数据流时序事件实时判识方法研究
发布时间：2021-10-24 04:16
近年来,随着数据流应用的发展,数据规模呈指数增长,如在网络监控、环境监测、传感器网络、气象监测和金融服务等领域。与传统静态数据相比,数据流具有无限、连续、大量、突变的特点,并且在数据流处理过程中,只能被有限次读取,传统的判识算法无法直接应用于数据流处理中。在数据流中,存在着与正常数据不一致且不是随机产生的各种事件数据。对数据流中的事件进行实时判识,有广泛的应用,如网络入侵判识、环境污染判识、灾害事件判识、天气变化判识、股票走向判识等。数据流均具有时间的特性,因此,对应的事件为时序事件,如何能实时的判识出数据流中的时序事件,一直是数据流研究中专家学者的研究热点。本文针对现有时序事件判识方法构建的时序事件规模小,模型复杂不准确,不能自适应更新以及滞后判识等问题,提出一种数据流时序事件实时判识方法,包括两级回归的时序事件模型（TRTM）构建方法与基于TRTM的时序事件实时判识方法,保证了模型构建的效率及准确性,且对于新到来的流式时序事件数据具有更好适应性,提高了数据流事件判识的稳定性及实时性。首先,在时序事件模型构建阶段,通过对历史时序事件数据进行归一化处理,把不同尺度的事件数据变换在同一尺...
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
典型冲击地压示意图
图 3-1 典型冲击地压示意图序事件虽然具有相同的特征规律，但是由于采集数据的击地压灾害事件的地点不同，以及灾害时序事件数据在的能量衰减等因素，导致相同种类的时序事件数据结构传感器采集的感知数据在时间域上发生压缩或者拉伸，。同类的灾害时序事件不在同一尺度下，无法直接构建-2 所示。因此，需要把历史同类时序事件，进行平移变换，放在同一尺度下，才能进行进一步的研究。时间
第 3 章 两级回归的时序事件模型其中，imax( x )和imin( x )分别为历史时序事件中的最大和最小感知数据的值，通过坐标变换，将所有感知数据规格化为[0,1]区间范围。对历史同类时序事件数据进行归一化后，规整在同一区间范围内后，在同一时刻的时序事件数据具有可比性。对于历史时序事件来说，原始的数据为大量有序的感知数据集合。把大量历史时序事件数据归一化，变换到同一区间下之后，就是一系列连续随时间累积的感知数据点的集合，如图 3-3 如下：
【参考文献】：
期刊论文
[1]基于概率统计模型的电力IT监控对象特征异常检测[J]. 卫薇,龙玉江,钟掖. 山东农业大学学报(自然科学版). 2019(04)
[2]基于深度学习的异构时序事件患者数据表示学习框架[J]. 刘卢琛,沈剑豪,张铭,王子昌,李浩然,刘泽群. 大数据. 2019(01)
[3]分布式数据流挖掘技术综述[J]. 万新贵. 微型机与应用. 2016(21)
[4]动态数据挖掘的构造性学习方法综述[J]. 王伦文,冯彦卿,张铃. 小型微型计算机系统. 2016(09)
[5]系统效能评估中仿真指标数据异常值检测方法研究[J]. 焦秀珍. 中国电子科学研究院学报. 2013(02)
[6]三维水声传感器网络中数据流的突发检测算法[J]. 徐明,刘广钟. 计算机应用. 2012(12)
[7]无线传感器网络中数据流异常数据的联合估计算法[J]. 钟一洋,刘兴长,王悠,吴润泽,韩开进,叶泳. 后勤工程学院学报. 2012(06)
[8]传感器网络数据流异常数据检测与修正[J]. 杨杰,白洋. 齐齐哈尔大学学报(自然科学版). 2009(06)
[9]流量测量的关键技术分析与研究[J]. 张震,汪斌强,朱珂. 计算机应用研究. 2009(09)
[10]基于P2P的移动Agent入侵检测系统[J]. 孙名松,李卿,刘鑫. 计算机技术与发展. 2009(04)
博士论文
[1]云环境下基于位置的可信查询服务研究[D]. 闫晗.北京邮电大学 2018
[2]矿震监测的理论与应用研究[D]. 贾宝新.辽宁工程技术大学 2013
[3]数据流聚类分析与异常检测算法[D]. 张晨.复旦大学 2009
硕士论文
[1]基于社交媒体地理数据挖掘的游客时空行为分析[D]. 王丽鲲.上海师范大学 2017
[2]一种实时的半结构化数据流频繁模式挖掘算法[D]. 童子奇.北京工业大学 2017
[3]基于Storm的流数据聚类挖掘算法的研究[D]. 马可.南京邮电大学 2016
[4]支持位置谓词的XML流数据查询技术[D]. 王晨阳.北京工业大学 2015
[5]滑动窗口模型下的数据流自适应异常检测方法研究[D]. 庞景月.哈尔滨工业大学 2013
[6]孤立点检测在移动通信数据分析上的研究与应用[D]. 朱吉龙.广东工业大学 2013
[7]基于异常检测的网络安全技术的研究[D]. 王宏.江南大学 2011
[8]高纬数据流的异常检测[D]. 姚晨.电子科技大学 2011
[9]传感器网络数据流异常数据检测与修正[D]. 田嘉瑞.哈尔滨工程大学 2008
本文编号：3454556
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
典型冲击地压示意图
图 3-1 典型冲击地压示意图序事件虽然具有相同的特征规律，但是由于采集数据的击地压灾害事件的地点不同，以及灾害时序事件数据在的能量衰减等因素，导致相同种类的时序事件数据结构传感器采集的感知数据在时间域上发生压缩或者拉伸，。同类的灾害时序事件不在同一尺度下，无法直接构建-2 所示。因此，需要把历史同类时序事件，进行平移变换，放在同一尺度下，才能进行进一步的研究。时间
第 3 章 两级回归的时序事件模型其中，imax( x )和imin( x )分别为历史时序事件中的最大和最小感知数据的值，通过坐标变换，将所有感知数据规格化为[0,1]区间范围。对历史同类时序事件数据进行归一化后，规整在同一区间范围内后，在同一时刻的时序事件数据具有可比性。对于历史时序事件来说，原始的数据为大量有序的感知数据集合。把大量历史时序事件数据归一化，变换到同一区间下之后，就是一系列连续随时间累积的感知数据点的集合，如图 3-3 如下：
【参考文献】：
期刊论文
[1]基于概率统计模型的电力IT监控对象特征异常检测[J]. 卫薇,龙玉江,钟掖. 山东农业大学学报(自然科学版). 2019(04)
[2]基于深度学习的异构时序事件患者数据表示学习框架[J]. 刘卢琛,沈剑豪,张铭,王子昌,李浩然,刘泽群. 大数据. 2019(01)
[3]分布式数据流挖掘技术综述[J]. 万新贵. 微型机与应用. 2016(21)
[4]动态数据挖掘的构造性学习方法综述[J]. 王伦文,冯彦卿,张铃. 小型微型计算机系统. 2016(09)
[5]系统效能评估中仿真指标数据异常值检测方法研究[J]. 焦秀珍. 中国电子科学研究院学报. 2013(02)
[6]三维水声传感器网络中数据流的突发检测算法[J]. 徐明,刘广钟. 计算机应用. 2012(12)
[7]无线传感器网络中数据流异常数据的联合估计算法[J]. 钟一洋,刘兴长,王悠,吴润泽,韩开进,叶泳. 后勤工程学院学报. 2012(06)
[8]传感器网络数据流异常数据检测与修正[J]. 杨杰,白洋. 齐齐哈尔大学学报(自然科学版). 2009(06)
[9]流量测量的关键技术分析与研究[J]. 张震,汪斌强,朱珂. 计算机应用研究. 2009(09)
[10]基于P2P的移动Agent入侵检测系统[J]. 孙名松,李卿,刘鑫. 计算机技术与发展. 2009(04)
博士论文
[1]云环境下基于位置的可信查询服务研究[D]. 闫晗.北京邮电大学 2018
[2]矿震监测的理论与应用研究[D]. 贾宝新.辽宁工程技术大学 2013
[3]数据流聚类分析与异常检测算法[D]. 张晨.复旦大学 2009
硕士论文
[1]基于社交媒体地理数据挖掘的游客时空行为分析[D]. 王丽鲲.上海师范大学 2017
[2]一种实时的半结构化数据流频繁模式挖掘算法[D]. 童子奇.北京工业大学 2017
[3]基于Storm的流数据聚类挖掘算法的研究[D]. 马可.南京邮电大学 2016
[4]支持位置谓词的XML流数据查询技术[D]. 王晨阳.北京工业大学 2015
[5]滑动窗口模型下的数据流自适应异常检测方法研究[D]. 庞景月.哈尔滨工业大学 2013
[6]孤立点检测在移动通信数据分析上的研究与应用[D]. 朱吉龙.广东工业大学 2013
[7]基于异常检测的网络安全技术的研究[D]. 王宏.江南大学 2011
[8]高纬数据流的异常检测[D]. 姚晨.电子科技大学 2011
[9]传感器网络数据流异常数据检测与修正[D]. 田嘉瑞.哈尔滨工程大学 2008
本文编号：3454556
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3454556.html
