面向传感器网络多数据流的高效处理系统及方法

    公开(公告)号:CN110674352B

    公开(公告)日:2022-07-12

    申请号:CN201910917578.6

    申请日:2019-09-26

    Abstract: 本发明公开了一种面向传感器网络多数据流的高效处理系统及方法,该方法包括以下步骤:步骤1:根据传感器网络的固有特性,按时间序动态构造聚合树,将多个具有相关性的数据流构造成聚合的XML数据流;步骤2:重用已有的XML流处理方法同时统一处理多个数据流。本发明针对传感器网络的多数据流,根据传感器网络的固有特性,构造多数据流聚合器,将多个具有相关性的数据流构造成聚合的XML数据流,可重用已有的XML流处理方法同时统一处理多个数据流,可以有效节省计算资源,减少大量中间处理结果。按时间序动态构造聚合树,有效处理同一数据流中元组失序到达的问题。与Stanford流数据管理系统对比的实验结果表明,在数据流数量较大时,该方法性能上有显著提高。

    卫星蓄电池电流数据异常参数移除方法及装置

    公开(公告)号:CN112731156B

    公开(公告)日:2023-07-25

    申请号:CN202011458204.1

    申请日:2020-12-10

    Abstract: 本公开是关于卫星蓄电池电流数据异常参数移除方法及装置。该方法包括:获取卫星蓄电池电流数据;根据所述卫星蓄电池电流数据中连续4个采样点的电流参数获取高频数据清洗基准值,并根据所述高频数据清洗基准值确定所述连续4个采样点中电流参数为高频异常参数的采样点;将所述高频异常电流参数移除,以获取高频清洗卫星蓄电池电流数据;根据所述高频清洗卫星蓄电池电流数据中连续5个采样点的电流参数获取低频数据清洗基准值,并根据所述低频数据清洗基准值确定所述连续5个采样点中电流参数为低频异常电流参数的采样点;将所述低频异常电流参数移除,以获取低频清洗卫星蓄电池电流数据。该技术方案在无需人工处理的前提下,自动移除卫星蓄电池电流数据中的高频异常电流参数与低频异常电流参数,改善了用户体验。

    基于Bayes多源数据融合的陀螺系统寿命预测方法

    公开(公告)号:CN110059337B

    公开(公告)日:2022-11-22

    申请号:CN201910139718.1

    申请日:2019-02-26

    Abstract: 本发明公开了基于Bayes多源数据融合的陀螺系统寿命预测方法,所述方法根据光纤陀螺子系统多源小样本失效数据,然后选择合适的寿命预测子方法进行陀螺系统的寿命值预测,用其预测值进行扩充获得有效寿命样本,然后通过相容性检验,对各样本数据拟合分析获得先验分布,利用Bayes融合方法获得Bayes验前信息,通过Bayes公式获得Bayes寿命参数的融合后验分布并对其进行参数估计,最后获得光纤陀螺系统的寿命预测值。本发明针对可获取的光纤陀螺子系统多源小样本失效数据,采用Bayes方法建立预测模型,实现对陀螺的寿命预测研究,相比较于单一数据源,本发明所预测结果更接近于光纤陀螺的真实寿命。

    卫星蓄电池电流数据异常参数移除方法及装置

    公开(公告)号:CN112731156A

    公开(公告)日:2021-04-30

    申请号:CN202011458204.1

    申请日:2020-12-10

    Abstract: 本公开是关于卫星蓄电池电流数据异常参数移除方法及装置。该方法包括:获取卫星蓄电池电流数据;根据所述卫星蓄电池电流数据中连续4个采样点的电流参数获取高频数据清洗基准值,并根据所述高频数据清洗基准值确定所述连续4个采样点中电流参数为高频异常参数的采样点;将所述高频异常电流参数移除,以获取高频清洗卫星蓄电池电流数据;根据所述高频清洗卫星蓄电池电流数据中连续5个采样点的电流参数获取低频数据清洗基准值,并根据所述低频数据清洗基准值确定所述连续5个采样点中电流参数为低频异常电流参数的采样点;将所述低频异常电流参数移除,以获取低频清洗卫星蓄电池电流数据。该技术方案在无需人工处理的前提下,自动移除卫星蓄电池电流数据中的高频异常电流参数与低频异常电流参数,改善了用户体验。

    一种基于关系数据库自动构建RDF的方法

    公开(公告)号:CN110795453A

    公开(公告)日:2020-02-14

    申请号:CN201911006404.0

    申请日:2019-10-22

    Abstract: 本发明提供一种基于关系数据库自动构建RDF的方法,包含步骤:S1、任意选取若干个关系型数据库,提取属性间的数据库模式特征值、数据库内容实例特征值;S2、选取部分关系型数据库作为训练数据库,剩余的作为测试数据库;通过机器学习训练所述训练数据库属性间的数据库模式特征值、数据库内容实例特征值,生成实体关系发现模型;通过实体关系发现模型得到测试数据库包含的属性间引用关系;S3、为所述测试数据库包含的属性间引用关系生成对应的数据库关系图;S4、根据关系型数据库的RDF转换规则,转换所述测试数据库包含的引用关系为对应的RDF语句。本发明能准确的发现关系型数据库中各属性间的潜在关系。

Patent Agency Ranking