摘要：针对当前传感器数量剧增,导致传感器测量数据复杂性高的特点,提出了基于云计算和大数据技术的传感器数据存储与分析系统,用于传感器数据的收集、存储和分析。该系统采用开源技术,提供端到端的传感器数据生命周期管理和分析工具。在Hadoop MapReduce框架的基础上,结合分布式机器学习框架中的k-means算法,构建一个可扩展的机器学习库。在弹性分布式数据集Spark上运行提出的系统,结果表明,该系统能够有效地对大量数据点进行聚类,与机器学习软件Weka相比,提出的系统可以分析数百万个坐标而不会出现性能问题,证明了其在大规模传感器数据分析应用中的有效性。

摘要：传统信创协同办公软件适配技术直接对选取指标进行适配设计未计算指标第一权重,造成传统方法适配性差,因此提出国产化信创协同办公软件适配技术。根据协同办公软件的使用需求,选择国产化信创协同办公软件适配性评估指标,采用加权算法计算通信性能指标的第一权重。在计算第一权重的基础上,在考虑最佳通信结果差异程度的情况下实现最佳适配,从而完成国产化信创协同办公软件适配技术研究。设计对比实验,实验结果表明,该研究方法相较于传统方法具有更高的适配性、具有实际应用价值。

摘要：常规的数据检索方法主要根据数据语意划分检索类别,不完整的数据很难根据语意划分,导致检索mAP值降低。因此,设计了基于哈希学习算法的非结构化数据检索方法。提取非结构化数据的关键词,剔除多余符号与停用词,并对数据中的词频进行分析,便于后续检索。利用哈希学习算法,构建非结构化数据检索模型,将非结构数据按照固有结构检索,并根据相似数据表征剔除相似数据,最大限度地提高数据检索精准度。采用对比实验的方式,验证了该检索方法的mAP值更高,检索效果更佳,能够应用于实际生活中。

摘要：为预测包含电力异常大数据的信号负荷曲线的变化规律,从而实现对连续性电量信号的精准检测,提出基于时间序列预测的电力异常大数据检测方法。借助时间序列模型,确定降维预测系数的实际取值结果,通过离散化修正权限的表现强度,完成基于时间序列预测的电力异常数据修正处理。在此基础上,按照时间序列预测原则,建立Hadoop预测平台,根据具体的电力大数据异常特征值计算结果,确定并行检测强度的实际数值,完成基于时间序列预测的电力异常大数据检测算法的设计。对比实验结果表明,在时间序列预测模型的作用下,电网主机所预测出的包含电力异常大数据的信号负荷曲线能够更好贴合给定曲线的变化规律,在精准检测连续性电量信号方面具有一定的促进性作用。