基于云计算的商业情报采集系统

商业情报采集系统不同于传统的搜索引擎系统,情报具有时效性、针对性等特点,传统搜索引擎中的数据分类和聚类技术不能完全满足商业情报采集过程中对时效性和针对性的特殊需求。提出一种商业情报采集解决方案,在云计算环境中采用贝叶斯分类算法和多种网页去重、提取等算法,实现对互联网数据的实时性抓取、分析、分类、聚类,形成对用户全方位立体化的情报本体,抓取的海量数据采用分布式文件系统存储,采集的情报用基于云的数据库CouchDB存储。     

云计算技术在高校教学资源整合中的应用

云计算技术是一种全新的计算模型,以其安全可靠的数据存储和强大的计算能力,并借助互联网形成了庞大资源体系.阐述云计算的概念、特点,并将云计算技术应用到高校的教学资源整合中,从而提高资源的利用率.降低资源建设和维护的成本     

智慧校园网的云计算安全体系架构的研究

随着教育信息化的不断发展,云计算和虚拟化技术已逐渐应用到智慧校园的建设中。针对云计算的特点,结合智慧校园的实际情况,对如何构建多层次的云计算安全体系架构,从物理环境、网络、数据、管理等四个方面进行了详细阐述。     

基于全息扫描的大型复杂钢结构变形监测与受力评估新技术

以重庆来福士高空连廊结构为项目依托,阐述了大型复杂钢结构变形监测的新方法和具体技术路线。针对变形监测中点云数据难以拼接的问题,通过空间特征点实现坐标系配准;针对变形监测点选取困难、数量多、工作量大的问题,提出一种基于算法提取结构的挠度变形曲线的方法,实现无监测点的变形监测;同时将有限元仿真模拟与三维激光扫描技术的变形监测相融合,根据三维扫描变形监测结果反向修正有限元计算,通过应力变化评估结构受力状态。结果表明:该方法有效解决了变形监测中的难题,保证了工作的效率和有限元计算的准确性,对于结构的健康监测具有重要意义。     

一种多塔机智能安全监控系统的研究与实现

防碰撞算法是塔机安全监控系统的关键技术之一,而目前商品化的产品中均未考虑吊装物摆动的影响,其远程监控系统中集中监控模式也不适用于塔机群大数据流。基于此,首先根据吊装物摆动特性设计出了一种考虑吊装物摆动的防碰撞算法,该算法在不添加额外传感器的情况下,由绳索实时张力与吊装物重力的关系得出实时的摆动角度,从而得出吊装物在每个时刻可能到达的位置。其次,基于云计算平台设计了多塔机智能安全监控系统,包括本地监控系统与远程监控系统两部分。利用GPRS-Internet无线传输网络将本地数据传输到远程监控终端,实现多塔机的统一监控和协同管理。经程序测试,系统可稳定工作且运行可靠,能够保障塔机的运行安全,满足市场需求,具有良好的应用前景。     

基于深度强化学习的云作业调度及仿真研究

针对复杂瞬变的多用户多队列多数据中心云计算环境中作业调度困难的问题,提出一种基于深度强化学习的作业调度方法.建立了云作业调度系统模型及其数学模型,并建立了由传输时间、等待时间和执行时间三部分构成的优化目标.基于深度强化学习设计了作业调度算法,给出了算法的状态空间、动作空间和奖赏函数.设计与开发了云作业仿真调度器,完成作...     

移动机器人同时定位与建图室内导航地图研究

针对当前视觉同时定位与建图(simultaneous localization and mapping,SLAM)生成的点云地图不能满足路径规划和导航的需要,提出一种室内移动机器人的导航地图制备方法.首先,通过SLAM估计相机位姿,后端优化后生成室内场景的三维点云地图;其次,根据地面移动机器人的运动约束及结构特点分情况讨论,推导点云相对于地面的二维坐标,同时对点云进行地面与障碍的分离、截取与筛选;最后,根据栅格占据状况有序构建出导航地图.实验结果表明,基于点云坐标的障碍物截取准确度高于地面拟合截取方法,所建地图精度与完整度均高于传统方法.室内移动机器人能基于该地图进行路径规划与导航.     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。     

云图书馆--浅谈云计算之于图书馆

简要介绍了云计算的发展历程及其核心思想，探讨了云计算对于图书馆整合及其运营与创新的重要性，分析了云计算使用中的安全和隐私问题，论述了云计算在降低碳排放方面的作用。     

一种资源与服务性能关系的建模方法

获取资源与服务性能的关系模型是在云环境中为服务合理分配虚拟资源的关键.然而,训练数据的规模往往显著影响这种非线性关系模型的准确率.针对现有方法不足,提出了将协同过滤推荐(CFR)和支持向量回归(SVR)相结合的服务性能动态建模方法(CSDM).该方法在服务部署与运行时同时训练两种模型,并选择二者中MAE占优的性能模型预测给定资源状态下的服务性能,从而保证预测精度.同时,CSDM引入择优阈值以降低模型训练代价.实验表明,CSDM在不同规模的训练数据上均有较高的预测准确率,且择优阈值对预测精度和建模效率具有显著影响.