面向变工况下工业流数据故障诊断的持续迁移学习系统

机器学习模型在智能故障诊断中取得了显著成功,但主要应用于静态场景。在实际场景中,新的故障类别数据以流形式不断产生,且数据分布随机械设备运行条件变化而发生变化,导致连续流数据具有非独立同分布的特征,这种面向非独立同分布连续流数据的诊断问题被称为持续迁移诊断问题。针对此问题,本文提出了一种基于持续迁移学习系统(CTLS)的故障诊断方法。该方法设计了域适应学习损失函数和持续迁移学习机制,能有效处理变工况下的工业流数据,无需重放旧类别数据便能够能学习新类别知识。此外,利用机械故障诊断案例评估该方法的性能,分析结果证明CTLS能够高效处理变工况条件下的工业流数据,是一种极具潜力的解决实际工业问题的可靠工具。

数据流分类中的概念漂移转移估计方法研究

数据流分类中的概念漂移问题是数据挖掘技术领域的前沿和难点,其重点是等级分类可能随着数据序列的转移而产生漂移现象。虽然估计动态漂移及其调整分类的算法已被提出,但现有算法由于目标分布例证的缺失在概念漂移估计方面的表现并不是很好,例证的多少严重影响了估计效果。鉴此,提出了一种新的参数估计方法,称为转移估计法,运用目标分布数据,结合相似分布理论,对现存的算法进行改进,以便实现对数据流分类中的概念漂移现象进行正确检测和估计。通过对虚拟和真实数据集的仿真实验表明,改进算法在数据流分类中的概念漂移估计方面优于现存算法。

可分级视频编码覆盖网非一致性随机成员构建算法

为了解决采用一致性随机成员算法进行节点管理而导致覆盖网(overlay)系统不具备QoS感知能力的问题,设计并实现了一种应用非一致性随机成员算法的overlay构建协议.在协议框架中,构成overlay的节点选择某一节点为邻居节点的概率与该节点的输出带宽成正比,这样在传输可伸缩编码视频(SVC)数据时,可避免出现上游节点丢弃部分媒体数据而降低下游节点接收质量的情况.测试结果表明,与一致性随机成员算法及多树算法相比,所提协议构建的overlay可以更加有效地支持SVC数据的传输.

基于分流优化选择的无线传感网数据传输算法

提出基于分流优化选择机制的无线传感网数据稳定传输算法。通过计算区域内簇头节点与各个簇内节点的自感阈值,根据该阈值进行簇头节点的更换并维持簇结构的稳定,根据当前网络传输带宽状况,以及下一跳簇头节点的能量消耗水平对传输数据流进行分割,定义最优传输函数,对分割后的数据子流进行优化传输,改善节点的能耗水平,实现数据的稳定与高效传输。仿真结果表明,与自动平衡适应算法(CHDA)和节点流平衡选择算法(GCPS)相比,所提算法具有更低的网络节点能耗开支,以及更高的数据分组投递率与网络稳定运行时间。

首都圈遥测台网卫星传输台站数据流与传递函数

介绍了首都圈32个卫星台站的概况和数据传输的实现方法,阐述了数据采集器参数设定的有关问题,同时给出了不同类型地震仪测震观测技术指标。从原理上探讨了地震仪观测灵敏度和传递函数的测定方法,并对32个卫星传输台站传递函数的测定结果进行了分析。

多路并行传输中数据调度算法的优化

针对异构无线网络环境中,基于流控制传输协议(SCTP)的多路并行传输协议(CMT-SCTP)存在接收缓存阻塞和路径负载失衡等问题,提出一种改进的轮询数据调度算法。该算法根据每条路径上的发送队列信息和拥塞状况对网络状况进行估计,并按照各路径上的网络状况分配相应的传输任务量,缩短数据包在接收端缓冲区的平均排队时延,减少接收端乱序数据包的数量。仿真结果表明,改进的轮询数据调度算法能有效提升CMT-SCTP在异构无线网络环境中的传输效率,有效缓解接收缓存的阻塞,且对不同的网络场景具有很好的适应性。

网络地图渐进式传输中的粒度控制与顺序控制

网络地图渐进式传输中数据粒度剖分与传输顺序是该过程控制的两个基本问题,数据粒度过于精细,会获得高分辨率的动画效果,但付出的代价是数据量增大;传输顺序则反应了适应不同领域用户需求从重要到次要数据流导出的先后次序。通过空间数据网上传输与其他视频、动画、图像数据传输的对比,提出了空间数据粒度控制的3个层次划分,即要素级、目标级、几何细节级,通过多个实例应用分析讨论了粒度剖分精细与数据量压缩的技术途径。关于传输顺序建立了数据逻辑组织的空间尺度与语义层次组合矩阵,通过数据元素线性扫描的矩阵行、列优先不同顺序,提出空间尺度优先与语义层次优先的传输过程,讨论了两种传输过程的适用范围。

DISP:物联网开放式数据服务系统

为了使物联网中的人、机、物之间能互享数据和服务,设计并实现了DISP数据服务系统。它可以实时获取并处理数据、部署并控制设备;通过高效的稳定数据流,把系统和服务开放给所有用户,供其发布数据和共享资源,从而自由定制高级的数据组件。细述了DISP系统的架构部署、设计原理、实现机制,详细分析了实现DISP数据服务系统开放性、实时性、灵活性的关键技术,并通过实验系统验证了DISP系统的工作流程和运行效果。

CDPD系统的切换机制研究

ＣＤＰＤ（ 蜂窝数字分组数据）系统的切换机制不同于模拟蜂窝通信系统和数字蜂窝通信系统。在研究了ＣＤＰＤ系统的无线资源管理规程（ＲＲＭＰ）、移动网络登记协议（ＭＮＲＰ） 和移动网络位置协议（ＭＮＬＰ）的基础上，对ＣＤＰＤ系统的切换机制和切换性能进行了深入的讨论，定量地分析了ＣＤＰＤ

多媒体信息的传输与控制技术

研究了标准局域网上的多媒体综合通信服务系统的传输与控制技术，设计了综合服务系统的功能，并拟定了硬件平台结构；着重论述多媒体数据流的设计，阐述了视频、静像和文件传送中的控制技术，还分析了语音媒体通信中的延时抖动问题及相应的控制方案。

一种基于B/S架构的安全数据下载方法研究

文章探讨了一种基于B/S架构系统的安全数据下载方法,并比较了几种可行方案的优缺点,从而说明了文中提出的"下载即删除"的安全数据处理方法可从根本上保证文件下载的安全性。但是,由于浏览器自身功能的限制使得该方法无法直接实现。为此,文章设计了一种流文件传输的变通方案,更好地实现了文中所提出的安全数据处理方法。目前,该方法已在某市住房公积金管理系统中得到应用,并取得了良好效果。

面向概念漂移的数据流分类研究分析

随着大数据、物联网技术应用不断深入,数据流产生场景逐渐增多,对数据流分类挖掘成为研究热点.数据流具备时序特性,存在概念漂移现象,导致传统数据流分类模型无法直接迁移到新环境.文中首先分析集成学习、增量学习在具有概念漂移的数据流分类中的应用研究,同时讨论了如何利用主动学习、半监督学习和迁移学习解决数据流分类中样本标注难题.最后对具有概念漂移的数据流分类存在问题及发展趋势进行分析,提出进一步研究方向.

基于DM642 PCI Master读方式的AVS视频数据传输实现

介绍了AVS解码器的系统构成;研究了基于TMS320DM642芯片实现PCI主模式读方式的数据传输系统。给出了在嵌入Linux操作系统下通过DM642 PCI主模式读方式实现AVS视频数据传输的具体方法;给出了视频数据接收线程与视频解码线程间的相互切换方法并配合内存映射、环行缓冲等方法,实现AVS视频流实时解码。实际结果证明此解码系统能满足实时性要求。

家庭网络单一协议模型分析

分析了家庭网络功能、结构及信息流特性,把信息流按对实时性要求的不同划分为3类:强制性实时数据流、柔性实时数据流和非实时性数据流;针对目前家庭网络“多种协议和规范共存”的现状,探讨满足家庭网络功能的单一协议模型,提出了具有4层结构的家庭网络单一协议模型;深入分析了家庭网络数据传输的3种机制:保留固定带宽模式、优先权模式和“复合”模式。

基于迁移学习的并行化大数据流传输系统设计

传统系统在并行化大数据流组件不变情况下的吞吐量会随着并发数增多而减少,影响数据流传输效率。为了解决这一问题,提出基于迁移学习的并行化大数据流传输系统。系统硬件由FPGA核心控制器、XC7K325T-2FFG 900芯片、DCM时钟组成,用于实时传输数据流。系统软件是在STORM平台上引入迁移学习算法。软、硬件结合,完成基于迁移学习的并行化大数据流传输系统设计。实验分别测试了两个系统在并行化大数据流组件不变情况下的吞吐量。将并行化大数据流分类组件设置为(5.5),(5.6),(5.7),(5.8),从实验结果可知,所设计的系统吞吐量会随着并发数、线程增多,呈上升趋势,能够有效提升并行化大数据流传输效率。

基于并行化大数据流及迁移学习的配电变压器故障在线辨识–诊断模型

针对配变故障在线诊断对计算速度的要求,以及配变单体在线监测量种类及例行试验数据量不足的问题,建立了一种基于并行化大数据流及迁移学习的配电变压器故障在线辨识-诊断模型。首先,分析配变在线监测量在故障辨识中的可行性,基于此提出配变故障在线辨识的主要指标;其次,提出基于ARIMA预测技术的配变故障在线辨识方法,建立了基于大数据流的配变故障在线辨识模型,并利用Storm平台完成配变故障的并行化在线辨识,辨识出存在故障隐患的配变作为待诊断配变;再次,构建配变故障诊断指标体系,利用迁移学习算法TrAdaBoost从大量配变中提取有效故障信息,辅助待诊断配变进行故障诊断,建立了基于迁移学习的配变故障诊断模型,并在Storm平台上完成配变故障的并行化诊断;最后,根据配变故障数据进行算例分析,仿真结果表明,所建模型故障诊断精确性高达97%,能够实现配变故障的实时辨识与诊断。

概念漂移数据流分类中的多源在线迁移学习算法

现有概念漂移处理算法在检测到概念漂移发生后,通常需要在新到概念上重新训练分类器,同时"遗忘"以往训练的分类器。在概念漂移发生初期,由于能够获取到的属于新到概念的样本较少,导致新建的分类器在短时间内无法得到充分训练,分类性能通常较差。进一步,现有的基于在线迁移学习的数据流分类算法仅能使用单个分类器的知识辅助新到概念进行学习,在历史概念与新到概念相似性较差时,分类模型的分类准确率不理想。针对以上问题,文中提出一种能够利用多个历史分类器知识的数据流分类算法——CMOL。CMOL算法采取分类器权重动态调节机制,根据分类器的权重对分类器池进行更新,使得分类器池能够尽可能地包含更多的概念。实验表明,相较于其他相关算法,CMOL算法能够在概念漂移发生时更快地适应新到概念,显示出更高的分类准确率。

Aspera-fasp技术在视频CDN系统中的应用与研究

研究、设计了一个基于HTTP Live Streaming视频流媒体技术的视频直播和点播的CDN系统,并在此基础上对其进行优化。目前,传统的CDN系统虽适用于目前国内大部分的网络环境,但在某些极端恶劣的环境条件下,比如无专线网络情况下的跨国数据传输,还是无法满足正常的业务需求。因此,该设计引入了Aspera-fasp传输技术,这是一项突破性的传输协议,能充分利用现有的WAN基础设施和通用硬件,让其为传统的CDN系统提供全球数据的快速传输。

基于迁移学习的数据流分类研究综述

数据流分类作为数据挖掘领域中的一个重要分支,能够获取数据流中有价值的信息,已成为当下研究热点之一.由于数据流固有特性导致传统的数据流分类方法面临较多难题,如样本标注和概念漂移等.本文分析了增量式和集成式的数据流传统分类方法的优缺点,在此基础上阐述迁移学习在数据流分类中的可行性和当前的研究进展,归纳出基于迁移学习的数据流分类研究的主要关键问题,指出进一步研究方向.

基于多源迁移学习的数据流分类研究

为解决数据流分类中概念漂移和噪声问题,提出一种基于互近邻的多源迁移学习方法。该方法存储多源领域上训练得到的分类器,求出目标领域数据块中每个样本的互近邻样本集合,然后计算源领域分类器对目标领域数据块中每个样本的互近邻样本集合的局部分类精度,最后将局部分类精度最高的源领域分类器和目标领域分类器进行加权集成,从而将多个源领域的知识迁移到目标领域。在仿真数据集上的实验结果表明,该方法能够有效避免伪近邻现象,与基于K-近邻的多源在线迁移学习方法相比,具有更好的分类准确率和抗噪稳定性。