基于Neo4j的面向体系架构(DOA)的数据注册中心(DRC)的实现

为解决大数据时代下数据急剧增长带来的信息孤岛、系统扩展难及数据管理过度复杂等现象,采用面向数据体系架构(DOA)的思想和相关技术,结合Neo4j,设计了基于图形数据库的具有分布式、高效率、扩展性强的数据注册中心(DRC)方案,并搭建了实验平台.采用分布式图形数据库的注册方案已得到初步验证,与传统的数据注册方案相比,能够提高系统的运行效率,增强系统的扩展性,同时,简化了数据管理.     

高光谱影像FLAASH大气校正模型参数影响与评价——以西藏山南为例

图像输出的正确性与否依靠对后期的处理有至关重要的作用,而大气校正模块中参数的正确性是对本文的数据的处理起着重要的作用,在本文中气溶胶模式、能见度、大气模式和水汽相关的参数都有着重要的作用。本文利用FLAASH模块进行大气校正能很好的提高图像的质量,大气校正模型输入参数的评价是一个重要的工作,也有重要的意义。     

解一类似变分不等式问题的预解式技术与辅助原理技术

在研究变分不等式问题 ,特别是解的逼近时 ,通常要借助于真凸下半连续泛函的次微分算子的预解算子 ,运用Banach不动点定理逼近变分不等式问题的解 .而针对似变分不等式问题 ,方法之一是构造一系列辅助问题来逼近问题的解———即辅助原理技术 .另一种新颖的方法是借助于 η 次微分的概念 ,构造 η 次微分算子的预解式来逼近问题的解 .运用 η 次微分算子的预解式技术和辅助原理技术给出了一类似变分不等式问题解的存在性和唯一性 .     

康滇地轴中段岩体地质特征的遥感解译定量分析

该文在ＴＭ图像处理和遥感日视解译基础上，利用线性体统计分析和遥感图像数字分析工作站，提取图像在岩体成因方面所显示的不同特征，对康滇地轴不同岩体的成因意义进行尝试性的定量分析和探讨。     

面向分布式存储的空间数据放置方法研究

目前,互联网中海量空间数据采用分布式存储,空间数据放置直接关系到数据访问效率.为了提高分布式存储中空间数据访问效率,提出了一种DHT-R数据放置策略,该策略将分布式哈希表（DHT）和R树相结合,按照分布式哈希表存储空间数据基本信息和索引地址,同时以R树型结构组织和存放空间数据,R树存储使得快速访问空间数据成为可能.实验发现,数据存取的可靠性较高,数据的吞吐时延也明显低于业界的阀值,DHT-R放置方法在大量访问压力下依然能良好的平衡和并发.     

面向数据体系结构的数据性能与价值研究

大数据背景下,应用系统架构模式由以功能为中心转变为以数据为核心,其主要问题是海量数据应用中系统内部数据之间的一致性与数据传输效率之间的矛盾,同时还有缺少有效的方式去评价系统内数据的价值.为解决上述问题,采用面向数据体系结构的思路,提出了数据分片中心与数据价值评价中心,同时将"两中心模式"用于具体的应用系统内,通过分析采用"两中心模式"前后的处理数据的性能,论证了"两中心模式"的可行性.     

基于Givens旋转多用户多径DS-CDMA信号伪码盲估计

针对多径多用户低信噪比下的伪码估计,提出一种基于Givens旋转多用户多径DS-CDMA信号伪码盲估计的算法.该算法在同步接收扩频信号的基础上,利用特征值分解法获得用户特征向量子空间,通过2维Givens矩阵对子空间特征向量组成的2维载荷矩阵进行旋转,当定义的载荷矩阵总方差达到极小值时停止旋转,得到伪码序列的最佳估计.该算法克服了传统特征分解法估计多用户伪码序列时的缺陷,解决了多用户多径低信噪比情况下伪码序列的盲估计问题.仿真结果表明该算法是有效的,且具有抗多径干扰的能力.     

3S技术在国土资源调查、环境保护及地质灾害评价与预测中的应用展望

本文从技术体系、技术路线、方法研究等方面探讨了 3S技术在国土资源调查、环境保护及地质灾害评价预测中的应用前景 ,并对应用过程中一些关键问题 (遥感分辨率 ,信息标准化 )的解决途径进行了讨论。     

基于SBAS技术的山区城市地面沉降监测研究-以攀枝花为例

基于INSAR技术的山区城市地面沉降研究,因地形复杂、植被覆盖等因素开展较少。本文首次在攀枝花市,利用12景2009-2010年ENVISAT ASAR数据,采用短基线集方法开展大范围、长时间监测。结果表明,攀枝花市东区地面沉降较大,沉降的平均速率高达48mm/y,西区沉降较小,沉降平均速率10mm/y,推测原因多为城市化建设所致地面荷载,而市东北方向的露天矿区,因连续开采所致不同时期同一地点的地表变化,导致高相干点在此区域分散稀疏,不能表明是否有沉降现象。     

基于数据密度感知的非平衡数据模糊聚类方法

非平衡数据分析是数据领域的重要问题之一,其类间分布的巨大差异给聚类方法带来严峻挑战.围绕非平衡数据聚类问题,分析了非平衡数据对模糊聚类方法的影响,提出了基于密度感知的模糊聚类方法.方法将数据分布密度特征嵌入模糊聚类初始化过程中,用于定位初始聚类中心点,避免了少数类中心点位置的消失,在此基础上进一步设计了基于密度的模糊聚类优化更新方法.经数据集分析验证,本研究方法能够有效解决非平衡数据分类中少数类消失问题,并且在聚类算法性能上比传统方法有明显提高.