面向用户偏好的动态网页数据交互式查询算法

为提高网页数据查询速度、精度及工作效率,提出一种面向用户偏好的动态网页数据交互式查询算法.首先,构建用户偏好模型,增加偏好组合的演化个体适应性,综合计算适配值;其次,为防止数据冗余和重复,基于兴趣相似性,分离相似度高的查询数据和重复数据,识别出网络数据的性质;最后,利用粒子群优化算法寻找最优的动态网页数据交互式查询方案.实验结果表明：在数据集基数影响下,该算法的查询结果集质量在0.95以上;在查询最大维数影响下,该算法的查询结果集质量在0.96以上,表明其查询使用时间短、结果集精度高、自适应能力强.     

基于ARM和深度学习的大数据 指纹识别系统设计

针对传统指纹识别系统在面对大数据指纹图像时具有识别效率不高、需要手动设计提取的特征的缺点,提出了一种基于ARM和深度学习的大数据指纹识别系统.首先,描述了指纹识别系统的原理图.然后,设计了系统硬件框图,采用S3C2410C作为微处理器,采用FPS200指纹图像作为传感器,并设计了两者之间的接口电路;最后,重点设计了指纹识别的软件过程,建立一个可以进行指纹自动识别的通用多层深层神经网络.通过设计系统软硬件并进行测试,结果表明文中设计的指纹识别系统具有很高的指纹识别准确度,能有效处理大数据指纹图像的识别,且与其他基于人工提取特征的方法相比,具有更高的识别正确率和识别效率.     

基于大数据技术的消防监督管理改进研究

经济社会的快速发展对消防监督管理工作提出了更高的标准和要求,大数据时代的来临,为消防监督管理工作提供了更多便利,也带来不少的挑战。如何利用大数据技术推动消防监督管理工作不断改进,是消防监管工作中需要解决的一个重要问题。本文根据现有研究资料,结合笔者自身在消防监督管理工作中的一些经验,针对大数据技术在消防监督管理中的应用进行了分析,首先阐述了消防监督管理工作的现状,其次阐述了基于大数据技术的消防监督管理的工作思路和方法,提出建立健全消防监督检查数据库等建议,希望能够对大数据技术在消防监督管理工作中的应用提供一些帮助和启示。     

分布式数据查询优化算法的研究

分布式数据查询是分布式数据库管理系统的核心,而查询优化算法又是查询处理中的关键技术.分布式数据库管理系统的研究始于20世纪70年代中期,在30多年的发展中,取得了丰硕的成果.但由于分布式数据的分散性,使分布式数据查询比集中式数据查询复杂得多.本文对基于关系代数优化的算法进行了探讨和研究,并应用于实例,取得了较好的优化效果.     

分布式数据查询优化算法的研究

分布式数据查询是分布式数据库管理系统的核心,而查询优化算法又是查询处理中的关键技术。分布式数据库管理系统的研究始于20世纪70年代中期,在30多年的发展中,取得了丰硕的成果。但由于分布式数据的分散性,使分布式数据查询比集中式数据查询复杂得多。本文对基于关系代数优化的算法进行了探讨和研究,并应用于实例,取得了较好的优化效果。     

改进的分布式数据查询算法研究和实现

通过对数据库查询领域中SDD-1算法性能的分析,针对其在特定情况下存在的不足,引入人工智能领域的Ⅳ算法。将改进后的SDD-1算法与J2EE技术结合,应用到生产加工企业的材料供应链系统中。通过实验表明,新算法比SDD-1算法更具有适用性。     

基于动态分布式聚类算法的大数据查询处理方法

针对现有大数据空间查询处理方法存在执行时间长和查询结果不够准确的问题,提出一种基于动态分布式聚类算法的大数据查询处理方法,该方法分为数据预处理、数据聚类和查询处理3个部分.首先将输入数据划分为多个子集,以RRD格式存储在一组机器节点中;其次采用划分和层次混合动态聚类算法,在Apache Spark平台上对数据进行分布式...     

一类查询算法的改进

ＱＳＱＩ是演绎数据库中自顶向查询算法的一种。但由于计算过程中重复工作太多，因而降低了执行效率。本文提出了改进的方法，在一定上可减少迭代冗余。     

基于深度学习的高精度交通流量大数据预测

为了高效预测分析海量交通大数据,提高道路通行率和城市交通的智能化水平,提出一种高精度基于深度学习的并行卷积神经网络交通流量大数据预测模型.该模型首先对数据进行预处理以获得有效数据集,将具有规则时间间隔的一维时间序列样本和图像转换为时间一维、位置一维的二维像素网格,构建并行卷积神经网络模型用于对通过某路段的交通流量进行预测,并应用预测因子对交通量流数据进行建模.实验结果表明,与其他模型相比,本文提出的模型在平均绝对误差、平均相对误差和均方根误差方面均优于所对比的方法.     

交互式计算机算法学习平台设计

在对比分析国内外具有代表性的可视化算法学习平台基础上,阐述了研发的交互式计算机学习平台的设计框架、系统架构和主要功能,介绍了C语言模块的实现、算法执行过程动画演示、流程图生成对应积木块的平台创新点,并对平台的未来发展做了展望与规划.     

基于深度学习的电影推荐算法

提高推荐系统的推荐性能过去一直是一个非常大的挑战,因为在进行推荐的时候要同时兼顾推荐结果的准确性和计算推荐结果的计算时间。基于上述问题,提出一种基于深度学习的推荐算法,通过深度学习的方法挖掘用户和电影的特征、训练模型,从而提高推荐算法准确性。同时,通过神经网络提取用户和电影的特征,而不是基于用户对电影的评分矩阵,解决了推荐系统中的稀疏性问题和冷启动问题。最后在真实的数据集上进行实验,验证推荐算法的准确性。     

支持增量图数据的超图查询算法研究

当前大部分图查询算法都是针对静态图数据,不适用于现实应用中不断更新的图数据。针对这一问题,提出支持增量图数据的超图查询算法。该算法将数据图分解成直至单个顶点的子图,然后从单个顶点的子图开始求它到查询图的子图同构,直到求出数据图到查询图的子图同构结果,算法在数据图增加时只需将新加入的数据图进行分解即可,不必重新计算。通过分析证明,所提算法时间和空间复杂度不随数据图的增加而呈线性增长,节省了大量时间和空间代价。     

交互式有线电视系统中数据加密的研究

随着交互式有线电视系统的发展，在有线电视网络中进行数据加密来维护使用的正当权益势在必行，对目前采用的加密算法进行了分析，并由此对交互式有线电视网络中的采用加解密算法的机制进行了探讨。     

基于改进人工蜂群算法的大数据优化

针对传统方法无法解决具有5 V独特属性的大数据优化问题,提出基于改进人工蜂群(Artificial Bee Colony,ABC)算法的大数据优化信号重构算法.该算法通过引导所考虑问题的现有信息来初始化食物源,在引领蜂阶段使用交叉和变异算子生成候选解,并使用轮盘赌反向选择机制生成要交叉的食物源,观察蜂采用Rechenb...     

深度学习在海洋大数据挖掘中的应用

 介绍了深度学习的关键发展节点和应用发展历程，分析了深度学习在国内外主要领域的发展现状；概述了多个深度学习的关键算法原理，分析了深度学习在海洋数据重构、分类识别和预测等海洋大数据挖掘中的相关应用；提出了深度学习未来可能面临的问题，并从加强顶层设计、信息安全和强化算法鲁棒性等方面，展望了深度学习在海洋大数据挖掘中的应用前景。     

基于XML数据查询问题的研究

随着XML技术的不断成熟,基于其上的应用也越来越广泛.面对如此众多的数据,如何高效地处理XML查询,就成为目前研究的热点.通过对XML查询过程的分析,针对当前常用的查询方法存在过多扫描无用节点引起效率下降的问题,提出了一些优化策略:通过建立XML数据索引、查询语言的优化,有效提高其查询效率.     

时序数据多维聚合查询服务的实现

随着电能质量监测点不断扩大,产生海量具有时序特性的多维电能质量数据,当前的诸多数据查询方法不能适应电网电能质量监测数据的交互式多维聚合查询需求。研究提出时序数据多维聚合服务的实现方法,为内存中预聚合后的任务结果建立哈希存储结构,对实时数据建立位图索引存储结构,将历史数据的预聚合数据尽量存储于内存中,改进随机读写的低性能问题,提升查询效率,解决交互式查询问题。同时运用最优聚合任务算法选择出尽量多的预聚合任务数,提高交互式查询命中率。实验验证了该算法的可行性,与分组二维背包算法相比,在预聚合任务数量选择方面具有一定优势。     

基于深度强化学习的卫星信道动态分配算法

在卫星通信系统中,频率和信道是十分珍稀的资源,针对如何利用可靠且高效的方法来进行资源的开发这一亟需解决的难题,提出了一种基于Q-learning深度强化学习的动态卫星信道分配算法DRL-DCA,该算法将卫星和环境交互建模为马尔科夫决策过程,通过环境的反馈提升卫星的决策能力,实现用户业务请求的高效应答,提升卫星通信的服务质量,降低通信阻塞发生概率。仿真分析表明该算法能够有效地提升通信的吞吐量,降低通信的阻塞率。     

深度学习技术及其故障诊断应用分析与展望

"大数据"时代给机械设备智能诊断带来了数据总量大、产生速度快、形式多、价值密度低等新挑战,传统智能故障诊断"人工特征提取+模式识别"的模式已然不能满足发展需求。本文分析了机械大数据的特性对故障诊断结果的影响,详述了堆叠自编码网络(SAE)、卷积神经网络(CNN)、深度置信网络(DBN)、循环神经网络(RNN)4个基本框架和其他深度学习模型在故障诊断领域,尤其是复杂机械数据的特征学习和各种机械设备健康监控任务的目标预测等相关研究。分析了不同模型的利弊和适应问题:SAE与DBN属于无监督学习模型,对数据要求较低,具有强大的特征提取能力,但性能难以保障;CNN在高维数据处理上优势明显,但训练迭代次数较多;RNN可以处理变化的时序数据。文中分析指出机械大数据下深度学习存在的问题:包括机械数据不平衡、来源分散;应用模式简单,缺乏对网络本身性能的分析;机械式引进较多,缺少适应性改造;学习处于"黑箱"阶段,无法解释等。最后,讨论了应对问题的有效措施并对深度学习未来的发展趋势进行展望。