基于决策树算法的多级冗余电力大数据清除

由于电力数据体量在短时间内暴增,使得冗余数据占比增多,严重影响了电力数据的处理时间。为此,提出基于决策树算法的多级冗余电力大数据清除方法。通过对多级电力大数据分块处理,采用离散小波变换算法,提取其近似特征。引入决策树算法计算信息增益率,基于并行计算原理设计多级冗余电力大数据清除流程,从而实现数据清除。实验结果显示:提出方法的检测结果与实际冗余数据量保持一致,冗余数据清除吞吐率最大值为45 bps,充分证实了提出方法冗余数据清除效果更好。

一种基于内容分块的层次化去冗优化策略

在过去的数十年中,信息数据量呈现指数级增长,如何存储和保护这些大量信息数据成为一个难题.云存储和冗余去重技术成为解决上述难题的主要技术.去冗技术在云存储系统中得到广泛应用,但主流的云存储系统存在索引信息的膨胀以及数据分块的不确定性等不足,而这些弊端会导致内存空间的浪费和数据分块的不可预知性.针对这些问题,提出了一种基于内容分块的层次化去冗优化策略,并构建了对应的算法,解决了云存储系统中索引信息表过大和数据分块过大或过小的问题.并且选取CNN新闻的页面内容作为测试集进行实际测试,通过比较去冗比和去冗时间可以看出,相比于目前主流的去冗策略,本文提出的基于内容分块的层次化去冗优化策略能够提升3%左右的去冗比,同时降低2%左右的去冗时间.

一种支持数据去冗和扩容的多媒体文件云存储系统实现

随着互联网的发展,存储多媒体文件的场景日益增多,云存储系统成为了业界焦点,很多云存储系统为应用程序提供数据存储、查询和计算服务.许多应用程序拥有大量重复的体积较小的多媒体文件,传统的分布式文件系统已不能满足多媒体文件对存储性能的需求,它们通常会把多媒体文件分块存储在不同的存储服务器上,每次获取文件内容都需要从多个块结点把数据获取到,然后重构文件内容给应用程序,导致访问这类体积较小的多媒体文件会消耗更多的资源.为了解决数据冗余度高的应用程序在低存储成本条件下对多媒体文件进行分布式存储的问题,同时为了提高这类应用程序的运行效率,首先提出一种分布式存储目录建模方案,可以用来描述数据中心的存储目录逻辑结构;然后实现了一个多媒体文件云存储系统MFCSS,支持数据去冗和存储目录逻辑扩容.分析和实验结果表明:MFCSS系统在保存数据冗余度较高的多媒体文件时具有良好的性能,可以有效提高磁盘的存储效率,同时具备良好的扩展性,可以简化应用程序管理分布式存储环境中多媒体文件的过程.

云环境下基于代数签名的支持所有权动态变更的安全审计和去冗方案

云数据完整性检测和重复数据删除技术在云存储的快速发展中扮演着重要角色。近年来,许多专家提出一些在云环境下同时支持数据完整性审计和数据去冗的方案。然而,在用户生成认证器的阶段,这些方案会有较大的计算开销。文章方案利用代数签名生成文件签名,利用异或操作实现对明文信息的加密,较大程度地降低了用户对大数据的计算开销。此外,方案利用效率更高的重加密算法,实现了在事先不知道可能用户的情况下真正意义上的所有权的动态变更。安全性分析和性能分析表明,方案是安全和高效的。

基于随机森林的社交网络用户浏览行为数据去冗方法

为了提高社交网络用户浏览行为数据去冗检测能力,提出基于随机森林的社交网络用户浏览行为数据去冗方法.采用模糊度参数辨识的方法实现对社交网络用户浏览行为数据的特征提取,构建社交网络用户浏览行为数据统计模型,依据社交网络用户浏览行为推荐的约束参数,提高社交网络用户浏览行为数据的挖掘和检测能力,进行社交网络用户浏览行为数据的语义特征分解,采用随机森林学习算法实现对社交网络用户浏览行为数据的冗余信息滤波,结合形状相似性特征分析方法实现社交网络用户浏览行为数据的模糊信息融合,进行社交网络用户浏览行为数据去冗优化.仿真结果表明,采用该方法实现社交网络用户浏览行为数据挖掘的精度较高、数据去冗性能较优.

基于皮尔森相关算法的云存储层次化去冗优化

针对传统云存储存在去冗效率和召回率低的问题,提出了基于皮尔森相关算法的云存储层次化去冗优化方法。根据云存储层次化结构中冗余信息的属性分布相似性度量值,构建了冗余信息的距离矩阵;通过计算冗余信息之间的相似度,对云存储层次化冗余信息进行分类;通过分析不同类别冗余信息的结构,利用数据降维约束条件和中心极限原理,在云存储层次化结构中,构建冗余信息特征空间压缩的目标函数,提取出云存储层次化冗余信息特征;基于去冗优化超平面,计算冗余信息样本点到正负类超平面的距离;利用皮尔森相关算法定义模糊因子,据此定义云存储层次化结构中特征有效度,构建了冗余信息特征的有效度函数,实现了云存储层次化的去冗优化。实验结果表明,设计方法在提高去冗效率的同时,在召回率上也具有很好的性能。

基于哈希表的3D打印模型冗余顶点优化

模型数据的读取和存储是所有3D打印的基础,冗余数据的产生容易导致打印效率的下降。针对STL文件存在的顶点数据多次纪录的问题,提出一种基于哈希表的冗余数据优化方法。该方法将多余数据剔除,缩短了数据处理时间,提高了打印效率。通过实验论证,模型数据实现了16.7%的顶点去冗。

基于无冗数据面向对象的变化信息提取

高分辨率遥感影像存在数据量大的问题,现有基于高分影像的变化检测方法一般是对影像去冗后再进行处理,但鲜有对变化检测、数据去冗二者顺序对提取结果的影响研究。本文以独立成分分析、主成分分析两种影像变换方法对数据去冗,结合差值法开展了变化检测、数据去冗二者顺序对提取结果的影响研究。实验结果表明:基于双时相影像波段差值图像再去冗数据的提取精度明显优于对原始影像ICA/PCA成分差值图像的提取精度,且对波段差值图像进行ICA的提取精度优于PCA的提取结果。

去繁就简 去冗就短——我的语文教学观

现在的小学生，学习负担重，精神压力大。面对社会、家庭，他们从小就明白“书中乾坤大”，好好读书，成绩优异是他们的必然选择。其实，“好好学习，天天向上”是正确的，关键是这已在很大程度上成了孩子们的前提选择，只有学习好，才能有其他的兴趣爱好。因此在我们的语文教学中应当“去繁就简，去冗就短”，促进教学效益的提升。

网络化控制多目标无功优化的进化算法

针对网络化控制无功优化系统中节点为时间驱动的传输模式,提出一种多目标优化的改进进化算法。首先,分析网络化控制系统中节点的时间驱动和事件驱动2种传输模式,并对于时间驱动模式下数据丢包现象,建立网络化控制多目标无功优化系统的数学模型,进而引入去冗-保持处理方法。其次,给出一种基于双群体搜索机制的改进差分进化算法,通过对约束条件的可行和不可行双群体处理,解决多目标优化过程中陷入局部最优的问题,并改进变异和交叉操作以提高优化速度与性能。最后,利用IEEE 30节点系统进行仿真计算及分析。研究结果表明:该算法不仅能保证系统达到次优状态,而且收敛速度、均匀性及逼近性等方面均有较大提高。

基于网络化控制模型的改进无功优化算法

针对网络具有前向通道数据丢包的情况,提出一种基于网络化控制模型的改进无功优化算法。首先将网络化控制模型引入无功优化实时控制,实现了基于网络化控制模型的无功优化问题建模,并分析了网络数据丢包对于无功优化算法的影响;进而针对网络前向通道中数据丢包问题,提出利用历史控制量进行去冗–保持处理的改进优化方法;最后以定向变异遗传算法为例,针对IEEE 118节点系统进行了无功优化仿真分析。结果表明:当系统的网络前向通道中存在不可控输出量时,利用该方法不仅能保证系统达到近似的最优状态,而且其收敛性和求解速度都得到提高。

基于云模型的多信道电机故障信号择优选取

在当前电机故障诊断领域已实现多传感器多信道故障信号采集的背景下,针对如何有效处理高维电机故障数据以达到快速、准确诊断的难题,提出云隶属度新模型与多信道信号择优选取方法.该方法首先将属性相似算法与逆向云发生器相结合求取传感器位置权重与隶属基准值,进而引入正云发生器,得到各个信道信号的数字特征,最后根据云运算原理求取各个信号的云隶属度,以实现择优选取部分信道信号,达到减小多信道信号的冗余性的效果.通过实例仿真分析验证该方法的可行性.

基于扩展贝叶斯分类算法的土地利用时空变化信息库去冗方法

本文提出一种基于扩展贝叶斯分类算法的土地利用时空变化信息库去冗方法,通过遥感技术获取土地利用图像,结合人工目视判读法,分析土地利用时空变化指标,构建土地利用时空变化信息库。利用基于属性关联性的朴素贝叶斯分类算法,约简信息属性,去除冗余信息属性,达到信息库去冗的目的。将扩展弧添加在非同种类别的父子结点间,形成扩展贝叶斯分类算法,提高冗余信息去除的准确性。实验结果表明,该方法能够有效去除土地利用时空变化信息库中的冗余信息,节约存储开销,提供完整的土地利用信息,具有较好的分类性能。

邵作舟的财政改革思想述论

早期维新派代表人物邵作舟以富民强国为目标,力主财政改革,翻新古代财政指导思想作为财政改革纲领,轻徭薄赋以解民困,务本兴利为民求富,去冗食以筹巨款,学习西方,大办洋务新政以强国,并提出设立战略储备以应对外敌入侵等重大突发事件。他所设想的改革力度之大前所未有,可谓洋务运动时期最杰出的财政思想家,为近代中国财政思想史写下新的篇章。

改进随机森林算法在Android恶意软件检测中的应用

Random Forest作为一种常见的机器学习算法,不仅具备较高的分类回归性能,而且快速高效.传统的Random Forest算法并未在决策树的生成和选择上做深入研究,在本文中笔者提出一种降序去冗的寻优方式对机器学习中监督学习算法Random Forest进行改进,在保证准确率的同时减少随机森林的冗余度,并应用于Android系统的恶意软件检测.经过五折交叉验证法验证,改进的Random Forest算法能够在较低的冗余度下保证较高的准确率,同时改进的算法准确率在与同条件下的原算法的准确率以及OOB模型下的准确率相差在1%以内,在与单模型分类算法KNN和集成式学习算法Adaboost M1的对比试验中改进的Random Forest算法要优于以上两者.

基于点积-平移支持向量机的客运需求预测

提出一种适用于多影响因素回归拟合的全社会客运量预测的点积-平移型支持向量机算法.该算法能够全面、系统地分析影响客运量需求变化的关联因素,通过关联元素去冗处理,确定作为支持向量机算法输入变量的核心关联元素.考虑到客运量预测是一个基于时序变化的外推过程,并且受社会经济发展中多项影响因素的制约,数据变化存在着阶段性特征,提出利用点积-平移型核函数来拟合需求变化过程.对历史数据集的测试结果表明,该算法性能评价满足要求,可为远景客运量预测提供理论依据.