近年來,隨著數(shù)據(jù)流應用的發(fā)展,數(shù)據(jù)規(guī)模呈指數(shù)增長,如在網(wǎng)絡監(jiān)控、環(huán)境監(jiān)測、傳感器網(wǎng)絡、氣象監(jiān)測和金融服務等領域。與傳統(tǒng)靜態(tài)數(shù)據(jù)相比,數(shù)據(jù)流具有無限、連續(xù)、大量、突變的特點,并且在數(shù)據(jù)流處理過程中,只能被有限次讀取,傳統(tǒng)的判識算法無法直接應用于數(shù)據(jù)流處理中。在數(shù)據(jù)流中,存在著與正常數(shù)據(jù)不一致且不是隨機產(chǎn)生的各種事件數(shù)據(jù)。對數(shù)據(jù)流中的事件進行實時判識,有廣泛的應用,如網(wǎng)絡入侵判識、環(huán)境污染判識、災害事件判識、天氣變化判識、股票走向判識等。數(shù)據(jù)流均具有時間的特性,因此,對應的事件為時序事件,如何能實時的判識出數(shù)據(jù)流中的時序事件,一直是數(shù)據(jù)流研究中專家學者的研究熱點。本文針對現(xiàn)有時序事件判識方法構(gòu)建的時序事件規(guī)模小,模型復雜不準確,不能自適應更新以及滯后判識等問題,提出一種數(shù)據(jù)流時序事件實時判識方法,包括兩級回歸的時序事件模型（TRTM）構(gòu)建方法與基于TRTM的時序事件實時判識方法,保證了模型構(gòu)建的效率及準確性,且對于新到來的流式時序事件數(shù)據(jù)具有更好適應性,提高了數(shù)據(jù)流事件判識的穩(wěn)定性及實時性。首先,在時序事件模型構(gòu)建階段,通過對歷史時序事件數(shù)據(jù)進行歸一化處理,把不同尺度的事件數(shù)據(jù)變換在同一尺... 

【文章來源】：遼寧大學遼寧省 211工程院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

典型沖擊地壓示意圖

圖 3-1 典型沖擊地壓示意圖序事件雖然具有相同的特征規(guī)律，但是由于采集數(shù)據(jù)的擊地壓災害事件的地點不同，以及災害時序事件數(shù)據(jù)在的能量衰減等因素，導致相同種類的時序事件數(shù)據(jù)結(jié)構(gòu)傳感器采集的感知數(shù)據(jù)在時間域上發(fā)生壓縮或者拉伸，。同類的災害時序事件不在同一尺度下，無法直接構(gòu)建-2 所示。因此，需要把歷史同類時序事件，進行平移變換，放在同一尺度下，才能進行進一步的研究。時間

第 3 章 兩級回歸的時序事件模型其中，imax( x )和imin( x )分別為歷史時序事件中的最大和最小感知數(shù)據(jù)的值，通過坐標變換，將所有感知數(shù)據(jù)規(guī)格化為[0,1]區(qū)間范圍。對歷史同類時序事件數(shù)據(jù)進行歸一化后，規(guī)整在同一區(qū)間范圍內(nèi)后，在同一時刻的時序事件數(shù)據(jù)具有可比性。對于歷史時序事件來說，原始的數(shù)據(jù)為大量有序的感知數(shù)據(jù)集合。把大量歷史時序事件數(shù)據(jù)歸一化，變換到同一區(qū)間下之后，就是一系列連續(xù)隨時間累積的感知數(shù)據(jù)點的集合，如圖 3-3 如下：

【參考文獻】：
期刊論文
[1]基于概率統(tǒng)計模型的電力IT監(jiān)控對象特征異常檢測[J]. 衛(wèi)薇,龍玉江,鐘掖.  山東農(nóng)業(yè)大學學報(自然科學版). 2019(04)
[2]基于深度學習的異構(gòu)時序事件患者數(shù)據(jù)表示學習框架[J]. 劉盧琛,沈劍豪,張銘,王子昌,李浩然,劉澤群.  大數(shù)據(jù). 2019(01)
[3]分布式數(shù)據(jù)流挖掘技術綜述[J]. 萬新貴.  微型機與應用. 2016(21)
[4]動態(tài)數(shù)據(jù)挖掘的構(gòu)造性學習方法綜述[J]. 王倫文,馮彥卿,張鈴.  小型微型計算機系統(tǒng). 2016(09)
[5]系統(tǒng)效能評估中仿真指標數(shù)據(jù)異常值檢測方法研究[J]. 焦秀珍.  中國電子科學研究院學報. 2013(02)
[6]三維水聲傳感器網(wǎng)絡中數(shù)據(jù)流的突發(fā)檢測算法[J]. 徐明,劉廣鐘.  計算機應用. 2012(12)
[7]無線傳感器網(wǎng)絡中數(shù)據(jù)流異常數(shù)據(jù)的聯(lián)合估計算法[J]. 鐘一洋,劉興長,王悠,吳潤澤,韓開進,葉泳.  后勤工程學院學報. 2012(06)
[8]傳感器網(wǎng)絡數(shù)據(jù)流異常數(shù)據(jù)檢測與修正[J]. 楊杰,白洋.  齊齊哈爾大學學報(自然科學版). 2009(06)
[9]流量測量的關鍵技術分析與研究[J]. 張震,汪斌強,朱珂.  計算機應用研究. 2009(09)
[10]基于P2P的移動Agent入侵檢測系統(tǒng)[J]. 孫名松,李卿,劉鑫.  計算機技術與發(fā)展. 2009(04)

博士論文
[1]云環(huán)境下基于位置的可信查詢服務研究[D]. 閆晗.北京郵電大學 2018
[2]礦震監(jiān)測的理論與應用研究[D]. 賈寶新.遼寧工程技術大學 2013
[3]數(shù)據(jù)流聚類分析與異常檢測算法[D]. 張晨.復旦大學 2009

碩士論文
[1]基于社交媒體地理數(shù)據(jù)挖掘的游客時空行為分析[D]. 王麗鯤.上海師范大學 2017
[2]一種實時的半結(jié)構(gòu)化數(shù)據(jù)流頻繁模式挖掘算法[D]. 童子奇.北京工業(yè)大學 2017
[3]基于Storm的流數(shù)據(jù)聚類挖掘算法的研究[D]. 馬可.南京郵電大學 2016
[4]支持位置謂詞的XML流數(shù)據(jù)查詢技術[D]. 王晨陽.北京工業(yè)大學 2015
[5]滑動窗口模型下的數(shù)據(jù)流自適應異常檢測方法研究[D]. 龐景月.哈爾濱工業(yè)大學 2013
[6]孤立點檢測在移動通信數(shù)據(jù)分析上的研究與應用[D]. 朱吉龍.廣東工業(yè)大學 2013
[7]基于異常檢測的網(wǎng)絡安全技術的研究[D]. 王宏.江南大學 2011
[8]高緯數(shù)據(jù)流的異常檢測[D]. 姚晨.電子科技大學 2011
[9]傳感器網(wǎng)絡數(shù)據(jù)流異常數(shù)據(jù)檢測與修正[D]. 田嘉瑞.哈爾濱工程大學 2008



本文編號：3454556