块的形式存放于倒排索引文件中, 每次新分配的块大小递增. 该索引结构解决了倒排索引连续存储所带来的难以更新问题. 实验结果表明, 与支持实时更新的传统链表式存储方式相比, 这种索引结构能提供更高效的检索, 采用以空间换时间的方法有效地提高了索引的更新效率.     

车载电子地图系统中的最佳路径搜索

介绍了最佳路搜索的实现;分析了出行车在行过程中影响行车效率的各种 以时间为目标函数的最佳路径搜索的权值计算方法;提出了由交通管理部门实时广播权值信息,为用户进行最佳路径搜索提供动态权值的设想。     

搜索引擎的渐增式爬行和备份式更新模式

介绍了搜索引擎的总体结构,分析了搜索引擎中爬行器的爬行策略和网页库的更新模式。介绍了其中一种较为合理的爬行和更新模式及其实现技术,实现了渐增式地爬行高质量网页和提高网页库新鲜度的目的。     

基于概念图的网络学习导航应用

网络学习中的海量信息和超媒体结构使得学习者在学习过程中出现“迷航”和认知超载.分析了网络学习导航和概念图的概念与特点,探讨了概念图用于网络学习导航的几种方式,研究了在课程知识概念图的基础上针对不同网络学习用户生成最佳学习路径的算法,从而实现了个性化学习,使整个学习过程具备一定的自适应性和智能性.     

基于改进Q学习算法的导航认知图构建

针对导航认知图构建效率低,方向信息不准确等问题,提出了一种基于改进Q学习算法的导航认知图构建方法。首先,利用径向基(RBF)神经网络学习生成网格细胞到位置细胞的映射关系,并利用位置细胞对空间进行表征;其次,采用改进Q学习算法学习位置细胞面向目标的Q值大小;最后,根据重心估计原理计算面向目标的方向信息,并生成导航认知图。仿真结果表明:与传统Q学习算法相比,文中算法生成导航认知图的学习次数从2 000次缩减至1 000次,提高了导航认知图的构建效率;学习值(指面向目标的方向信息)的相对误差最大降低了15%,提高了认知图的准确性。     

与时机判定相结合的关联规则增量更新算法

现有的关联规则更新算法大多致力于解决增量更新本身,但很少同时考虑更新时机,不适于对实时应用中频繁更新的数据进行有效处理.针对此问题,提出了一种与时机判定相结合的关联规则增量更新算法,在改进增量更新方法的同时,兼顾对更新时机的判定.在关联规则增量更新阶段,计算含有非空子集个数之和最多的频繁项集,找出在更新数据集中仍然频繁的项集,根据Apriori性质,避免对其子集的处理,从而实现对候选项集的有效剪枝.实验结果表明,该算法通过对更新时机的及时判定和候选项集的有效剪枝,提高了关联规则的更新效率.     

基于组件对象模型技术的模块化电子海图

通过对电子海图技术理论和应用情况的分析，提出了电子海图模块化的发展趋势，并结合组件对象模型技术的发展情况，运用该技术实现了Windows平台下的电子海图模块化，并且在某型电子海图应用系统中应用了该项技术。     

胫骨捷联惯性导航的人员行进距离估计

研究了惯性测量单元(IMU)固连在人员胫骨中间的行走步长计算方案,提出了捷联惯性导航算法中零速率修正(ZUPT)时刻导航参数的重置方法,准确得到了以初始方位角为未知数的三维位移函数表达式,避免二重积分对近似误差的扩散.通过分析人员行进特性并结合ZUPT时刻胫骨与路面垂直的关系,以每步中垂直地面方向的位移几乎为零作为约束条件,解算另外两个平行地面方向的位移,进而计算每一步的步长.该方法针对不同的人员和行走环境无需修改相关参数,有较好的适应性和通用性.经多人次行走实验验证,行进距离计算误差在8%以内的概率为91%.