一、协同计算机数据处理方法研究（论文文献综述）
练兴杨[1]（2021）在《基于协同过滤模型的运动处方生成技术研究与应用》文中指出健康是人们对美好生活的基本诉求,越来越多的人们开始注重运动习惯的养成,因此运动处方的应用受到人们的关注。针对现有运动处方生成方法存在个性化不足、针对性不强、运动计划安排不合理等问题,本文结合运动处方的相关理论,研究并设计出一种个性化运动处方生成方法,并在此基础上,针对运动处方在实施过程中的安全性问题,构建出一种基于胶囊神经网络的运动风险监测模型,进一步降低运动过程中的风险。具体研究内容如下:首先,基于运动需求与运动项目的关系,本文对运动项目的功能属性进行量化。在此基础上,一方面将聚焦系数矩阵融入协同过滤计算中,获得针对特定需求的运动项目适应度值,并以此为依据筛选符合预期的运动项目;另一方面,利用非支配排序遗传算法计算运动处方参数,保证运动处方的针对性和合理性。其次,面向运动过程中的风险构建出一种基于胶囊神经网络模型。该模型通过向量神经元提取可穿戴设备采集的心律数据特征,并基于此特征对运动风险进行预估,从而避免运动过程中危险状况的发生。此外,基于向量神经元的胶囊神经网络可以提取特征之间的关联信息,使其对数据中的噪声干扰具有较强的抵抗力。最后,针对上述模型在实践应用中的可行性和有效性,本文设计出一种基于反馈调节机制的运动处方管理流程,通过测试数据集的仿真实验,一方面,验证了融合聚焦系数矩阵的协同过滤算法在运动项目筛选过程中,具有更好的准确度和稀疏性;另一方面,验证了基于胶囊神经网络的运动风险监测模型在噪声干扰环境下,对心律失常的检测具有较高的正确率和可靠性。
褚宏林[2]（2021）在《一种改进的协同过滤推荐算法及其并行算法研究》文中认为随着互联网的高速发展,推荐系统在互联网中的应用越来越广泛。推荐系统通过分析用户历史数据信息发现用户感兴趣的信息,进而将这些信息推荐给目标用户。在学术界,有许多推荐算法被提出。其中,基于用户的协同过滤推荐算法是推荐系统中应用最广泛的推荐算法之一。基于用户的协同过滤推荐算法不需要用户提供明确的需求。算法通过找到目标用户兴趣相似的近邻用户,然后将近邻用户喜欢的、并且目标用户没有关注过的项目推荐给目标用户。但基于用户的协同过滤推荐算法在进行用户相似度计算时,仍然受到项目热度以及用户共同评分数量的影响的问题,仍需进一步的改进。同时,随着数据规模的逐渐增大,推荐算法的运行时间也随之增加,现有的推荐算法在处理海量数据时效率较低。针对上述提到的问题,对基于用户的协同过滤推荐算法主要进行如下两个方面的改进:（1）针对基于用户的协同过滤推荐算法在计算用户相似度时,没有考虑项目热度的问题,进行改进。通常用户关注过多的项目,都属于热门的项目,然而这一类项目很难反映用户的相似度。反而冷门项目更能反映用户之间具有相同的爱好,更能反映用户之间的相似度。考虑项目热度对推荐算法的影响,将热门项目惩罚因子,融入到本文推荐算法的用户相似度计算公式中,对用户相似度计算进行改进。针对基于用户的协同过滤推荐算法使用修正余弦相似度公式进行用户相似度计算时,没有考虑相似度结果受共同评分数量多少的影响问题,将已经添加热门项目惩罚因子的用户相似度计算方法进一步改进。并在此基础上,充分考虑用户相似度计算受共同评分数量的影响。引入JS散度作为修正因子,从概率分布的角度,对用户的相似度结果进行修正。（2）将改进后的串行推荐算法,基于Spark平台设计并行推荐算法。该并行推荐算法从Hadoop平台的HDFS分布式文件系统上读取数据。主要使用算子对RDD和Data Frame进行数据操作,把用户数据转换成可被操作的新的RDD和能够被SQL指令直接处理的Data Frame。本文并行推荐算法的设计过程分为四个阶段。第一个阶段,为数据预处理过程设计并行算法。将原始数据集RDD划分分片到多个节点中,在多个节点的不同任务中,并行执行数据分割操作。第二个阶段,对用户相似度计算过程设计并行算法。用户相似度阶段任意用户之间的笛卡儿积计算过程设计并行算法。第三个阶段为用户评分预测过程设计并行算法,将目标用户利用评分预测模型计算预测评分的过程进行并行算法设计。第四个阶段对目标用户推荐过程设计并行算法。将所有用户的评分预测结果降序排列的过程进行并行算法设计。
潘秋晨[3]（2021）在《全球价值链嵌入对中国制造业资源配置效率的影响研究》文中认为中国经济在经历了长期的高速增长后,正面临动力转轨,而在复杂的疫情防控和经济社会发展形势之下,先前本就潜藏的矛盾更为突出,“粗放型”的增长模式已不适应中国经济未来的发展,但创新效率低下、所有制歧视、产业分割严重等难以转变的现实,又在一定程度上限制了“集约型”增长模式的发展。如何找到未来的经济增长动力,是政策制定者最为关注的问题之一,而中国制造业当下存在的资源错配,不仅说明产业部门包含着充分的资源配置效率提升空间,更潜藏着经济新一轮增长的巨大能量。若要释放这一能量,就有必要在世界经济新旧动能转换、全球治理体系深刻重塑、国内国际生产体系紧密联结的双循环背景下,结合中国深化嵌入全球价值链的历程,考虑如何构筑更高质量的全球价值链嵌入路径,更充分的利用好全球价值链的组织、治理结构,进而促进生产要素的内外流动,提高资源配置效率。因此,若能基于全球价值链嵌入对资源配置的影响有的放矢的制定政策,改善不平衡、不协调的全球价值链嵌入模式对资源的过度消耗等不可持续的问题,就可能为中国经济持续增长和高质量发展注入新动能。文章将全球价值链与资源配置纳入统一的分析框架,基于全球价值链自上而下、自下而上的理论分析框架和中国制造业发展的特征事实,系统阐述了全球价值链嵌入对中国制造业资源配置的影响机制。不同于以往大部分文献的是,本文在全面量化全球价值链嵌入的外向型、内外协同型、内向型动能,并区分制造业行业内、行业间资源错配事实的基础上,利用1996-2013年中国制造业微观企业数据和世界投入产出数据,以垂直深化的视角探究了全球价值链嵌入的要素流动效应、分工协作效应、外向集聚效应、结构升级效应对资源配置的影响。本文的主要研究内容包含以下六个方面:第一,对国内外相关研究展开综述,梳理理论发展脉络并归总相关领域的研究进展,一方面找到支撑本文开展进一步研究的理论和方法,另一方面发现相关研究领域的局限和空白,以阐明本文仍需进一步研究的必要。第二,以文献综述为源点,以全球价值链理论、产业经济理论为基础,全面分析全球价值链嵌入对制造业资源配置的影响机制。阐明中国作为一个转型国家,向更高水平的开放型市场经济转变的最终目的是使外部资源对国内市场产生有益的引领作用,从而巩固国内大循环的主体地位。因此,全球价值链嵌入的影响机制应是垂直深化和由表及里的,异质性行业嵌入全球价值链对资源配置的影响可能经由两个端口,产生三种动能,进而通过四类机制发挥作用。一方面是单纯依靠外向型动能驱动的资源优化配置,即在国际市场进出口侧主要发挥作用的要素流动和分工协作机制;另一方面是在异质性行业深化参与全球价值链的过程中,全球价值链与国内生产体系产生深入联结后在国内市场供给侧发挥作用的机制,可分为外向集聚和结构升级。其中,外向集聚机制主要说明了内外动能的协同作用;而结构升级机制则更强调在外部资源对国内市场产生有益的引领之后,本国产业部门自主增值能力的增强和国内大循环发挥的主体作用。第三,以1996-2013年中国工业企业微观数据和世界投入产出数据为依据,对中国制造业的全球价值链角色和资源配置实际进行深入探讨。一方面,在规模报酬可变的情形下阐明中国制造业行业内、行业间的资源配置情况;另一方面,克服总值贸易思维的缺陷,以垂直深化的增加值视角重新考量中国的贸易利益,进一步区分全球价值链嵌入的外向型、内外协同型和内向型动能。第四,实证检验全球价值链嵌入影响资源配置的程度和方向,进一步界定全球价值链嵌入对资源配置的“优化区间”。第五,实证检验全球价值链嵌入影响资源配置的路径机制。首先,构建方程检验在全球价值链嵌入改善资源配置的过程中,相应的影响机制发挥了什么作用;其次,若存在多种中介机制的多重影响,则进一步确定其中更为显着的中介机制;最后,进一步探讨影响机制是否存在局限性,进而可能在一定条件之下弱化了全球价值链嵌入对资源配置的改善作用。第六,对全文的研究结论进行归总,对如何构筑高质量的全球价值链嵌入路径从而打开效率提升的“黑箱”提供相应的政策建议。通过理论和经验分析,本文得到的主要研究结论如下:第一,中国制造业在全球价值链中的角色正从一个倾向于被动接受他国中间产品的低端代工者角色,向一个倾向于为全球生产网络输送中间产品的中端分工者角色转变,且在此过程中,国际市场对中国国内循环的依存度逐渐上升。第二,中国制造业行业内、行业间均存在着不同程度的资源错配,也恰好潜藏着实现中国经济新一轮增长的巨大能量。若能够改善资源错配,1996-2013年,中国制造业的全要素生产率还将提升约13.16%,平均每年实现0.73%的增长;总产出将额外提升9.6%,平均每年实现0.53%的增长。第三,全球价值链嵌入的外向型动能对打通资源在行业间的流通渠道的作用更强,内向型动能对打通资源在企业间的流通渠道的作用更强。进一步的行业异质性分析显示,随着技术水平的提高,行业越来越依赖于偏向内向的全球价值链嵌入动能改善资源配置。非线性分析显示,全球价值链嵌入的各类动能对资源配置均存在一定的“优化区间”。内向型动能与资源错配的关系呈“倒U型”,当内向型动能增强到超过非线性关系的临界值之后,将发挥着可持续的资源优化配置作用。这意味着,基于中国资源禀赋和产业体系构筑的全球价值链高端嵌入路径,确实潜藏着带动经济下一轮快速增长的巨大能量。全球价值链嵌入的内外协同型、外向型动能与资源错配的关系均呈“U型”,且具备“左高右低”的非对称特征,说明外向型动能的参与确实优化了行业间资源配置,且该效应大于抑制作用,合理利用外向型动能将促使其发挥更强的资源优化配置作用。第四,在全球价值链嵌入的外向型动能改善行业间资源配置的过程中,基于外资更替和再配置的要素流动效应共同发挥了多重中介作用,且外资再配置的中介作用更强。进一步的研究发现,外资再配置效应与全球价值链嵌入的外向型动能之间呈“倒U型”关系。这意味着,由发达经济体外资企业主导的全球价值链分工体系确实隐含着“纵向压榨”效应,而这一效应对东道国市场资源配置的负面影响也将阻碍外资本身的成长。并且,基于内外资部门之间生产率增长动力的差异,外资实质在这一资源协同优化的过程中获益更多,也更依赖于在东道国的资源再配置过程驱动自身的迅速成长。若这一协同优化过程无法持续,“纵向压榨”可能转变为“双向压制”,从而造成“损人不利己”和“两败俱伤”的局面。但值得注意的是,以中国等发展中经济体为代表的全球价值链从属者的研发行为,实质是全球价值链参与者之间相互追赶和学习的表现,驱动了全球价值链主导者更高效率的资源再配置过程,一定程度消弭了全球价值链嵌入的“纵向压榨”效应,“重启”了国内国际资源的协同优化路径。第五,全球价值链嵌入的外向型动能在改善行业间资源配置的过程中,基于全球价值链分工协作关系实现的就业结构横向调整和融资约束缓解共同发挥了多重中介作用,且就业结构横向调整的中介作用更强。但需要注意的是,就业结构的纵向调整并未在全球价值链嵌入的外向型动能改善资源配置的过程中发挥中介作用,相对于高技能劳动要素的增长,全球价值链嵌入程度的深化反而促使制造业更多的积累了对中低技能劳动要素的偏好,全球价值链嵌入的外向型动能可能存在一定的资源优化配置“偏向”。进一步的研究表明,全球价值链嵌入的外向型动能虽然通过缓解融资约束、降低全球价值链嵌入壁垒驱动了制造业整体的资源优化配置,但却以“拖累”劳动要素的优化配置为代价,且低端“拖累”更为严重,由此加剧了劳动和资本要素配置的“双重分割”。第六,在全球价值链嵌入的协同型动能改善资源配置的过程中,外向集聚效应发挥了显着的正向调节作用,全球价值链和国内生产体系的深化联结呈现出显着的协同优化作用。但区分“二元”嵌入模式的研究发现,不论是行业内还是行业间,全球价值链上游嵌入的“隔绝机制”都存在,且上游嵌入度越高,企业对核心技术等资源的保护动机越强,国内国际生产要素的流通、扩散渠道被一定程度的阻隔,个体利益和大局利益的调节失灵促使积蓄于全球生产网络和本地产业集群之下的外向集聚效应被抑制,可能导致全球价值链背景下生产体系的“双重分割”。而同时,全球价值链下游嵌入的资源“互仿互享”机制也稳定存在,且下游嵌入度越高的企业与集群内关联企业进行优势资源互享的动机越强,外向集聚效应对资源配置的改善作用亦随之强化。因此,上述两种机制相互博弈的结果一定程度决定了外向集聚效应的强弱,进而左右着内外协同型动能引导资源配置的最终效果。第七,在全球价值链嵌入的内向型动能改善行业内资源配置的过程中,结构升级机制呈现出明显的部分中介作用。而进一步对全球价值链嵌入影响制造业结构升级的机制进行检验的结果表明,全球价值链嵌入通过中间投入优化、国际竞争、“链中学”路径驱动了制造业结构升级。但上述全球价值链的结构升级路径存在行业异质性,进而塑造着结构升级机制下的资源配置路径:技术水平越高的行业越依赖于由中间投入效应产生的全球价值链中低端嵌入路径驱动资源优化配置,技术水平越低的行业则越依赖于由国际竞争效应产生的全球价值链中高端嵌入路径驱动资源优化配置,而基于“链中学”效应产生的全球价值链高端嵌入路径则能够驱动所有行业实现资源优化配置,且对低技术行业的作用更强。这意味着,正是由于中高技术行业的全球价值链低端嵌入路径依赖、中高端嵌入路径较难贯通、高端嵌入路径正向效应较弱,才造成中高技术行业难以进入内向型动能对资源配置的“优化区间”。
何淑庆[4]（2021）在《CED-SOA服务动态协同模型和算法研究》文中指出随着物联网、大数据、云计算、人工智能和服务计算等新一代信息技术的发展和深度融合,逐步催生出大规模和智能化的物联网应用。物联网应用中的服务提供朝着精细化、层次化、复杂化和智能化等方向发展,这导致服务动态协同面临诸多新挑战,如复杂计算环境下的服务数据的高效和准确处理、网络边缘服务数据的存储和可控以及服务精准智能化动态协同等。针对上述问题,本文提出CED-SOA服务动态协同技术,对该技术模型和算法进行深入研究。本文的研究工作和创新点如下:（1）提出了基于CEP的物联网服务数据处理优化模型和算法,该模型和算法包括多层级复杂事件模式分治和聚类优化模型和算法及检测策略和基于自适应阈值的不确定流数据处理模型和算法。仿真实验结果表明本文提出的模型和算法在多层级和不确定环境下应用于服务数据处理能够有效降低多层级事件处理的时间延迟和提高不确定流数据处理的综合性能。（2）提出了基于复杂事件的数据存储和可控模型及基于CES的在线离线复杂事件处理算法,该模型和算法主要应用于边缘网络服务数据的存储、可控和处理。仿真实验结果表明在可控环境下,该模型和算法对边缘网络服务数据具有较好的读取性能、存储的资源开销在可承受范围内以及可有效提高在线离线混合处理的性能。（3）提出了基于深度-广度学习的服务动态协同模型和算法,该模型和算法适用于大规模智能化物联网服务提供场景。仿真实验结果表明该模型和算法在协同的精准性和综合性方面取得了较好的效果。
周泽生[5]（2021）在《巡飞弹协同攻击半实物仿真技术研究》文中研究表明巡飞弹是一种高度信息化的先进智能弹药,是未来无人化作战武器的一种典型代表,其作战方式也正逐步向自主作战的方向发展。其中,组网协同作战是巡飞弹未来的一个重要的发展方向。我国对于巡飞弹集群作战的研究尚处于发展阶段,相关工程应用比较少,鉴于此,本文研究了巡飞弹协同攻击技术,设计了一套巡飞弹半实物仿真系统,进行了半实物仿真研究。本文具体研究内容如下:1、分析了巡飞弹协同作战系统的功能、组成和作战流程,建立了巡飞弹组网协同攻击的基本数学模型。2、对现有常规组网方式进行了分析,提出了针对巡飞弹应用环境要求的组网方案,对巡飞弹用自组网模块进行了选型,并且进行了试验验证,为下一步的半实物仿真系统搭建解决了组网通信的问题。3、根据巡飞弹协同攻击技术的原理,设计了半实物仿真系统总体方案,搭建了半实物仿真平台,设计了以STM32F405为处理器的弹载计算机,搭建了相关电路。此外,对试验相关软件进行了功能设计,根据协同攻击原理及试验要求制定了半实物仿真系统的内部通信协议。4、对半实物仿真系统进行了单模块调试以及联调,完成了半实物仿真试验,验证了巡飞弹协同攻击系统的功能,证明了巡飞弹协同攻击技术的可行性。目前,国内对于巡飞弹的协同攻击研究以及相关的仿真试验验证性工作开展较少,本文的研究对未来巡飞弹以及协同攻击技术的发展具有参考价值。
于世东[6]（2021）在《基于日志数据的多维数据可视分析的研究及应用》文中研究指明在大数据时代,如何从海量的数据中获取价值是企业所关心的问题,也是科研工作者的研究热点。传统的数据挖掘和数据分析方法能够从数据中获取信息,但是这些信息如何能被用户所理解则又是一个难点。而数据可视化能够把数据中隐藏的规律和特征以图形的方式呈现出来,使得用户可以快速地、直观地了解数据中的信息,提高了人们对数据的认知和探索能力。在大数据时代,可视化不再局限于科学研究和企业应用领域,数据的交互可视分析和智能计算已成为社会重大需求的共性基础,比如智慧医疗、智慧交通、数字产业等各个方面。面对大数据的海量、异构、多维等特征,传统的可视化技术已无法满足对这些数据的分析,因此对可视化技术的深入研究是时代的需要,可视化技术的创新将对大数据资源的高效利用产生重大的推动作用。多维数据可视化是信息可视化领域的研究热点之一,是将多维的原始数据或处理后的数据进行直观展现的技术。如何将多维数据可视化应用于各领域的数据智能分析与辅助决策中是一个有迫切需要且有意义的研究问题。本文主要基于交易日志对多维数据可视分析中的几个问题展开研究,并提出相关的解决方案。本文的主要研究工作:1.基于日志数据的多维数据趋势性可视分析。在线交易日志记录了商品、用户、商家、交易量、地理位置等相关信息,以及这些信息随时间的变化情况等,利用这些信息可以帮助分析人员了解商品的销售情况。现有的可视化方法主要从用户的角度进行购买行为分析,而通过对商品的销售走势情况进行分析能更好地帮助商家进行商业决策。本文基于交易日志数据,提出了多维数据趋势性可视分析框架和对应的数据处理算法;提出了数据走势波动性和动力性的概念,通过数据走势动力性将多维的时序数据映射到二维空间;设计了数据点的颜色映射方案;设计了“特征环”来展示个体对象的数据详细信息;基于上述方法设计并实现了可视化分析系统。通过在线交易数据进行测试,验证了可视化方法的有效性。2.基于日志数据的多维数据协同可视分析。在线交易数据呈现出显着的多维和时空属性,本文提出了一种多维时空数据协同可视分析的方法。首先,设计了一种多维属性协同可视化视图,以销售数据为例对多维属性及其相互关系进行了展示。其次,为了有效地探索多维时空数据的时序演化规律及其隐含的特征模式,设计了时空协同可视分析方法。通过多维尺度变换,将原始数据集按时间顺序映射到二维空间,进一步实现了序列平行坐标的构建,用来同时展现大量空间对象的时序变化规律。为了提高对平行坐标系的视觉感知,对坐标轴进行缩放,压缩稀疏区域,拉伸密集区域。当数据量较大时,在平行坐标中存在大量的曲线交叉和重叠,用户无法准确地识别不同的对象,本文利用层次聚类进一步分析平行坐标的显示结果,可以更清晰地发现不同类别的时间特征。通过对在线交易数据的实际案例进行分析,表明该方法能够帮助用户快速发现隐藏在多维时空数据集中的特征模式。3.基于日志数据的多维数据排序及分类可视分析。对海量的多维数据进行分类是一项复杂的工作,通常需要对聚类参数、数据特征和实例进行迭代实验。一个数据集可能的聚类数量有时是非常庞大的,对此空间的探索是一个巨大挑战。人们通常对部分数据有更全面的理解,如认为数据点A比数据点B好,但并不知道哪些属性是重要的,因此一个有力的交互分析工具有助于大幅度提高探索性聚类分析的有效性。本文提供了一个可视化的分析方法来对多变量数据进行排序和分类,该方法首先通过用户的交互操作确定用户的偏好,根据用户的偏好模型计算各个属性的权重,再利用得到的属性权重集对整个数据集进行排序,最后根据排序结果和用户对部分数据的标记完成类别划分。通过可视化显示,让用户直观地进行数据排序和分类操作,快速地了解数据的特性和类别特征。
高学伟[7]（2021）在《数字孪生建模方法及其在热力系统优化运行中的应用研究》文中研究说明随着社会经济的飞速发展,我国产业结构优化调整和转型升级进程的深入,要实现未来“碳达峰,碳中和”的目标,需要建设清洁低碳、安全高效的现代能源体系。以风电和太阳能发电为代表的可再生能源替代作用日益突显,而火电机组在未来很长一段时间内仍将处于主导地位。亟需解决火电和可再生能源的协同发展问题,大型火电机组更多需要担负起高效节能、低碳环保、深度调频调峰的任务。实施电能替代供热对于推动能源消费革命、减少碳排放、促进能源清洁化意义重大。利用电锅炉储热供暖还可以降低电网调节压力,增加供热能力,有效解决可再生能源的消纳问题。火电机组热力系统和电锅炉储热供暖热力系统都属于典型的非线性、多参数、强耦合的复杂热力系统。本文通过研究流体网络机理建模和数据驱动建模相融合的数字孪生建模方法,为热力系统建模工作提供了新的思路和途径,为热力系统安全、环保和经济运行提供理论支撑。论文围绕数字孪生建模方法及其在热力系统优化运行中的应用,主要研究内容和成果包括以下几个方面:（1）对数字孪生理论、热力系统建模理论以及大数据处理等基本理论进行了研究。比较了数字孪生与仿真技术及信息物理系统的异同;以火力发电厂为例,研究了流体网络机理建模及求解方法;对Hadoop系统的MapReduce与Spark计算进行了对比分析,对实时数据处理Spark Streaming与Storm进行了对比分析,并搭建了适用于数字孪生及大数据在热力系统建模领域应用的大数据分布式集群平台;在该集群上实现了大数据的存储管理,以及大数据分布式计算,研究了基于大数据平台的数据驱动建模理论,包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及即时学习等基本理论。（2）针对数据驱动建模方法的研究,提出一套基于改进即时学习策略的自适应数据驱动建模方法。采用“主成分+互信息”的方法获得输入和输出变量之间的相关程度,确定权重因子,然后利用“欧式距离+角度”定义一种加权综合相似度度量函数。在离线状态下,利用改进遗传模拟退火模糊聚类方法进行工况划分;进行工况预测时,采用一种多层次综合相似度度量的相似工况快速识别方法构建相似工况训练集,即根据两级搜索的策略实现了在线快速识别:初级识别是确定预测工况在历史工况库中所属的类别提取预测类工况,次级识别是采取基于综合相似度度量函数的相似工况识别方法,在历史数据库中针对预测类工况的快速识别;局部模型建模方法是在Spark计算框架下,对SparkSVMHPSO算法、Spark ELM算法以及基于SparkHPSO的多参数辨识等数据驱动建模方法进行研究。然后以SCR脱硝系统出口 NOx预测、电锅炉储热供热系统源侧及荷测负荷预测为案例,验证了所提出的建模方法有效性。为热力系统数字孪生模型建模及系统工况优化提供了理论支撑。（3）针对数据孪生建模的研究,提出一套改进即时学习策略的自适应数据驱动与机理模型多参数辨识协同融合的数字孪生建模方法。在建立热力系统机理模型的基础上,关键的设备模型参数利用多参数多工况拟合的离线智能辨识方法,得到可以模拟实际系统全工况下动态变化趋势的离线智能参数辨识模型;以离线智能参数孪生模型为主,根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同;为进一步提升孪生模型预测的精度和鲁棒性,采用移动窗格信息熵的多模型输出在线融合方法,提升关键工况以及动态变化过程的逼近程度。基于这一理论构建的数字孪生模型,能够基于系统运行数据持续进行自我修正,在线跟踪设备运行特性,从而具有自适应、自演进的智能化特点,能够全面反映系统的运行状态和性能,为系统工况迭代优化提供可靠的模型输入和结果校验工具。以燃煤电站SCR脱硝系统和电锅炉储热供热系统为研究对象,建立其热力系统数字孪生模型。（4）最后,基于数字孪生模型的实时跟踪能力,提出一种基于负荷分配和工况寻优的热力系统智能工况动态寻优策略。并以电锅炉储热供热系统为研究对象,根据能耗成本分析和负荷分配策略,利用数字孪生模型系统,对电网负荷、电锅炉系统、储热系统进行预测计算,模拟不同运行方案、不同工况下系统动态运行,得出最优的供热调节和负荷分配方案。以火力发电厂SCR脱硝系统为例,根据建立的自适应、自演进的智能化SCR脱硝系统数字孪生模型,将该模型应用于模型预测控制算法中。结果表明,利用基于数字孪生模型的自适应预测控制算法比传统的PID控制效果更精确,运行更稳定。证明了所提建模方法的有效性,具有重要的工程实用意义和行业示范价值。
董淳[8]（2021）在《基于内容和协同过滤的混合算法的改进研究》文中研究说明用户对于信息的阅读具有一定的偏好,而且在实际的信息获取环节中,用户更希望能够从一个信息平台上获得自己感兴趣的一系列信息,这就需要平台能够分析用户的阅读行为、推测其阅读兴趣,之后再向其推荐相关的文本信息。一直以来,研究的比较多的推荐方法主要分为以下几类:基于内容的推荐算法、协同过滤推荐算法以及混合推荐算法。第一种基于内容的推荐方法,计算出来的结果的种类比较单一;第二种协同过滤推荐算法,对一些个性较强的用户给出的推荐结果不能令人满意,而且伴有很严重的冷启动问题;最后,混合推荐就是用一些方法将二者的优点进行融合,以期达成更好的效果,但是其对于冷启动问题的解决方案往往并不理想。本文在研究几种推荐算法的过程中,使用了新的方法对几种推荐算法进行了混合,提出了一种加入时间权的混合推荐算法——TCBCF算法。这种算法首先根据文本信息的特点,将协同过滤和基于内容的推荐算法进行了混合,并且兼顾了时间因素,最后针对计算用户之间的相似性的方法提出了一些改进意见。它比较有效的实现了信息推荐的多样性,同时规避了冷启动问题,为潜在用户兴趣模型的构建提供了算法基础。本文的实验,采用了Prescision和Recall作为评价指标,以基于内容、协同过滤和分区混合三种推荐方法为参照基准进行对比研究。利用对Precision/Recall曲线图的分析证明,在兴趣模型中引入时间加权因子可以提高信息推荐的有效性;根据行为相似度和内容相似度计算出的混合相似度为依据的算法的推荐效果要好于使用传统相似度的算法。最终得到的TCBCF算法要比传统的算法在预测有效性和稳定性上的表现更为优良。实验的结果表明,本方法产生的结果的P/R值普遍高于另外几种算法,在信息推荐系统当中应用本方法的实验效果较好,同时也能有效的规避冷启动问题,本方法预计在实际的使用中有良好的前景。
陈成坤[9]（2021）在《空-地协同环境下果园信息共享平台设计与实现》文中进行了进一步梳理未来智能农业装备向全面无人化发展,以往都是单一机器进行作业,多机器协同工作的需求逐渐增加,单一无人平台无法满足任务的复杂和多样的问题,多个机器之间的协同工作将是潜在的发展方向。本课题研究采用弹性云服务器、Mongo DB数据库集群和Node.js技术实现多个机器人之间的协同通信。本研究从空-地协同系统云平台为切入点,考虑多机协同之间通信方式的问题,针对地面移动机器人与无人机协同作业情况下两者相互通信的要求,研究一种基于Node.js技术的通信云平台,实现了多机之间相互共享数据。主要的研究内容与结论如下:（1）分析了国内外在不同领域内多机器人通信、空地机器人协同系统、基于Node.js与Express.js应用、基于Mongo DB的数据存储应用研究以及云计算与云机器人平台发展的过程,通过对比分析,总结研究中的不足之处,确定了通信云平台研究的方法和技术路线。（2）通过系统总体架构分析,确定云平台所使用的关键技术、研究平台。并对系统进行需求分析,架构设计。在此基础上进行空-地机器人平台的设计及传感器数据分类,根据通信云平台传感器数据的要求对比传统关系型数据库进行数据库的选择,基于通信云平台海量数据及实时通信的要求实现数据库集群架构的设计与实现。（3）根据系统功能需求,确定了基于Node.js与Express.js开发多机器人之间云通信平台的实现方法。分析了GNSS、数值型和图像型传感器的格式要求,基于RESTful设计原则的基础上设计了传感器的数据通信操作接口;同时基于Mongo DB数据库设计了Mongoose的数据库存储模式（Schema）;最后基于Python实现了机器人端访问云服务平台程序,实现了实时查看云平台状态的浏览器端设计。（4）根据云平台通信的要求,实现了相应的原型系统,基于双目视觉技术,运用YOLOv4深度神经网络实现了果园环境下障碍物信息获取及定位,并根据云平台数据接口格式要求共享至云平台,在云平台实现数据实时数据显示,完成与其他机器人的信息共享。为进一步测试云平台与本地嵌入式计算机的数据通信能,进行网络云平台网络延迟,文件上传下载测试,试验数据表明,网络延迟最大值为36.122 ms,最小值为23.347 ms;文件上传测试中,最小值为1.2 MB/s,最大值为2.9 MB/s;文件下载测试的最小值为580.9 KB/s,最大值为680.9 KB/s。最后使用Apache Bench工具对通信云平台进行并发测试,最终得出在Web服务器在并发500请求/s的负载下可以实现较为稳定的应对高并发处理能力。
王文礼[10]（2021）在《边缘计算与云协同任务弹性调度方法研究》文中研究指明随着5G与物联网技术的快速发展和普及,网络边缘处终端产生的数据是当下亟待解决的问题。边缘计算的出现能够在数据产生的网络边缘处就近处理数据,能降低部分数据传输时延,但其仅有边缘层局部优势,在任务全局调度与资源动态配置上存在短板,可能造成系统资源利用率低、系统负载不均衡、部分任务处理时延长等问题,影响用户服务质量。本文基于边缘计算与云协同环境开展终端任务调度研究,主要工作如下:（1）边缘计算与云协同粗粒度任务卸载方法研究。任务卸载是边缘计算的重要内容之一,也是当下研究的热点。现有的研究中大多并未提及云中心的协同或云中心并未参与调度。本文针对边缘计算存在全局调度短板问题,将云中心引入边缘计算二元架构,提出一种云中心参与调度的“云-边-端”三层协同卸载模型,该模型由云中心进行任务调度,并将生成的卸载策略返回至终端及边缘层设备。在此模型的基础上提出一种粗粒度任务卸载方法,该方法充分考虑任务优先级,根据各服务器资源负载使用情况,使用人工蜂群算法对任务卸载策略进行优化,实现任务弹性卸载,与随机卸载方法相比,有效降低了任务处理时延。通过设计并实施仿真实验,验证了优化改进后的卸载方法的正确性与有效性。（2）边缘计算与云协同细粒度任务划分及调度方法研究。目前的任务调度大多以粗粒度任务为调度对象,终端产生的任务看作整体,不允许分割,任务完全在终端处理或卸载至边缘层服务器。如果在任务调度时,继续把任务划分为更细粒度,可以通过提升任务并行度,缩短处理时间。本文探究细粒度任务的弹性调度方法,基于“云-边-端”三层协同模型,对任务进行更细粒度的划分,提出一种细粒度任务弹性调度方法,该方法使用遗传算法与模拟退火算法融合的自启发式算法,对边缘计算与云协同中的任务调度进行了改进,与原方法相比降低了任务处理总时间。通过设计并实施一系列仿真实验,验证了改进后细粒度任务调度方法的正确性与有效性。上述方法已被引用到区域性疫情网格化防控云平台中试用,在“云-边-端”协同框架下,正在设计开发一种“智能门卫”系统,对进入者进行快速准确健康情况筛查。
二、协同计算机数据处理方法研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、协同计算机数据处理方法研究（论文提纲范文）
（1）基于协同过滤模型的运动处方生成技术研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 体育行业发展与运动处方应用研究现状 |
| 1.2.2 运动处方生成技术研究现状 |
| 1.2.3 运动处方参数计算研究现状 |
| 1.2.4 运动风险监测研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 2 运动处方相关技术分析 |
| 2.1 运动处方制定规范 |
| 2.2 运动处方生成方法概述 |
| 2.2.1 传统运动处方生成体系 |
| 2.2.2 自动化方法生成运动处方 |
| 2.3 基于数据挖掘的运动处方生成技术分析 |
| 2.3.1 运动处方数据结构 |
| 2.3.2 运动处方生成的研究难点 |
| 2.3.3 针对运动处方生成的数据挖掘技术优缺点分析 |
| 2.3.4 协同过滤在运动处方生成中的应用分析 |
| 2.4 针对运动处方参数计算的多目标优化方法分析 |
| 2.5 基于神经网络的运动监测方法分析 |
| 2.6 本章小结 |
| 3 运动处方生成方案设计 |
| 3.1 运动处方生成方案的主要内容 |
| 3.2 研究方案和技术路线 |
| 3.3 针对运动处方生成的用户需求分析 |
| 3.4 运动处方生成方案 |
| 3.4.1 基于协同过滤算法的运动项目量化处理 |
| 3.4.2 改进基于内容的协同过滤算法计算相似性 |
| 3.4.3 基于相似度计算的运动项目筛选策略 |
| 3.5 基于多目标优化的运动参数计算 |
| 3.6 基于卷积神经网络的运动异常检测 |
| 3.7 本章小结 |
| 4 个性化运动处方应用系统设计 |
| 4.1 系统框架设计 |
| 4.2 数据存储与处理流程 |
| 4.3 运动者模型搭建 |
| 4.4 运动处方模型搭建 |
| 4.5 运动处方生成 |
| 4.6 运动处方实施与管理 |
| 4.6.1 运动处方管理与优化方法 |
| 4.6.2 基于反馈的运动处方参数优化 |
| 4.7 本章小结 |
| 5 运动处方服务系统实现 |
| 5.1 系统搭建模式 |
| 5.2 系统开发环境 |
| 5.2.1 系统环境 |
| 5.2.2 远程连接与数据共享 |
| 5.3 系统结构 |
| 5.4 系统主要模块 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（2）一种改进的协同过滤推荐算法及其并行算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于用户的协同过滤推荐算法的研究现状 |
| 1.2.2 基于用户的协同过滤推荐并行算法研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 2 相关技术及理论 |
| 2.1 基于用户的协同过滤推荐算法 |
| 2.2 修正余弦相似度 |
| 2.3 JS散度 |
| 2.4 Spark分布式计算框架 |
| 3 基于相似度改进的协同过滤推荐算法——UCF-ACO |
| 3.1 引言 |
| 3.2 UCF-ACO算法设计 |
| 3.2.1 添加热门项目惩罚因子改进 |
| 3.2.2 JS散度计算用户相似度改进 |
| 3.3 实验结果分析 |
| 3.3.1 实验环境及数据 |
| 3.3.2 评价指标 |
| 3.3.3 算法改进分析 |
| 3.3.4 相关工作对比 |
| 3.4 本章小结 |
| 4 基于Spark的协同过滤并行推荐算法——SUCF-ACO |
| 4.1 引言 |
| 4.2 基于Spark设计并行推荐算法 |
| 4.2.1 并行算法设计流程 |
| 4.2.2 SUCF-ACO算法设计 |
| 4.3 实验分析 |
| 4.3.1 实验环境及数据 |
| 4.3.2 评价指标 |
| 4.3.3 实验结果 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
| 附录一 表目录 |
| 附录二 图目录 |
（3）全球价值链嵌入对中国制造业资源配置效率的影响研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与问题的提出 |
| 1.2 研究意义 |
| 1.2.1 现实意义 |
| 1.2.2 理论意义 |
| 1.3 研究思路、方法与技术路线 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 研究内容与篇章结构 |
| 1.5 研究可能的创新之处 |
| 第二章 文献综述 |
| 2.1 全球价值链理论研究 |
| 2.1.1 全球价值链理论的沿革 |
| 2.1.2 全球价值链治理与升级 |
| 2.1.3 全球价值链嵌入的量化方式与经济内涵 |
| 2.1.4 全球价值链嵌入的生产率效应 |
| 2.2 资源错配与生产率提升的研究 |
| 2.3 开放视角下的资源配置研究 |
| 2.4 国内外研究现状及动态评述 |
| 第三章 全球价值链嵌入对资源配置的影响机制 |
| 3.1 全球价值链嵌入对资源配置的影响机制——来自国际市场进出口侧和国内市场供给侧的生产率效应 |
| 3.1.1 要素流动效应 |
| 3.1.2 分工协作效应 |
| 3.1.3 外向集聚效应 |
| 3.1.4 结构升级效应 |
| 3.2 全球价值链嵌入的资源配置路径研究——基于自上而下和自下而上的全球价值链理论分析框架 |
| 3.2.1 生产设备和技能的全球价值链再配置 |
| 3.2.2 市场能力的全球价值链再配置 |
| 3.2.3 研发能力的全球价值链再配置 |
| 3.2.4 创新能力的全球价值链再配置 |
| 3.3 本章小结 |
| 第四章 中国制造业全球价值链嵌入与资源配置的特征事实 |
| 4.1 中国制造业在全球价值链上的角色 |
| 4.1.1 实证方法与数据处理 |
| 4.1.2 中国制造业在全球价值链中的角色 |
| 4.1.3 中国制造业行业全球价值链嵌入的特征事实 |
| 4.2 中国制造业资源错配与产出的反事实估计 |
| 4.2.1 实证方法与数据处理 |
| 4.2.2 中国制造业行业内资源错配 |
| 4.2.3 中国制造业行业间资源错配 |
| 4.2.4 中国制造业生产率与产出的反事实估计 |
| 4.3 本章小结 |
| 第五章 全球价值链嵌入影响中国制造业资源配置效率的实证研究 |
| 5.1 实证模型与变量说明 |
| 5.2 估计方法与变量处理 |
| 5.3 实证结果分析 |
| 5.4 进一步的研究:还剩下多少“优化区间”? |
| 5.5 本章小结 |
| 第六章 从何而起?——全球价值链嵌入在国际市场进出口侧的外向型动能对资源配置的影响机制 |
| 6.1 全球价值链嵌入的要素流动效应:基于内资、外资协同配置的探讨 |
| 6.1.1 内外资部门资源再配置效应的动态分解 |
| 6.1.2 实证模型与变量说明 |
| 6.1.3 估计方法与变量处理 |
| 6.1.4 实证结果分析 |
| 6.1.5 进一步的研究:国内、国际资源配置协同优化了吗? |
| 6.2 全球价值链嵌入的分工协作效应:基于劳动、资本协同配置的探讨 |
| 6.2.1 实证模型与变量说明 |
| 6.2.2 估计方法和变量处理 |
| 6.2.3 实证结果分析 |
| 6.2.4 进一步的研究:劳动、资本要素配置协同优化了吗? |
| 6.3 本章小结 |
| 第七章 如何存续?——全球价值链嵌入在国内市场供给侧的内向型动能对资源配置的影响机制 |
| 7.1 全球价值链嵌入的外向集聚效应:基于国内国际生产体系联结路径的探讨 |
| 7.1.1 实证模型与变量说明 |
| 7.1.2 估计方法与变量处理 |
| 7.1.3 实证结果分析 |
| 7.1.4 进一步的研究:全球价值链上游嵌入路径是否存在“战略隔绝”? |
| 7.2 全球价值链嵌入的结构升级效应:基于全球价值链升级路径的探讨 |
| 7.2.1 中国制造业结构升级评价指标体系构建与升级效果分析 |
| 7.2.2 实证模型与变量说明 |
| 7.2.3 估计方法和变量处理 |
| 7.2.4 实证结果分析 |
| 7.2.5 进一步的研究:全球价值链升级路径是否存在不可持续性? |
| 7.3 本章小结 |
| 第八章 研究结论、政策启示与展望 |
| 8.1 主要研究结论 |
| 8.2 政策启示 |
| 8.3 本文的局限性与未来的研究方向 |
| 8.3.1 本文的局限性 |
| 8.3.2 未来进一步的研究方向 |
| 参考文献 |
| 附录 |
| 附录 Ⅰ:基于Melitz和 Polanec(2015)方法的生产率增长分解式推导 |
| 附录 Ⅱ:1996-2013 年中国制造业全球价值链参与指数、地位指数、前向参与指数、后向参与指数 |
| 附录 Ⅲ:1996-2013 年中国制造业劳动、资本错配指数及行业间资源错配指数 |
| 附录 Ⅳ:1996-2013 年中国制造业行业内资源错配指数 |
| 附录 Ⅴ:1996-2013 年中国制造业行业生产率和产出增长潜力 |
| 附录 Ⅵ:1996-2013 年中国制造业行业结构升级指数 |
| 附录 Ⅶ:1996-2013 年中国制造业行业全要素生产率 |
| 个人简历及学术成果 |
| 致谢 |
（4）CED-SOA服务动态协同模型和算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究问题与挑战 |
| 1.3 主要研究内容及创新点 |
| 1.4 本文的组织结构 |
| 第二章 CEP与服务协同及相关研究综述 |
| 2.1 复杂事件处理综述 |
| 2.1.1 分布式并行CEP研究 |
| 2.1.2 CEP与云雾计算融合研究 |
| 2.1.3 CEP事件模式研究 |
| 2.2 不确定流数据处理概述 |
| 2.2.1 不确定事件处理 |
| 2.2.2 乱序事件处理 |
| 2.3 事件存储和可控访问概述 |
| 2.3.1 事件存储概述 |
| 2.3.2 数据可信访问控制概述 |
| 2.4 服务协同概述 |
| 2.5 本章小结 |
| 第三章 基于CEP的服务流数据处理模型和算法研究 |
| 3.1 引言 |
| 3.2 CED-SOA物联网服务提供架构 |
| 3.3 基于分治聚类的流数据处理模型 |
| 3.3.1 多层级云雾CEP的事件模型表示 |
| 3.3.2 事件模式的分治和聚类优化算法 |
| 3.3.3 事件模式的调度和检测策略 |
| 3.4 面向不确定流数据的自适应阈值模型 |
| 3.4.1 云雾边多级CEP |
| 3.4.2 自适应阈值事件模型 |
| 3.4.3 事件多源识别和重构算法 |
| 3.4.4 偏序事件检测 |
| 3.4.5 阈值自适配算法 |
| 3.4.6 分层事件处理策略 |
| 3.5 实验结果与分析 |
| 3.5.1 智慧医疗个性化服务 |
| 3.5.2 实验环境 |
| 3.5.3 分治聚类算法实验结果与分析 |
| 3.5.4 自适应阈值模型实验结果与分析 |
| 3.6 本章小结 |
| 第四章 复杂事件混合检测及可信存储模型 |
| 4.1 引言 |
| 4.2 事件存储模型 |
| 4.2.1 研究问题 |
| 4.2.2 多级联动事件存储模型和算法 |
| 4.3 CEP混合事件处理模型 |
| 4.3.1 研究问题 |
| 4.3.2 基于CES的在线离线混合检测 |
| 4.3.3 基于CES的在线离线混合检测算法 |
| 4.4 可信访问控制模型 |
| 4.4.1 研究问题 |
| 4.4.2 雾计算可信存储模型 |
| 4.4.3 协同数据安全管理算法 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境 |
| 4.5.2 混合检测实验结果与分析 |
| 4.5.3 可控模型实验结果与分析 |
| 4.6 本章小结 |
| 第五章 CED-SOA服务动态协同模型和算法研究 |
| 5.1 引言 |
| 5.2 服务动态协同模型和算法研究问题 |
| 5.2.1 时空特征 |
| 5.2.2 精细化特征 |
| 5.2.3 智能化特征 |
| 5.3 CED-SOA物联网服务动态协同模型描述 |
| 5.3.1 事件和服务模型关系 |
| 5.3.2 基于事件的服务关联模型 |
| 5.4 基于深度-广度学习的服务动态协同模型和算法 |
| 5.4.1 深度-广度学习模型 |
| 5.4.2 模型及问题的形式化定义 |
| 5.4.3 基于深度-广度学习的服务动态协同模型 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 6.1 论文总结 |
| 6.2 进一步工作 |
| 参考文献 |
| 主要缩略语及中英文对照 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
（5）巡飞弹协同攻击半实物仿真技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 巡飞弹国内外研究现状 |
| 1.2.2 协同组网攻击弹药研究现状 |
| 1.2.3 半实物仿真技术研究现状 |
| 1.3 本文研究内容与组织结构 |
| 2 巡飞弹协同作战系统分析 |
| 2.1 巡飞弹协同作战系统 |
| 2.1.1 系统功能分析 |
| 2.1.2 系统的组成 |
| 2.1.3 作战的流程 |
| 2.2 巡飞弹协同作战系统基本模型 |
| 2.2.1 巡飞弹集群基本模型 |
| 2.2.2 巡飞弹组网问题基本模型 |
| 2.2.3 协同攻击问题建模 |
| 2.3 协同作战系统关键技术分析 |
| 2.4 本章小结 |
| 3 巡飞弹协同攻击的组网方案设计 |
| 3.1 无线自组网技术 |
| 3.1.1 无线通信技术 |
| 3.1.2 自组网技术 |
| 3.2 基于巡飞弹的组网方案设计 |
| 3.2.1 当前技术的不足 |
| 3.2.2 改进方案设计 |
| 3.3 组网通信安全加密 |
| 3.4 实验验证 |
| 3.4.1 分层组网 |
| 3.4.2 组网规模及协同组网 |
| 3.5 本章小结 |
| 4 协同攻击半实物仿真系统设计 |
| 4.1 半实物仿真系统总体方案设计 |
| 4.1.1 半实物仿真系统方案设计 |
| 4.1.2 半实物仿真系统功能设计 |
| 4.2 巡飞弹弹载计算机设计与实现 |
| 4.2.1 电源电路设计 |
| 4.2.2 主控电路与串口电路设计 |
| 4.2.3 辅助模块电路设计 |
| 4.2.4 PCB设计实现及调试 |
| 4.3 半实物仿真软件系统及通讯协议设计 |
| 4.3.1 MDK5 开发环境 |
| 4.3.2 协同决策控制模块及上位机程序设计 |
| 4.3.3 通信协议设计 |
| 4.4 本章小结 |
| 5 半实物仿真系统试验 |
| 5.1 试验目的 |
| 5.2 试验平台 |
| 5.2.1 硬件设备 |
| 5.2.2 试验用软件 |
| 5.3 试验内容 |
| 5.3.1 试验方法 |
| 5.3.2 试验流程 |
| 5.4 试验结果 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（6）基于日志数据的多维数据可视分析的研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多维交易日志数据可视化 |
| 1.2.2 时序和时空数据可视化 |
| 1.2.3 层次数据可视分析 |
| 1.2.4 交互式数据可视分析 |
| 1.3 研究内容 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 第2章 数据可视化概述 |
| 2.1 数据可视化与可视分析 |
| 2.2 与相关学科的关系 |
| 2.2.1 与计算机图形学的关系 |
| 2.2.2 与计算机仿真的关系 |
| 2.2.3 与人机交互的关系 |
| 2.2.4 与数据分析和数据挖掘的关系 |
| 2.3 可视化流程 |
| 2.3.1 可视化的基本步骤 |
| 2.3.2 可视化的一般流程 |
| 2.4 可视化设计 |
| 2.4.1 可视化设计原则 |
| 2.4.2 可视化设计组件 |
| 2.5 本章小结 |
| 第3章 基于日志数据的多维数据趋势性可视分析 |
| 3.1 问题描述 |
| 3.2 可视分析设计 |
| 3.2.1 变化趋势性能计算 |
| 3.2.2 数据降维及可视化 |
| 3.2.3 颜色映射 |
| 3.2.4 特征环的设计 |
| 3.2.5 交互设计 |
| 3.3 多维数据趋势性分析算法 |
| 3.4 测试与分析 |
| 3.4.1 销售走势分析 |
| 3.4.2 前后阶段销售走势分析 |
| 3.4.3 用户调研 |
| 3.4.4 实验分析 |
| 3.5 本章小结 |
| 第4章 基于日志数据的多维数据协同可视分析 |
| 4.1 问题描述 |
| 4.2 可视分析设计 |
| 4.2.1 多维属性协同可视化 |
| 4.2.2 时空协同可视化 |
| 4.3 测试与分析 |
| 4.3.1 销售趋势分析 |
| 4.3.2 地区销售差异分析 |
| 4.3.3 用户调研 |
| 4.3.4 实验分析 |
| 4.4 本章小结 |
| 第5章 基于日志数据的多维数据排序及分类可视分析 |
| 5.1 问题描述 |
| 5.2 相关工作 |
| 5.2.1 机器学习 |
| 5.2.2 多属性排序的数学模型 |
| 5.3 算法描述 |
| 5.3.1 权重求解 |
| 5.3.2 排序及分类 |
| 5.3.3 可视化属性排序 |
| 5.4 可视化设计 |
| 5.4.1 属性权重可视化及交互设计 |
| 5.4.2 分类结果迷你视图 |
| 5.4.3 属性特征可视化 |
| 5.4.4 属性对比分析可视化 |
| 5.5 测试与分析 |
| 5.5.1 了解产品特征 |
| 5.5.2 产品性能对比分析 |
| 5.5.3 用户调研 |
| 5.5.4 实验分析 |
| 5.6 本章小结 |
| 第6章 系统实现及应用案例 |
| 6.1 交易日志数据分析 |
| 6.2 系统概述 |
| 6.3 案例分析 |
| 6.3.1 趋势性可视分析 |
| 6.3.2 多维数据协同可视分析 |
| 6.3.3 多维数据排序及分类可视分析 |
| 6.3.4 领域专家评价 |
| 6.4 本章小结 |
| 第7章 结束语 |
| 7.1 论文工作总结 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）数字孪生建模方法及其在热力系统优化运行中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号及缩写表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 能源电力发展背景与现状 |
| 1.1.2 智能控制优化研究现状 |
| 1.2 热力系统建模仿真及大数据技术研究现状 |
| 1.2.1 热力系统建模研究现状 |
| 1.2.2 电力大数据及其发展现状 |
| 1.2.3 热力系统仿真技术发展背景 |
| 1.3 数字孪生技术的应用现状及关键技术 |
| 1.3.1 数字孪生的应用发展现状 |
| 1.3.2 数字孪生研究的关键技术 |
| 1.3.3 数字孪生发展面临的挑战 |
| 1.4 论文的研究内容 |
| 第2章 大数据背景下的数字孪生与热力系统建模理论 |
| 2.1 数字孪生的基本理论 |
| 2.1.1 数字孪生的定义与内涵 |
| 2.1.2 数字孪生与仿真技术之间的关系 |
| 2.1.3 数字孪生与信息物理系统之间的关系 |
| 2.2 热力系统建模理论与方法 |
| 2.2.1 流体网络机理建模理论与方法 |
| 2.2.2 数据驱动建模理论与方法 |
| 2.3 大数据的基本理论 |
| 2.3.1 大数据平台框架及相关技术 |
| 2.3.2 大数据存储管理与预处理方法 |
| 2.3.3 大数据分布式集群平台构建 |
| 2.4 本章小结 |
| 第3章 基于改进即时学习策略的自适应数据驱动建模方法研究 |
| 3.1 基于改进即时学习策略的自适应数据驱动建模方法 |
| 3.1.1 建模思路 |
| 3.1.2 基于改进遗传模拟退火算法的模糊聚类工况划分 |
| 3.1.3 基于多层次综合相似度度量的相似工况识别 |
| 3.1.4 基于Spark平台的数据驱动局部模型建模 |
| 3.2 SCR脱硝系统数据驱动建模应用案例 |
| 3.2.1 建模对象及背景介绍 |
| 3.2.2 数据预处理和相似工况选取 |
| 3.2.3 局部建模过程及结果分析 |
| 3.3 电锅炉供热系统荷侧和源侧负荷预测建模应用案例 |
| 3.3.1 建模对象及背景介绍 |
| 3.3.2 荷侧供热负荷预测模型 |
| 3.3.3 源侧电负荷预测 |
| 3.4 本章小结 |
| 第4章 热力系统数字孪生建模理论及应用 |
| 4.1 热力系统数字孪生建模思路 |
| 4.1.1 数字孪生建模方法的提出 |
| 4.1.2 数字孪生模型的构建方法及流程 |
| 4.2 数字孪生机理模型的构建 |
| 4.2.1 管路模型 |
| 4.2.2 调节阀模型 |
| 4.2.3 离心水泵模型 |
| 4.2.4 换热器模型 |
| 4.3 数字孪生模型的协同与融合理论 |
| 4.3.1 数字孪生模型离线智能参数辨识 |
| 4.3.2 数字孪生模型参数在线自适应协同 |
| 4.3.3 基于移动窗格信息熵的多模型输出在线融合 |
| 4.4 数字孪生建模实例分析 |
| 4.4.1 脱硝系统数字孪生模型的建立 |
| 4.4.2 供热系统数字孪生模型的建立 |
| 4.5 本章小结 |
| 第5章 基于热力系统数字孪生模型的节能控制优化 |
| 5.1 基于数字孪生模型的智能工况动态寻优 |
| 5.1.1 热力系统智能工况动态寻优策略 |
| 5.1.2 基于数字孪生模型的供热储热系统智能工况动态寻优 |
| 5.2 基于数字孪生模型的自适应预测控制优化 |
| 5.2.1 基于数字孪生模型的预测控制算法 |
| 5.2.2 基于数字孪生模型预测控制的喷氨量优化 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究工作及成果 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（8）基于内容和协同过滤的混合算法的改进研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织结构 |
| 第2章 文本信息推荐的相关技术 |
| 2.1 文本信息推荐的一般流程 |
| 2.2 协同过滤推荐 |
| 2.3 基于内容的推荐 |
| 2.4 混合推荐 |
| 2.5 现有技术存在的问题 |
| 2.5.1 协同过滤推荐的问题 |
| 2.5.2 内容推荐的问题 |
| 2.5.3 混合推荐的问题 |
| 2.6 新推荐算法的提出 |
| 2.7 本章小结 |
| 第3章 基于时间权重的推荐算法设计 |
| 3.1 基于内容的推荐算法 |
| 3.1.1 文本预处理 |
| 3.1.2 特征表示 |
| 3.1.3 构建模型 |
| 3.2 基于时间权重的模型构建 |
| 3.2.1 基于时间权重的模型框架 |
| 3.2.2 时间权重计算 |
| 3.2.3 用户相似度计算 |
| 3.3 本章小结 |
| 第4章 基于用户兴趣的推荐算法设计 |
| 4.1 协同过滤推荐算法 |
| 4.1.1 行为矩阵 |
| 4.1.2 相似性计算 |
| 4.1.3 用户对候选信息的兴趣度 |
| 4.1.4 结果生成 |
| 4.2 混合相似度 |
| 4.3 构建兴趣模型 |
| 4.3.1 用户的兴趣模型 |
| 4.3.2 兴趣模型中特征提取的优势 |
| 4.4 本章小结 |
| 第5章 TCBCF算法的实验 |
| 5.1 实验数据和评价指标 |
| 5.1.1 实验数据 |
| 5.1.2 评价指标 |
| 5.2 结果分析 |
| 5.2.1 实验方法 |
| 5.2.2 时间因子效果的验证 |
| 5.2.3 混合相似度的验证 |
| 5.2.4 实验总体情况 |
| 5.3 本章小结 |
| 5.3.1 算法的优势 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 附录 |
| 附录1 协同过滤推荐算法的代码 |
| 附录2 LSA的运算代码 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和其它科研情况 |
（9）空-地协同环境下果园信息共享平台设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多机器人系统 |
| 1.2.2 空地机器人协同系统 |
| 1.2.3 基于Node.js和 Express.js的应用研究现状 |
| 1.2.4 基于Mongo DB的数据存储应用研究现状 |
| 1.2.5 云计算与云机器人平台 |
| 1.3 本文研究目的与内容 |
| 1.4 研究方案与技术路线 |
| 1.5 论文章节安排 |
| 第二章 协同通信云平台系统架构设计 |
| 2.1 系统总体架构设计 |
| 2.1.1 系统需求分析 |
| 2.1.2 系统架构设计 |
| 2.2 空-地机器人平台及传感器数据获取 |
| 2.2.1 空-地机器人平台设计 |
| 2.2.2 ZED双目视觉系统 |
| 2.2.3 协同通信云平台 |
| 2.2.4 4G通信模块 |
| 2.3 数据库架构设计 |
| 2.3.1 数据库选择 |
| 2.3.2 数据库集群架构设计 |
| 2.3.3 数据库集群架构实现 |
| 2.4 本章小结 |
| 第三章 基于Node.js的通信云平台设计 |
| 3.1 服务器结构设计 |
| 3.2 服务器端的实现 |
| 3.2.1 服务器配置 |
| 3.2.2 服务器接口模块 |
| 3.2.3 机器人传感器数据操作接口设计 |
| 3.2.4 RESTful云平台接口设计 |
| 3.3 数据存储的数据库设计 |
| 3.4 接口实现 |
| 3.5 机器人端的实现 |
| 3.6 浏览器端的实现 |
| 3.7 本章小结 |
| 第四章 空-地机器人与云平台通信试验 |
| 4.1 地面移动机器人与云平台通信系统构建 |
| 4.2 无人机识别果树树冠与云平台通信实验 |
| 4.3 云平台数据及通信试验 |
| 4.3.1 云平台网络延迟通信测试 |
| 4.3.2 云平台文件上传测试 |
| 4.4 云平台并发测试 |
| 4.5 云平台浏览器端功能测试 |
| 4.6 云平台系统性能分析 |
| 4.7 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）边缘计算与云协同任务弹性调度方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 边缘计算研究现状 |
| 1.3.2 边缘计算任务调度研究现状 |
| 1.3.3 边缘计算资源配给(调度)研究现状 |
| 1.4 论文组织结构 |
| 2 相关技术分析 |
| 2.1 边缘计算概述 |
| 2.1.1 边缘计算内涵分析 |
| 2.1.2 边缘计算架构 |
| 2.2 任务划分方法分析 |
| 2.3 任务调度方法与技术分析 |
| 2.3.1 调度方法介绍 |
| 2.3.2 边缘计算与云协同任务调度方法分析 |
| 2.4 资源配给技术分析 |
| 3 基于“云-边-端”协同的粗粒度任务卸载方法研究 |
| 3.1 “云-边-端”协同架构 |
| 3.2 资源匹配框架 |
| 3.2.1 边缘计算与云协同资源匹配要素 |
| 3.2.2 资源匹配框架设计 |
| 3.3 问题描述与模型构建 |
| 3.3.1 问题描述 |
| 3.3.2 模型构建 |
| 3.4 任务卸载算法设计 |
| 3.4.1 目标服务器选择方法 |
| 3.4.2 基于人工蜂群算法的任务卸载方法 |
| 3.5 实验设计与结果分析 |
| 3.6 本章小结 |
| 4 基于“云-边-端”协同的任务细粒度划分及调度方法研究 |
| 4.1 问题的NP性分析 |
| 4.2 资源配给分析 |
| 4.3 形式化描述 |
| 4.3.1 “云-边-端”模型 |
| 4.3.2 任务划分模型 |
| 4.3.3 时间与能耗模型 |
| 4.4 算法设计 |
| 4.4.1 任务划分过程 |
| 4.4.2 任务调度方法 |
| 4.4.3 遗传-模拟退火算法 |
| 4.5 实验结果与分析 |
| 4.5.1 实验设计 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 应用前景 |
| 5.3 下一步工作 |
| 参考文献 |
| 作者简介 |
| 致谢 |
四、协同计算机数据处理方法研究（论文参考文献）
- [1]基于协同过滤模型的运动处方生成技术研究与应用[D]. 练兴杨. 西安理工大学, 2021
- [2]一种改进的协同过滤推荐算法及其并行算法研究[D]. 褚宏林. 烟台大学, 2021(09)
- [3]全球价值链嵌入对中国制造业资源配置效率的影响研究[D]. 潘秋晨. 上海社会科学院, 2021(12)
- [4]CED-SOA服务动态协同模型和算法研究[D]. 何淑庆. 北京邮电大学, 2021
- [5]巡飞弹协同攻击半实物仿真技术研究[D]. 周泽生. 中北大学, 2021(09)
- [6]基于日志数据的多维数据可视分析的研究及应用[D]. 于世东. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021
- [7]数字孪生建模方法及其在热力系统优化运行中的应用研究[D]. 高学伟. 华北电力大学(北京), 2021(01)
- [8]基于内容和协同过滤的混合算法的改进研究[D]. 董淳. 山西财经大学, 2021(09)
- [9]空-地协同环境下果园信息共享平台设计与实现[D]. 陈成坤. 西北农林科技大学, 2021(01)
- [10]边缘计算与云协同任务弹性调度方法研究[D]. 王文礼. 河北经贸大学, 2021(09)