基于动态布隆过滤器的云存储数据持有性验证方法

针对现有云存储数据持有性验证方法验证效率低的问题,提出一种基于动态布隆过滤器的云存储数据持有性验证方法.首先使用同态哈希函数对云存储数据进行处理,简化客户端计算量;然后第三方验证平台使用数据块标签构造动态布隆过滤器,支持云存储数据的全动态操作;最后通过随机验证路径生成持有证据,增强云存储数据持有性验证的安全性.实验结果表明该方法可有效减少证明计算开销,提高了验证安全性和验证效率.     

基于序列图像的古建BIM模型构建

古建筑是传承人类文明,地方文化的载体.古建的BIM模型能为古建的保护和管理提供数据.然而古建的形态复杂,又缺少图纸,信息化建模存在困难.利用相机采集古建的序列图像,在Agisoft软件中生成点云,利用Dynamo可视化编程平台的各种功能强大的节点,搭接节点网络,实现点云切片,边界拟合和放样融合并将实体模型输出至Revit中.该方法能实现点云数据到BIM模型的快速创建,提高了建模效率.     

基于Hadoop云平台的数据传输保护研究

Hadoop是一套开放的云计算平台,使用Map Reduce处理数据的分割与合并,简单的设置就可使用云计算的强大功能.但随之而来的是个人数据在没有任何保护的情况下随时可能遭受攻击,因此云平台上的个人信息安全问题就显得格外重要.本研究提出了一种具备安全数据传输的Hadoop云平台规则来增加云数据分割与合并的安全度.实验结果证明,本安全方案确实提高了云平台数据传输的安全性.     

基于计算机视觉的施工进度自动监控方法

目前,面向智慧工地平台的进度管理利用BIM工具仅实现了施工阶段数据的简单可视化,实际施工进度数据的更新与录入仍需要人工介入,无法实时了解各项施工任务实际进程。为了实现施工进度计划的自动监控及决策辅助支持,提出一种基于计算机视觉的施工进度自动监控方法。首先通过三维重建技术获取施工现场建筑物的室内外点云模型,再利用目标识别、分类、跟踪算法等计算机视觉技术对施工过程中采集的点云模型数据进行处理与分析,识别正在施工的结构构件信息,与已有的BIM施工进度计划模型进行自动对比,最终以可视化的形式实现进度偏差的分析。基于计算机视觉的施工进度自动监控方法能够直观展示施工现场进度偏差情况,自动将进度偏差信息实时传输给项目管理人员,发出预警,实现施工进度的自动化监控。     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

基于用户行为评估的Hadoop云平台动态访问控制

为解决现有Hadoop云平台访问控制缺乏动态性的问题,提出一种基于用户行为评估的Hadoop云平台动态访问控制模型（DACUBA）.该模型采用指令序列学习（CSL）算法从用户指令序列中提取用户行为模式,利用全局模式库对用户行为进行分类并对分类结果进行行为评估,然后将评估值应用于Hadoop云平台的访问控制机制中实现动态访问控制.验证实验结果证明了DACUBA的有效性,与其他方法相比,该方法对云请求的访问控制效率较高,且稳定性较好.      

基于车载激光扫描数据的城市地物三维重建研究

车载激光扫描系统可以精确、快速获取城市建筑物、道路交通设施、隧道等地物的表面信息,非常适用于城市物体三维空间信息的快速精确获取和在此基础上的三维重建.然而点云不是GIS数据,也不是三维模型,要将大量离散的点处理为可使用的三维模型还需要一系列复杂的过程,现阶段针对车载激光点云三维重建的方法还主要依赖于人工交互或半自动化处理,而且没有针对整个城市地物的三维重建方法.针对这一问题,本文仅提供一种基于地物分类的车载激光点云三维重建的方法,数据基础是已分类的彩色点云,重点是充分利用各类地物的特性,对不同地物使用不同的三维建模策略,以首都师范大学自主研制的车载激光扫描系统获取的三亚市点云数据为实验对象,验证了本文提出方法的可行性与实用性.     

基于Spark的大规模文本KNN并行分类算法

在使用KNN算法进行大规模文本分类,需要处理频繁的迭代运算,针对现有Hadoop平台迭代运算效率较低的问题,本文提出一种基于Spark平台的并行优化KNN算法.主要从3个方面对算法进行优化,首先,对于训练数据集通过剪枝算法控制有效数据的规模,从而减少迭代运算的次数;其次,针对高维数据集采用ID3算法利用信息熵进行属性降维,减少文本相似度的运算量;最后,使用Spark并行计算平台,引入内存计算最大限度地减少了迭代运算的I/O次数,提高处理速度.通过实验,与常用的KNN算法相比,基于Spark的KNN文本并行分类算法在加速比、扩展性等主要性能指标上表现较优,能够较好地满足大规模文本分类的需求.     

基于云模型理论改进的贝叶斯分类算法

基于云模型理论对朴素贝叶斯分类器进行了改进,使得分类器能够处理语言中的一些模糊值,扩展了朴素贝叶斯分类器的应用范围.使用UCI鸢尾花数据集对算法进行了实验仿真和结果分析.结果表明,改进后的分类算法在一定程度上提高了分类精度.     

基于BIM的三维滑坡地质灾害监测方法及应用

提出了一种基于BIM的三维滑坡地质灾害监测方法。应用CATIA软件建立三维滑坡地质模型,将反映该三维模型形态的空间点集和拓扑关系存储在数据库中;基于云平台架构,将现场监测数据的变化和模型有限元计算的结果反馈到模型数据库中。通过对模型数据库的实时数据迭代、增量处理和模型重构,建立BIM地质灾害模型动态反馈机制,实现滑坡三维模型的动态变化和协同。     

云环境下的信息分类算法研究

现如今,随着科技的飞速发展,信息技术在人们的生活生产中,发挥了重要的作用.而随着数据信息的爆炸式增长,传统的信息分类方式面临着许多新的问题和挑战,显然不能满足要求,由此,云计算应运而生.云计算,通过分布式处理的方式来对信息进行处理,提高了时间效率,具有很高的实用价值.文章从云环境的背景下,对朴素贝叶斯信息分类算法进行改进和分析研究.     

基于BAE云实现Android应用数据的远程存取

该文介绍了一种在Android平台上使用BAE进行应用数据远程存取的方法,通过借助百度公司为开发者提供的云平台,Android开发者可以不必再使用自己的云主机进行用户的数据存储.该方法实践性强、使用价值大,对Android应用程序开发者来说是一个较好的远程数据存储的实现方案.     

基于新拟牛顿方程解决分类问题

逻辑回归和线性支持向量机是解决大规模分类问题的有效方法,然而它们的分布式实现问题到现在也没有得到更好的研究.近年来,由于分布式计算框架在迭代算法中低效率性的原因,一种基于内存的集群计算平台Spark已经被提出来,并正在成为应用于大规模数据处理和分析的一个普遍框架.在本研究中,使用了新拟牛顿方程用于解决逻辑回归以及线性支持向量机的问题,并且在Spark框架中进行了实现.实验表明该方法显著提高了大规模分类问题的准确性和效率.     

基于HADOOP平台的云GIS构架研究

介绍开源Hadoop云平台的一些主要特点及其数据存储的优势.通过把云平台自身特点与地理系信息系统的构架设计相结合,提出了基于Hadoop云平台的地理信息系统构架,使地理信息系统具有云的相关特性.该地理信息系统能解决地理信息数据量大、种类繁多的数据在计算等方面有一定的优势,从而大大提高了云GIS系统的效率.     

浅谈架构高效应用系统平台的方法

构筑高效应用系统平台的方法是依据软件管理规范化原则和开发方法可重用性原则,先设计合理的总体框架,全面分析系统内外所涉及的使用对象、处理数据和解决的问题,再逐一建立针对性的功能模块.这样可以提高软件应用开发的效率,较好地构筑高效应用系统平台.     

基于多策略决策树剪枝算法的入侵检测系统

决策树是数据挖掘技术中一种有效的分类方法,使用该方法的入侵检测系统能够更加准确高效的对网络数据进行处理和告警.然而面对庞大的网络数据集,生成的决策树规模常常较大,难以理解.本文提出一种多策略的剪枝算法修剪生成的决策树,来提高入侵检测系统的效率和准确性.     

基于三维激光扫描和摄影测量的BIM模型校对

为解决BIM模型校对时精度低、效率差且耗费大量时间与成本的问题，首先分析了手工测量、三维激光扫描和摄影测量技术的原理，然后通过实验验证在BIM模型校对中应用的可行性，比较了3种方法的数据精度与误差，结果表明三维激光扫描的数据精度最高，其次是手工测量，最后是摄影测量，但结合误差、数据获取范围和处理效率等方面进行对比，3种方法各有优劣，在实际工程中可视情况采取不同方法进行BIM模型的校对.     

一种并行的加速K-近邻分类方法

文章针对传统K-近邻分类方法学习效率低下的问题,提出一种基于并行计算的加速K-近邻分类方法(K-nearest neighbor classification method based on parallel computing,PKNN),即并行K-近邻分类.该方法首先将所需要分类的样本划分为不同的工作子集,然后在每个子集上进行并行的K-近邻分类.由于划分后每个工作子集的规模均远小于整个数据集的规模,因此降低了分类算法的复杂度,可有效处理大规模数据的分类问题.实验结果表明,PK-NN方法能提高分类效率.     

基于灰色神经网络的云平台大数据安全风险评估

为了提高网络云平台大数据存储的安全性能,并对数据安全风险进行评估,提出了一种基于灰色神经网络的云存储大数据安全风险评估模型。首先,采用基于自治的元组划分方法将待分析和评估的大数据安全风险信息进行分类,利用高斯密度谱提取信息特征,然后利用灰色神经网络将待分类的信息进行分解,最后,使用自适应差分改进方法检测安全风险信息的相关性。模型根据大数据安全风险信息频谱的特征提取,实现了相关补偿和自适应控制,提高了大数据安全风险评估能力。安全评价曲线能够快速收敛,并与K近邻算法(K-nearest neighbor, KNN)对比仿真实验结果显示,基于灰色神经网络的模型评估具有较高的准确性,因而具有更好的大数据安全保护能力。     

基于高维映射感知器网络的机器学习分类方法

利用Rosenblatt感知器网络的权值学习方法,提出一种解决线性不可分样本的多类分类方法.该方法不需要考虑使用何种核函数,将高维坐标值作为分类信息的函数,直接解决非线性多类分类问题.对双螺旋线数据分类应用的结果表明:基于高维映射感知器网络的多类分类机器学习方法可以有效解决非线性数据的分类问题,并能够提高分类效率和准确度.