导读:本文包含了海量数据建模论文开题报告文献综述及选题提纲参考文献，主要关键词:AIS,多粒度,视点选择法,空间索引
海量数据建模论文文献综述
杜莹,武玉国[1]（2019）在《基于多粒度建模的海量AIS数据叁维可视化索引方法研究》一文中研究指出随着航运业的蓬勃发展和通信手段的日新月异,AIS技术应运而生。其数据特点是数量众多、位置及状态更新频繁,如果没有一套合理高效的建模及可视化方案,很难满足多方面用户对于叁维可视化高效、直观的要求。在详细分析AIS数据的模型粒度的基础上,设计并实现基于"视点选择法"的多粒度建模方法,通过构建面向移动对象的动态空间索引,实现海量AIS数据的叁维可视化,并通过实验验证算法的可行性。(本文来源于《测绘工程》期刊2019年02期）
胡闽[2]（2017）在《云平台海量数据中提取用户信息数学建模仿真》一文中研究指出云平台上海量数据中用户信息的提取,可更好地提升云提取的服务质量。对信息的准确提取,需要给出数据特征淘汰特性和过滤内在联系性,对数据特征进行匹配来完成。传统方法通过统计样本数据的频率表,提取每个数据特征的不一致性,但无法互相匹配,导致提取精度低。提出基于改进K近邻的云平台上海量数据中提取用户信息数学模型。以原始的云数据输人空间的特征为提取因子,对各个条件数据属性依据相同的权重提取特征样本间的距离,得到不同条件属性下相应特征参数的联合熵,给出数据特征淘汰特性和过滤的内在联系性,采用分数阶Fourier变换进行数据特征的匹配,构建了K-L数据特征分类器,以上述分类器为依据组建云平台上海量数据中提取用户信息数学模型。实验结果表明,所提模型提取精确度较高。(本文来源于《计算机仿真》期刊2017年04期）
王宁涛[3]（2017）在《基于云计算的海量高校体育数据建模与分析》一文中研究指出为了提高高校体育信息的管理分析能力,针对当前高校体育数据库建立和信息检索的实时性和系统性不好的问题,提出基于云计算的海量高校体育数据建模与分析方法,构建高校海量体育数据的分布式数据库模型。在云计算环境下进行数据库访问模型设计,采用K均值数据聚类方法进行体育数据的可靠性挖掘,实现高校体育数据的优化信息调度和检索分析。仿真结果表明,采用该模型进行高校海量体育数据分析的实时性较好,数据挖掘的精度较高。(本文来源于《现代电子技术》期刊2017年07期）
胡勤军,葛亮[4]（2017）在《海量管线数据自动建模技术研究》一文中研究指出本文结合传统的叁维建模方法和软件建模方法,利用Skyline软件,提出了一种新的海量叁维管线建模方法,经验证,本文提出的方法能够快速、高效的实现海量城市管线数据的叁维建模。目前,叁维可视化技术很多,大体可以分为数学类技术和组件类技术两大类。其中,数学类技术主要有Direct3D、OpenG L、Java3D等,然而此类技术对开发者而言要求甚高,除了具备计算机图形学知识及扎实的数学功底外,还必须具备(本文来源于《中国科技信息》期刊2017年01期）
邵振国,吴瑾樱,苏文博[5]（2016）在《面向海量历史监测数据的谐波污染用户统计建模方法》一文中研究指出针对大部分用户历史监测数据只保留接入点电压、电流谐波幅值的情形,提出了一种基于幅值监测数据的谐波用户建模方法,同时利用拉丁超立方采样处理海量监测数据,辨识模型参数。利用所提方法对一组实际监测数据进行统计建模以分析实际的谐波污染用户,结果证明了所提方法的快速性和有效性。(本文来源于《电力自动化设备》期刊2016年08期）
李杰,王波,王兴存,张印宝,徐震[6]（2016）在《基于海量点云数据的变电站叁维全真建模方法》一文中研究指出面向变电站管理工作中对叁维场景模型的实际需求,构建了基于叁维激光扫描采集的海量点云数据的叁维全真模型。首先运用激光扫描仪对变电站进行高精度测量,获得海量的离散点云数据,然后重点研究了基于海量点云数据预处理及自动曲面重建方法,实现了点云数据的自动遍历,快速重建出几何和拓扑真实的变电站叁维模型,直观展示变电站场景真实的叁维空间信息。(本文来源于《华北电力技术》期刊2016年07期）
代恩华,喻学涛[7]（2016）在《海量物联网差异数据定位识别建模仿真》一文中研究指出在物联网下的差异数据进行定位识别问题的研究中,由于大型物联网结构下的数据量很大,形成海量的差异数据。上述数据特征很难用统一标准进行衡量,使得定位识别需要的特征分区过多,导致传统的定位识别过程需要进行多次分类校验,效率较低。提出采用不一致率的海量物联网差异数据识别模型,首先统计样本数据在每个特征子集划分下的频数表并计算物联网数据不一致率,再根据特征子集对应的物联网数据不一致率差异最小化原则完成特征个数最小化的最优特征子集筛选;然后由模糊优选模型得到有序综合指标特征数据集,最后采用聚类分析将有序综合指标数据集聚类为几个簇进而完成物联网差异数据的定位识别。仿真结果表明,所提方法的识别定位速度和精度比传统方法有明显提高。(本文来源于《计算机仿真》期刊2016年04期）
尹子都[8]（2016）在《基于海量行为数据分析的动态建模与概率预测》一文中研究指出数据通常被分为叁大类：Web数据；科学数据；决策数据。其中,科学数据主要来自观测和实验,决策数据来自市场调研和政府统计等,这两类数据所占的比例与Web数据相比较少。Web数据是指互联网上所有的数据,主要是用户所产生的数据,比如用户评论,用户间交互等。用户的行为无疑是复杂的,并不像科学实验那样,有可观测的、客观的结果,这些行为可以用偏好来概括。但是随着互联网的发展,越来越多的应用以用户为核心展开。这些应用大多都需要合理的模型来描述用户的偏好,解决这一问题的过程即为用户行为建模。本文主要研究如何通过分析用户行为数据来建立用户行为模型。为了较为全面的反应用户的特点,本文从两个方面开展,首先,用户偏好并不是一成不变的,对于用户已表达的偏好,需要找到一种能够有效刻画用户偏好的模型,表达用户偏好与时间的关系；其次,对于用户还没有的偏好,希望能找到一种有效合理的方法预测用户未来一段时间内可能产生的新偏好,这也是很多以用户为核心的应用所关注的。针对第一个方面,本文提出一种数据密集型的动态用户行为建模方法,给出随时间和用户行为变化而对用户行为模型的动态更新方法,为用户的行为预测和基于偏好的推荐提供有力支持。根据用户的思维特点,依托记忆曲线模型,考虑到海量数据的高效处理,首先讨论建立并用增量更新的方法动态更新用户偏好参数的过程,其次给出了用户偏好动态性计算的方法,最后通过并行编程模型实现。实验表明,本模型与不考虑数据时效性的静态建模相比有较好的正确性,同时,拥有很好的并行性和扩展性,是一种可行的建模方法。针对第二个方面,思考动态用户行为建模中的不足,采用基于贝叶斯网的预测方法,此模型可以根据用户当前的行为特点,客观的预测用户未来一段时间内用户可能产生的新偏好。以用户的行为数据为出发点,首先用经典的爬山法对贝叶斯网进行结构学习,根据BIC评分得到最优的网结构。其次,着眼于每个用户当前的行为特点,用贝叶斯网推理的方法得到用户未来最有可能的新偏好。最后,实验得到较好的预测结果,与大部分用户的实际行为基本吻合。(本文来源于《云南大学》期刊2016-03-01）
张茜,亢一澜,周思阳,郑峥[9]（2015）在《海量掘进数据分析与载荷力学建模》一文中研究指出分析了装备掘进参数的相互作用规律,建立了掘进载荷力学模型基本框架。(本文来源于《中国力学大会-2015论文摘要集》期刊2015-08-16）
晏舒婷[10]（2015）在《基于HDFS的海量医学影像系统的数据建模与转换引擎》一文中研究指出随着近十多年我国医疗信息的不断发展,图像化、计算机化的普及,各种医学影像设备层出不穷。影像设备大大的提高了医学诊断的准确性。这些医学影像设备带来的益处下,也随之而来了些问题。影像设备产生的医学影像数据量大,各个医院影像数据无法共享,病人耗费成本大,并且无法实现远程诊断。在这样的情况下,实现医学影像数据的存储和共享,是当下卫生管理部门急需解决的问题。HDFS作为大数据架构Hadoop的存储体系,可以存储海量的数据,将采用HDFS解决海量医学影像数据的存储问题,通过系统中数据转换机制实现医学影像数据的形式转换,并通过该系统平台实现一定区域内的医学影像数据共享。本课题预研建造区域影像数据协同共享的平台,首先研究Hadoop集群的架构,分析HDFS存储体系和HBase数据库之间的联系。构建基于HDFS的医学影像存储系统,利用该系统可以存储海量的医学影像数据,并通过该平台可以实现医学影像数据的共享。为了实现该医学影像存储系统,根据现在的影像存储文件DICOM的特点,结合HDFS中的存储容器分析,提出了适合HDFS中存储的S(Study)-DICOM文件模型。为了更形象的观察在HDFS中存储的S-DICOM文件数据模型,将通过建立HBase数据库,通过S-DICOM构建数据表结构,实现S-DICOM文件的元数据建模。构建了HDFS中的数据存储形式后,为了实现医学影像数据到HDFS文件系统的输入存储以及数据提取,需要在该平台上构建一个数据交换系统实现数据的转换机制,这个数据转换机制主要是实现医学影像数据存储平台外的医学影像数据与S-DICOM文件之间的转换。该转换系统将通过MapReduce计算框架分析,对数据进行操作,实现数据转换操作。最后通过模拟测试,验证医学影像DICOM文件通过该转换系统写入到基于HDFS的医学影像存储系统中,实现该系统对医学影像数据的存储和共享,验证设计研究的功能实现。(本文来源于《电子科技大学》期刊2015-03-27）
海量数据建模论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
云平台上海量数据中用户信息的提取,可更好地提升云提取的服务质量。对信息的准确提取,需要给出数据特征淘汰特性和过滤内在联系性,对数据特征进行匹配来完成。传统方法通过统计样本数据的频率表,提取每个数据特征的不一致性,但无法互相匹配,导致提取精度低。提出基于改进K近邻的云平台上海量数据中提取用户信息数学模型。以原始的云数据输人空间的特征为提取因子,对各个条件数据属性依据相同的权重提取特征样本间的距离,得到不同条件属性下相应特征参数的联合熵,给出数据特征淘汰特性和过滤的内在联系性,采用分数阶Fourier变换进行数据特征的匹配,构建了K-L数据特征分类器,以上述分类器为依据组建云平台上海量数据中提取用户信息数学模型。实验结果表明,所提模型提取精确度较高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
海量数据建模论文参考文献
[1].杜莹,武玉国.基于多粒度建模的海量AIS数据叁维可视化索引方法研究[J].测绘工程.2019
[2].胡闽.云平台海量数据中提取用户信息数学建模仿真[J].计算机仿真.2017
[3].王宁涛.基于云计算的海量高校体育数据建模与分析[J].现代电子技术.2017
[4].胡勤军,葛亮.海量管线数据自动建模技术研究[J].中国科技信息.2017
[5].邵振国,吴瑾樱,苏文博.面向海量历史监测数据的谐波污染用户统计建模方法[J].电力自动化设备.2016
[6].李杰,王波,王兴存,张印宝,徐震.基于海量点云数据的变电站叁维全真建模方法[J].华北电力技术.2016
[7].代恩华,喻学涛.海量物联网差异数据定位识别建模仿真[J].计算机仿真.2016
[8].尹子都.基于海量行为数据分析的动态建模与概率预测[D].云南大学.2016
[9].张茜,亢一澜,周思阳,郑峥.海量掘进数据分析与载荷力学建模[C].中国力学大会-2015论文摘要集.2015
[10].晏舒婷.基于HDFS的海量医学影像系统的数据建模与转换引擎[D].电子科技大学.2015