基于边缘云计算的人体数据传感架构

为了解决基于云平台的架构方法在处理人体监测传感数据时无法很好地支持实时性和可移动性的问题,该文提出一种基于边缘云计算的人体数据传感架构,并将其运用于大数据分析.其构建了3层云计算人体数据流架构,分别由无线体域网、边缘云系统和中央云系统组成.针对人体数据流架构提出了支持实时性和可移动性的移动服务架构,该架构在中央云数据中心和用户之间使用边缘服务器,在此基础上设计了边缘云的数据传感架构,该软件架构包含3层应用程序接口,分别应用于传感器设备、边缘云和中央云.设计了能够支持多种类型应用程序的存储架构,优化传感架构并提高数据存储可靠性.实验结果表明,基于边缘云的架构降低了由虚拟机容量导致的故障率和服务器整体利用率,同时在服务时间和数据处理时间方面均优于现有的架构.     

基于数据融合的多生物特征身份识别

针对传统的单一生物特征身份识别由于传感器的噪音以及特征的破损、匹配等缺陷,往往不能正确识别的情况,提出了一种基于语音和人脸的多生物特征身份识别方法.分别提取语音特征和人脸特征作为识别的依据,并用神经网络在特征层上进行融合识别.实验证明,这种方法可以充分挖掘特征之间的关系,在同等条件下,具有更高的识别率.     

云计算模型在铁路大规模数据处理中的应用

对铁路行业的计算资源、数据处理进行了特征分析.探讨了云计算模型中的虚拟化技术在铁路计算资源整合及MapReduce编程模型在大规模数据处理中的应用模式.采用Hadoop开源平台和Intel的虚拟化管理平台Tashi,提出和实现了基于云计算技术的铁路数据处理框架模型,并通过大规模的货票数据处理实例验证了框架模型的可扩展性和高效性.     

大规模传感网数据溯源技术研究

对数据溯源和大规模传感网数据处理系统进行了综述,描述了大规模传感网上的数据溯源应用场景.通过与传统数据处理系统的比较,指出在大规模传感网数据处理系统上进行数据溯源面临的挑战.     

多传感器数据融合研究

数据融合技术又称多传感器数据融合或分布式传感,即对多类多源和多平台传感器数据进行组合,提供有关空间信息综合态势的一种数据处理技术。数据融合可分为：信号级数据融合、像素级数据融合、特征级数据融合和符号级数据融合。本文讨论了红外图像、可见光图像、多谱图像、雷达图像等的数据融合问题以及各级数据融合的方法。     

基于多传感器数据融合的火灾报警系统设计

介绍了基于嵌入式的多传感器数据融合火灾报警系统的硬件及软件设计方案,并利用数据融合算法,对用于探测火灾信息的多传感器的数据进行处理,使火灾的判断具有较高的准确性和快速性。     

多传感器数据融合浅析

近十几年以来，多传感器数据融合技术已爱到广泛的关注，它的和方法已被应用到许多研究领域，本文主要阐述数据融合技术在Ｃ＾３Ｉ中的应用，首先介绍了多传感器数据融合的基本概念，进而以国内外发表的文献为例说明了数据融合技术已取得的进展，最后对数据融合技术进行了展望，并提出了我们的对策。     

云计算环境下大数据视频图像的尺度空间融合算法研究

针对传统算法融合图像质量差、清晰度低、损失图像包含信息的弊端,提出一种新的云计算环境下大数据视频图像的尺度空间融合算法,介绍了尺度空间理论。通过具有平移不变性特征的提升静态小波变换算法对云计算环境下大数据视频图像进行尺度空间融合,对待融合图像进行提升小波变换分解处理,获取不同尺度空间下的低频子带系数与高频子带系数。针对低频子带系数与高频子带系数给出各自的融合方案,获取融合图像的提升静态小波变换系数。通过提升静态小波逆变换获取最终的融合图像。从主观和客观两个方面对所提算法的融合效果进行测试。结果表明,所提算法主观融合效果好,通过客观评价指标对融合图像进行评价,发现所提算法得到的融合图像清晰度、质量佳,不会损失图像包含信息。     

基于贝叶斯数据融合的多尺度目标识别

针对红外电厂目标识别问题，提出了基于贝叶斯数据融合的多尺度目标识别方法．该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律，建立了分层次的时空特征模型，根据显著性选取目标特征，采用贝叶斯网络把不同尺度下的显著性特征进行融合，得到正确的识别结果．实验表明，该方法能将多尺度目标的不精确、不完整的特征进行融合处理，从而完成了目标的可靠识别．     

面向水下多源数据特征级融合方法

海洋环境复杂多变,单一水下传感器目标识别精度不能满足系统性能要求,并且水下数据噪声大、维度高,直接进行数据融合并不能得到较好的结果.为此,针对多场景水下多源试验数据,使用去噪自编码和多种降维方法进行多角度特征级融合.首先,使用去噪自编码器去除噪声、降低数据维度并且抽取出深层特征;然后,对深层特征使用数据层叠方法进行多源...     

云计算下多源异构大数据跨源调度算法研究

针对云计算下的多源异构大数据,需要耗费大量时间对其进行传输,当前调度算法大多通过启发式算法实现大数据调度,加速比和吞吐量较低,负载均衡性不佳。为此,提出一种新的云计算下多源异构大数据跨源调度算法,为了降低计算开销,在调度前首先进行预取操作。在此基础上,对全部变量进行更新处理,将所有待调度多源异构子流的质量看作子流权重进行排列,从传输窗口中还存在剩余待调度多源异构子流中选择质量最佳的子流传输数据,直至全部待调度多源异构子流均被处理过。实验结果表明,所提算法加速比和吞吐量高,且负载均衡性好。     

大规模数据库中非显著特征动态数据实时挖掘技术研究

从大规模数据库中挖掘非显著性特征数据时,容易产生大量数据通信和中间数据,存在大量交集操作,影响挖掘实时性。为此,提出一种新的基于Hadoop分布式架构的非显著性特征数据实时挖掘方法。对数据显著度进行检测,提取非显著性特征;搭建Hadoop分布式架构硬件结构,按照非显著性特征数据挖掘的特性和功能,建立Hadoop分布式架构非显著性特征数据挖掘软件架构;包括交互层、应用层、非显著性特征数据挖掘层和分布式计算层。把大数据集分割为若干数据块,将数据块分配至所有计算节点,依据非显著性特征进行并行计算,将map阶段的本地输出结果合并在一起,降低节点间数据交换量。通过reduce函数把所有计算节点的临时文件合并为垂直项集,求出项支持度。当无更多频繁项集的数据输出时,即可得到非显著性特征数据。实验结果表明,所提方法挖掘结果可靠,实时性强。     

基于Cortex-M3和多传感器数据融合的咪表系统设计

针对目前咪表停车收费系统管理难和收费乱的问题,基于ARM Cortex-M3处理器提出一种运用多传感器融合技术检测车位状态的智能咪表管理系统的设计方案.阐述了系统的组成、工作原理和软硬件设计,并对设计方案进行实验验证.实验结果表明:系统的车辆检测精度较高,运行稳定,基本满足路边停车收费的要求.     

云计算数据中心的虚拟资源自适应供给模型

随着云计算技术的飞速发展,云计算数据中心的规模越来越大,随之而来的资源管理、运维调度、能耗开销等问题也开始日益严峻。本文对云计算数据中心的设计思路与设计结构进行了详细的介绍,先从云计算数据中心的总体结构进行分析,随后引入虚拟资源自适应供给模型概述,通过综合分析三种不同的虚拟资源供给模型优劣,提出利用多层次网络队列方法搭建虚拟资源自适应供给模型,通过综合考量模型的平均响应时间、服务器利用率、使用成本等因素,对虚拟资源进行合理的规划与调度,最终帮助云计算数据中心配置合适数量的虚拟机,做出合理的资源调度策略,力求优化数据中心的运维调度,降低能耗开销,提高能源利用效率,推动能源发展。     

多传感器数据融合与航迹预测的模型设计

文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联(NNDA)算法提取目标航迹,采用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航迹对.引用回声状态网络(ESN)技术实现航迹的预测.基于雷达数据在不同运动场景中测试模型性能,对于匀速直线运动和机动转弯的目标,模型具有较高的跟踪和预测精度.     

数据融合中系统误差估计的病态性及改善方法

数据融合系统中,传统系统误差估计算法在某些特定物理场景中表现出显著的病态性,估计结果不收敛。为了解决这个问题,该文首先深入分析产生算法病态性的物理场景并将其分为传感器密集型和目标密集型2类,然后将系统误差分解成相对方位系统误差和剩余系统误差2部分分别估计。理论分析和仿真实验表明:该方法在估计相对方位系统误差部分不存在算法病态性;在传感器密集型物理场景中,该方法在估计剩余系统误差部分对病态性进行有效控制;在某些物理场景中,该方法的算法条件数可缩减为传统方法的1%,方位系统误差估计样本方差可缩减为传统方法的1/5。     

大直径测量系统的特征层数据融合

为了克服多滚轮大直径测量系统中单一传感器的局限性,利用多传感器数据融合技术,充分挖掘不同时间和空间的测量数据信息,极大地提高了测量系统的性能和效率.将自适应加权算法应用于大直径测量系统的特征层数据融合,减少了不确定误差的影响.仿真结果表明:该算法得到的测量结果更加精确,效果较好.     

数据融合技术在车辆动态称重系统中的应用

为了提高车辆动态称重的抗干扰能力,设计了包含压力传感器和加速度传感器的称重板,并依据此系统的结构和特点,提出了三种数据融合计算方法:同一传感器多测量周期的数据融合、同类传感器的多传感器数据融合和异类传感器数据融合,以保证参数检测的可靠性和准确性。试验证明,该系统的测量精度较高,并能满足系统的实时性要求。