基于自适应权值的数据报指纹特征识别与发现

面对未知协议下的报文数据,由于不能通过协议规范获得相关特征,导致传统的模式匹配方法在报文提取和协议识别过程中存在着难题;提出了以数据挖掘理论为基础的数据报指纹特征提取方案;在特征序列挖掘过程中引入自适应权值,对源数据中的序列模式进行加权统计得到判决结果;再利用提升率对特征序列进行关联规则验证,输出数据报的指纹特征;最后,采用ARP广播帧和ICMP数据包作为原始数据,测试提取数据报指纹特征;实验结果表明,自适应权值的引入能够有效减小报文中冗余数据段的干扰,提高指纹特征提取的正确率,并对报文的长度变化有一定的鲁棒性。     

一种公共网络攻击数据挖掘智能算法研究

公共网络的开放性和自组织特性导致网络容易受到病毒干扰和入侵攻击,对攻击数据的准确高效挖掘能确保网络安全。传统方法采用时频指向性波束特征聚类方法实现攻击数据挖掘,在信噪比较低时攻击数据准确挖掘概率较低。提出一种基于自适应滤波检测和时频特征提取的公共网络攻击数据挖掘智能算法。首先进行公共网络攻击数据的信号拟合和时间序列分析,对含噪的攻击数据拟合信号进行自适应滤波检测,提高信号纯度,对滤波输出数据进行时频特征提取,实现攻击数据的准确挖掘。仿真结果表明,采用该算法进行网络攻击数据挖掘,对攻击数据特征的准确检测性能较高,对干扰的抑制性能较强,能有效实现网络安全防御。     

数学建模中的高维数据挖掘技术优化研究

高维数据挖掘由于特征空间占用开销较大,挖掘的复杂度较高,挖掘精度不高,为了提高对高维数据挖掘的准确性能,提出一种基于相空间重构和K-L变换特征压缩的高维数据挖掘数学建模方法。采用集成学习技术,对高维数据信息流进行相空间重构处理,考虑类间的数据不平衡性,求得高维数据的关联维特征参量,根据数据的链距离进行稀疏性融合,计算高维数据流模型的最大Lyapunove指数谱,根据谱分析方法实现数据聚类,对聚类后的数据采用K-L特征压缩方法进行降维处理,降低数据挖掘的内存及计算开销。仿真结果表明,采用该方法进行高维数据挖掘,数据挖掘的准确概率较高,占用内存消耗较少,计算开销较小。     

基于自适应非参数统计模型的彩色目标跟踪算法研究

针对复杂环境条件下的视觉跟踪问题,提出一种基于自适应非参数统计模型的彩色目标跟踪算法。利用目标和背景之间的强度差别,基于自适应核密度估计模型对运动目标进行了非参数统计建模。为了实现具有较大范围运动目标的跟踪,在充分考虑目标和背景之间的相关性前提下,采用目标特征统计的背景加权直方图对搜索区域进行了扩大。为了提高对环境变化的适应能力,根据目标和环境的变化自适应更新目标特征分布模型。通过对实际图像序列的实验,结果表明该算法能够有效跟踪运动目标,并且平均迭代次数比传统方法减少了37.28%。     

基于物联网和SOM算法的信息监控系统设计

在物联网环境下进行信息监控系统设计,实现对网络信息的监控和自适应采集,保障网络安全。针对采用传统的神经网络控制方法进行信息监控的数据挖掘准确性不好的问题,提出一种基于物联网和自组织映射SOM算法的信息监控系统设计方法,首先进行信息监控系统的总体设计和功能模块化分析,然后设计改进的SOM算法,应用在信息监控的数据挖掘和分类识别中,在程序加载模块中进行算法加载,最后在物联网环境下构建嵌入式Linux内核进行信息监控系统的软件设计和开发。系统仿真实验结果表明,采用该信息监控系统进行大型物联网的数据信息监控,对数据的准确挖掘和识别性能较好。     

基于大数据分析的移动对象轨迹预测方法

对移动对象的轨迹预测将在移动目标跟踪识别中具有较好的应用价值。移动对象轨迹预测的基础是移动目标运动参量的采集和估计,移动目标的运动参量信息特征规模较大,传统的单分量时间序列分析方法难以实现准确的参量估计和轨迹预测。提出一种基于大数据多传感信息融合跟踪的移动对象轨迹预测算法。首先进行移动目标对象进行轨迹跟踪的控制对象描述和约束参量分析,对轨迹预测的大规模运动参量信息进行信息融合和自正整定性控制,通过大数据分析方法实现对移动对象运动参量的准确估计和检测,由此指导移动对象轨迹的准确预测,提高预测精度。仿真结果表明,采用该算法进行移动对象的运动参量估计和轨迹预测的精度较高,自适应性能较强,稳健性较好,相关的指标性能优于传统方法。     

混合架构下ORACLE数据快速查找方法研究

为了提高对混合架构下ORACLE数据的挖掘和查找速度,提出一种基于频繁项目集关联规则挖掘的数据快速查找方法。构建ORACLE数据的内部关联属性映射关系模型,在异质网络混合构架模式下,采用Graph OLAP数据仓库模型进行数据库检索的关系维度表,提取表达ORACLE数据属性信息的特征参量,通过同态标签检索方法,实现对目标数据的快速查找定位。仿真结果表明,采用该方法进行ORACLE数据查找的查准率和查全率较高,计算速度较快,性能优于传统方法。     

基于颜色和空间信息的多特征融合目标跟踪算法

为解决单一特征目标跟踪鲁棒性较差的问题,提出一种基于颜色和空间信息的多特征融合目标跟踪算法。采用一种自适应划分颜色区间的方法提取目标颜色特征,利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将自适应颜色直方图和空间直方图相结合,在特征融合中引入特征不确定性度量方法,自适应调整不同特征对跟踪结果的贡献,提高算法的鲁棒性。仿真实验结果表明,该跟踪算法平均位置最小误差值仅6.967 像素,而单一特征跟踪算法以及传统融合算法的跟踪误差达192.576 像素和199.464像素。说明本文算法在跟踪准确性上优于单一特征跟踪算法及传统融合算法,具有更好的跟踪精度和更高的鲁棒性。     

基于多特征融合与ROI预测的红外目标跟踪算法

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强,以及在大视场条件下,首帧图像中小目标误检率高的问题,提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量,建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量,再采用改进的局部自适应阈值分割算法分割后续帧图像,然后利用静态与动态决策准则筛选出分割后的真实目标,最后计算并更新动态决策准则.红外靶标测试结果表明:该方法对不同场景具有较好的适应性,四个场景平均跟踪准确率为95.81%,微机平台平均每帧处理时间为10.93ms,嵌入式平台为26.79ms.     

10 Gb/s光通信传输系统中一阶PMD自适应补偿实验

在10 Gb/s归零码(RZ)光通信传输链路中成功地搭建一阶PMD自适应补偿的实验系统,补偿量29 ps,跟踪补偿时间在1 s以内,补偿效果明显.     

云计算环境下资源调度系统设计与实现

在云计算环境下,对开放的网络大数据库信息系统中的数据进行优化调度,提高数据资源的利用效率和配置优化能力。传统的资源调度算法采用资源信息的自相关匹配方法进行资源调度,当数据传输信道中的干扰较大及资源信息流的先验数据缺乏时,资源调度的均衡性不好,准确配准度不高。提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法,并进行调度系统的软件开发和设计。首先构建了云计算环境下开放网络大数据库信息资源流的时间序列分析模型,采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理,提取滤波输出的资源信息流的关联维特征,通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进。仿真结果表明,采用资源调度算法进行资源调度系统的软件设计,提高了资源调度的信息配准能力和抗干扰能力,计算开销较小,技术指标具有优越性。     

基于云计算的大数据自动分类处理系统设计

随着现代网络技术不断进步,系统数据量也在逐渐增多。传统的大数据自动分类处理系统已经无法满足现阶段用户需求,其软件与硬件的设计都比较单一,存在能源消耗大、分类速度慢、处理时间长、内存占用率高等问题,为此,提出基于云计算的大数据自动分类处理系统的设计。首先设计系统硬件结构,主要包括数据采集器、数据处理器以及数据自动存储模块,并详细的介绍了各硬件结构;然后利用时域特征提取数据的算法对频域特征数据进行提取,从而实现数据自动分类处理系统的软件设计;最后对两种系统性能进行对比实验。实验结果证明,基于云计算的大数据自动分类处理系统的资源不仅占用率低,内存消耗小,而且数据库内存较大。该系统不但可以提高数据自动分类精准度,还能加快数据分类速度,从而使系统拥有更好的分类性能。     

云计算虚拟现实技术供应链协同系统设计与实现

针对如何保障用户个性化需求的准确度和反馈满意度问题,建立了个性化基于虚拟现实供应链云计算协同管理技术。该技术,首先分析了行业特点和个性化服务特性,同时综合考虑服务时间、成本、用户体验质量等特征,提出了个性化数据挖掘虚拟现实控制机制。其次,基于云计算提出了协同管理控制系统架构,优化用户个性化需求和解决差异化对供应链的影响。与非协同管理方案相比,所提出的协同管理算法将个性化差异对供应链管理的干扰降低25%,保障用户满意度处于较高水平。     

基于KL-散度的智能电网用户特征提取方法

智能电网技术的发展,使得传统电力系统的规模及复杂度大大增加,同时产生了大量的用电数据,如何有效利用数据挖掘技术,从这些海量数据中挖掘出有潜在价值的信息,成为了当前电力系统分析中的一个挑战性问题。首先根据不同的时间段,将用户的用电数据进行划分,在分析每段时间内用户用电数据的基础上,采用KL-divergence（KL-散度）方法衡量用户差异,并结合基于密度改进的K-means算法,给出了一种新的用户特征提取算法,用以描述电网用户的特征差异,从而实现针对不同类别用户制定不同电力营销策略,这在一定程度上能够提高企业经济效益。最后,算例仿真结果表明,所给出的用户特征提取算法在计算的时间效率和准确性上,较传统方法都有了明显的提升。     

基于数据挖掘的高校管理信息系统设计与实现

高校事务信息的数据规模较大,更新速度较快,复杂度较高,需要设计有效的高校管理信息系统,提高信息管理能力。传统的高校管理信息系统设计采用嵌入式Visual Basic的信息管理系统构架方法,系统的信息再植入能力和多线程处理性能不好,提出一种基于多元特征数据挖掘和嵌入式Linux内核的高校管理信息系统设计方法。首先在嵌入式Linux的核单元中进行高校管理信息系统总体设计和文件配置,进行系统的功能模块分析和技术指标描述。设计基于相空间重构和关联特征提取的数据挖掘算法,进行高校管理信息的有用特征挖掘和提取。以数据挖掘结果进行程序加载和引导,进行高校管理信息系统的软件开发和设计,主要包括程序加载模块、数据存储模块、交叉编译模块以及网络通信模块的设计,实现基于数据挖掘的高校管理信息系统的改进设计。实验结果表明,采用该系统进行高校管理信息的挖掘和存取调度,具有较好的可靠性和人机交互性,系统的吞吐性能和执行时间开销等指标具有优越性。     

Preference-Tree-Based Real-Time Recommendation System

In the current era of online information overload, recommendation systems are very useful for helping users locate content that may be of interest to them. A personalized recommendation system presents content based on information such as a user’s browsing history and the videos watched. However, information filtering-based recommendation systems are vulnerable to data sparsity and cold-start problems. Additionally, existing recommendation systems suffer from the large overhead incurred in learning regression models used for preference prediction or in selecting groups of similar users. In this study, we propose a preference-tree-based real-time recommendation system that uses various tree models to predict user preferences with a fast runtime. The proposed system predicts preferences based on two balance constants and one similarity threshold to recommend content with a high accuracy while balancing generalized and personalized preferences. The results of comparative experiments and ablation studies confirm that the proposed system can accurately recommend content to users. Specifically, we confirmed that the accuracy and novelty of the recommended content were, respectively, improved by 12.1% and 27.2% compared to existing systems. Furthermore, we verified that the proposed system satisfies real-time requirements and mitigates both cold-start and overfitting problems.     

HLS-II移动端数据查询系统开发

合肥光源（HLS-II）是以真空紫外和软X射线为主的专用同步辐射光源,作为用户装置,对运行性能有很高的要求。为提高数据查询的实时性与便捷性,满足工作人员及时掌握装置运行状态的需求,基于Web技术开发了HLS-II移动端数据查询系统。该系统在EPICS环境下进行开发,以IOC作为实时数据源,以HBase数据库作为历史数据源,以Phoebus Alarms作为报警数据源,以MySQL数据库存储用户管理信息。整个系统采用前后端分离的模式进行设计,系统后端采用Spring Boot框架和Node.js环境进行开发;系统前端以Vue.js框架开发,使用lib-flexible弹性布局方案和postcss-pxtorem插件,以适配不同种类的移动设备。测试表明,HLS-II移动端数据查询系统信息更新流畅,操作直观方便,达到了设计要求。     

云计算Hadoop平台的异常数据检测算法研究

近年来,随着我国互联网技术的飞速发展与大规模网络运算平台研究的深入,云平台下的数据处理已成为大规模数据的主要处理方式。但是,现有的云计算Hadoop平台在海量数据异常涌入状态下,常常出现数据逻辑错误、数据链完整性缺失、数据失效的问题,造成无法对上述异常数据进行有效检测处理,严重影响云计算Hadoop平台的数据运算准确性。针对上述问题,提出云计算Hadoop平台的异常数据检测算法研究方法。采用JNS数据采集筛查模组、算法逻辑补偿模组与动态反馈模组对现有的云端计算平台存在的问题进行针对性解决。通过仿真模拟实验证明,提出的云计算Hadoop平台的异常数据检测算法研究方法,具有异常数据识别率高,准确性高,速度快、可实施性强、稳定性好的特点。