多模态异构大数据混合属性特征匹配筛选算法

多模态异构大数据混合了多种属性数据,具有数据类型繁杂、数据维度较高的特点,在数据挖掘过程中容易降低多模态异构大数据利用率。为了提高特征匹配紧密度,提出多模态异构大数据混合属性特征匹配筛选算法。建立距离矩阵对多模态异构大数据实施混合属性降维;采用主成分分析法提取降维后的数据主成分,将提取到的主成分作为数据混合属性备选特征;计算主成分互信息,筛选互信息值大于1的数据特征,聚集同属性相似特征,实现特征匹配。在4个多模态异构大数据集中进行应用测试,测试结果表明所提算法匹配紧密度均高于0.8,由此证明,该算法具有较高的混合属性特征匹配质量。

跨层安全访问多模态异构网络数据的数学建模

多模态异构网络数据通常包含个人敏感信息,在跨层安全访问时,隐私保护成为一个重要的考虑因素。针对非法访问造成的数据泄漏等问题,提出多模态异构网络数据跨层安全访问数学建模。基于多模态异构协议适配模型,统一多模态异构网络数据为相同格式,在此基础上融合数据,建立数据跨层安全访问数学模型,明确数据所有者、服务端和数据使用者三个实体,依据用户权限判断、初始化、数据使用者身份动态认证、用户验证、数据授权、数据分发和数据跨层访问控制七个步骤,实现多模态异构网络数据跨层安全访问。实验结果表明,所提方法访问开销和权限回收开销保持在14ms内,平均数据包投递率高,且平均能耗少。

基于DTS的多模态异构大数据检测方法研究

为降低由多模态异构数据造成的信息传输风险,增强大数据网络对于信息攻击行为的实际承载能力,提出基于DTS的多模态异构大数据检测方法。利用深度置信网络对异构数据进行编码处理,再借助DTS线性映射条件,实现多模态异构大数据提取。在此基础上,清洗大数据环境下的所有传输信息参量,通过二值化转换的方式控制异构数据的降维方向,实现多模态异构大数据检测。对比实验结果表明,与传统检测方法相比,DTS检测方法可规避95%以上的风险性信息传输行为,且能使多模态异构数据的稳定抵抗能力得到大幅提升,满足增强大数据网络对于信息攻击行为承载能力的实际应用需求。

面向帕金森病的多模态异构协同感知方法

利用多模态异构传感器组成身体感知网络(body sensing networks),是连续感知用户日常行为的重要方法之一,但是能源消耗问题一直是限制其发展的主要原因。本文提出了一种面向帕金森病的多模态异构协同感知方法,以降低用户日常行为感知过程中的功耗.该方法将行为感知分为行为识别与状态监测,基于信息论确定识别或监测不同行为的最优传感器组合,进而利用一个多分类器建模的行为识别模型与多个二分类器建模的状态监测模型感知用户行为.通过在公开两个数据集上的实验可以看出,与传统的传感器全部持续工作的方法相比,该方法能够在保证对用户行为有效感知的同时,降低了数据传输和模型计算的功耗(MHEALTH上约40%,PAMAP2上约15%),从而延长感知网络的寿命,实现长时间持续的用户日常行为感知.

基于K-均值聚类的多模态异构大数据检测算法研究

为了解决传统多模态异构大数据检测算法存在的存储极值高、QTI指标低,而导致数据模态混乱的问题,为解决此问题,建立基于K-均值聚类的多模态异构大数据检测算法。以异构语料库作为大数据支撑背景,借助多模态均值分类器,确定相似性检测度量值,搭建基于K-均值聚类的多模态异构体系。在此基础上,利用多模态型TAN检测网络,恢复处于异构状态的大数据结构体,再通过计算粗糙权重水平的方式,实现多模态异构大数据检测算法研究。应用实验结果表明,与MapReduce检测手段相比,应用异构型检测算法后,大数据结构存储极值出现明显的下降趋势,而QTI指标却大幅提升,原始存在的数据体模态混乱行为得到有效控制。

面向冬奥的多模态异构融合的铁路客站设备智能评估研究

铁路客站智能化水平的提升,带来了设备设施种类增长,迫切需要对产生的多模态数据进行融合分析,评估客站设备的智能化水平。以冬奥会高清视频转播为典型应用场景,通过分析数据多模态的异构融合方法,在综合比较不同融合方法的基础上,选择特征级的融合方式,并搭建铁路客站设备智能化评价体系。针对传统TOPSIS方法中主动赋权机制的弊端,采用“主观+客观”相结合的方法对评价指标权重进行优化,且运用CRITIC方法对权重进行准确性、合理性分析,最后通过组合赋权完成设备的智能化评价指标权重计算。通过分析改进TOPSIS方法的评价结果,得出权重占比较大的指标,从侧面较好地反映该典型场景下客运设备智能化程度,其综合评价结果为客站智能化评价提供参考方向。

基于哈希算法的异构多模态数据检索研究

随着大数据时代的发展,网络上的文本、图像、视频、音频等异构多模态数据呈指数级增长。在海量数据中进行异构多模态数据的检索,成为了热门的研究方向。但是,异构多模态数据检索面临两大挑战:1)数据存在“语义鸿沟”,即如何表达异构多模态数据之间的相似性;2)在海量数据中,如何进行准确高效的检索。针对哈希检索算法忽略了异构多模态数据之间语义一致性的问题,文中提出了一种基于CCA(典型相关性分析)语义一致性的哈希检索算法(CCA-SCH)。该算法为了保持模态内的语义一致性,分别生成文本和图像数据的语义模型;为了保持模态间的语义一致性,通过CCA算法融合文本和图像语义,生成最大相关矩阵;同时引入2,ρ范式来减少原始数据集的噪声和冗余信息,使哈希函数具有更好的鲁棒性。实验结果表明,CCA-SCH算法在实验数据集上的均值平均准确率(Map)相较于基准算法提升了10%以上,体现了该算法更好的检索性能。

复杂网络大数据异构多模态目标识别方法研究

为解决传统目标识别方法中准确率较低的问题,提出复杂网络大数据异构多模态目标识别方法研究.通过构建复杂网络大数据异构多模态目标识别模型,提取识别目标中相关数据特征,并进行异构多模态目标相关特征优化.计算优化后目标特征最大化识别概率,得到异构多模态识别目标坐标,从而完成精准度较高的目标识别.仿真实验,与传统目标识别方法对比,可以看出复杂网络大数据异构多模态目标识别方法具有更高的目标识别度,从而证明方法有效性.

基于广义物联网框架的中低压配电网关键技术与工程应用

文章从城乡配电网数字化建设与多元性负荷、分布式发电基础建设深入开展,项目针对短路故障时间序列数据关联紧耦合、数据标签缺失、短路故障测量与取电相互干扰的问题,提出了基于顺序时间敏感网络的数据填补与迁移综合技术,改进了基于盘状旋开的一体两端的故障定位机构,搭建了基于高阶功率谱的边缘平台.通过综合建模、边缘数据填补和关键结构来实现短路故障的智能定位.最后,将该项目实施的结果和国内外同类技术产品进行对比,并说明其广泛的应用现状和前景.