CN110427523A - 可适配的基于大数据的营商环境应用系统 - Google Patents

可适配的基于大数据的营商环境应用系统 Download PDF

Info

Publication number
CN110427523A
CN110427523A CN201910700060.7A CN201910700060A CN110427523A CN 110427523 A CN110427523 A CN 110427523A CN 201910700060 A CN201910700060 A CN 201910700060A CN 110427523 A CN110427523 A CN 110427523A
Authority
CN
China
Prior art keywords
access
big data
resource
business environment
adaptation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910700060.7A
Other languages
English (en)
Other versions
CN110427523B (zh
Inventor
朱敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing LES Information Technology Co. Ltd
Original Assignee
Nanjing LES Information Technology Co. Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing LES Information Technology Co. Ltd filed Critical Nanjing LES Information Technology Co. Ltd
Priority to CN201910700060.7A priority Critical patent/CN110427523B/zh
Publication of CN110427523A publication Critical patent/CN110427523A/zh
Application granted granted Critical
Publication of CN110427523B publication Critical patent/CN110427523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2854—Wide area networks, e.g. public data networks
    • H04L12/2856—Access arrangements, e.g. Internet access
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种可适配的基于大数据的营商环境应用系统，包括：感应接入适配模块、大数据自适应存储处理模块和营商环境应用模块；其中，感应接入适配模块，用于根据各类物联感知设备的类型、特点和接入协议，利用机器学习方法，实现对物联感知设备接入的自主选择、自动适配；大数据自适应存储处理模块，利用机器学习方法，简化在资源存储、资源处理、资源应用方面所对应的大数据技术的选择；营商环境应用模块，对营商环境进行全域、全时、全面监测，开展营商环境分析、评价和辅助决策。本发明解决了现有的营商环境建设应用系统中数据使用离线批处理MapReduce技术来处理并不能满足应用对其高即时性的要求的问题。

Description

可适配的基于大数据的营商环境应用系统
技术领域
本发明属于智慧城市建设技术领域，具体指代一种可适配的基于大数据的营商环境应用系统。
背景技术
伴随着信息技术和互联网的爆发式发展，人类进入了大数据时代，数据已然成为当今世界的基础性战略资源。大数据技术可分为三个阶段：萌芽阶段，1990年代，随着数据挖掘理论和数据库技术的逐步成熟，一批商业智能工具和知识管理技术开始应用，如数据仓库、专家系统、知识管理系统等。这阶段数据基本上是系统营运数据；成熟阶段，21世纪前10年，Web2.0应用迅猛发展，非结构化数据大量产生，传统处理方法难以应对，带动了大数据技术的快速突破，Hadoop平台开始大行其道。这阶段数据基本上是用户输入数据；大规模应用阶段，2010年至今，大数据应用渗透到各行各业，数据驱动决策，信息社会智能化程度大幅提高。这阶段数据增加了大量传感器数据。
当前，大数据技术在实际应用场景下的应用，已经上升为国家战略，对于中国经济社会发展的具有重要的时代意义，围绕建设网络强国、数字中国、智慧社会，在信息化建设领域全面实施大数据技术，将助力中国经济从高速增长转向高质量发展。
目前，严重限制人们使用大数据技术的因素，不是不想去用，而是混乱使用，并且因为没有选用针对于特定应用场景和海量数据特点的大数据技术，产生了诸多，如系统建设开销大，应用效果不佳等问题。
总体来看，在可应用大数据技术的地方，还没有为那些真正希望使用这些技术的人提供方便。很多应用场景所采用的大数据技术，在数据采集、存储、处理的某个环节上选用不当。许多大数据技术应用的从业者，在选用时或是对技术本身掌握的不全面，或是因为实际应用缺乏，在技术选型上，并没有从多维度角度出发，只简单考虑或参考一个维度进行选择，大数据技术选型往往不以结果为导向，没有目的性。
以营商环境建设应用系统为例，因为数据来源多为政务业务数据，政务业务数据的实时性不高，在数据处理环节，采用的大数据技术往往就是固定选用离线批处理MapReduce技术。但随着营商环境建设所需要素的不断完善，实时的互联网数据和物联感知数据对营商环境分析中的自然环境分析、生态环境分析也有着越来越重要的验证作用，而这些数据使用离线批处理MapReduce技术来处理并不能满足应用对其高即时性的要求。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种可适配的基于大数据的营商环境应用系统，以解决现有的营商环境建设应用系统中数据使用离线批处理MapReduce技术来处理并不能满足应用对其高即时性的要求的问题。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种可适配的基于大数据的营商环境应用系统，包括：感应接入适配模块、大数据自适应存储处理模块和营商环境应用模块；其中，
感应接入适配模块，用于根据各类物联感知设备的类型、特点和接入协议，利用机器学习方法，实现对物联感知设备接入的自主选择、自动适配；
大数据自适应存储处理模块，用于根据数据资源支撑的应用场景不同，利用机器学习方法，简化在资源存储、资源处理、资源应用方面所对应的大数据技术的选择；
营商环境应用模块，用于在营商环境大数据的支撑下，对营商环境进行全域、全时、全面监测，开展营商环境分析、评价和辅助决策，加快推动全区营商环境优化，有效减轻企业负担，提升企业群众办事便利度、满意率和获得感。
进一步地，所述感应接入适配模块，包括感知采集单元和感知接入单元；
感知采集单元包含：感应器，其包括传感器、RFID、多媒体信息采集器、实时定位设备；
感知接入单元包括接入子单元库、接入适配管理子单元；
接入子单元库：将各类感知接入子单元汇总后，对每类感知接入子单元的属性进行标签化处理，包括对应接入的物联感知设备名称、对应的物联感知传输协议和接入协议；
接入适配管理子单元：对接入子单元库进行适配管理，感知接入注册提供对各种物联感知接入平台的注册能力，形成感知接入目录；感知接入目录提供目录发布、目录查询、目录维护；接入适配机器学习，接入适配管理采用OODA认知环理论，利用Lasso回归算法确认各种物联感知接入平台并对适配结果进行调整。
进一步地，所述大数据自适应存储处理模块，包含：资源存储单元、资源处理单元、资源应用单元、资源适配处理单元；其中，
资源存储单元：采用分布式存储方式对大数据进行存储，包括文件存储和数据库存储；文件存储为分布式文件系统HDFS；数据库存储包括列族数据库HBase、Sybase IQ、Vertica，文档数据库MongoDB、CouchDB、Terrastore，键值数据库Memcached、Redis、Berkeley DB，及图数据库Neo4j、Giraph、Hama；
资源处理单元：利用分布式方式，处理大数据各类计算框架，包括离线批处理框架MapReduce、YARN，内存计算框架Spark，流式计算框架Storm、Streaming，图计算框架Neo4j、Pregel，以及用于提高处理实时性的消息机制Kafka、MQ；
资源应用单元：利用大数据检索和挖掘技术，实现从海量数据中发现有意义的、潜在有用的模式或知识；
资源适配处理单元：将资源应用单元、资源处理单元、资源存储单元所关联的技术进行汇总后，对其进行注册，形成资源处理的技术目录；资源适配处理单元采用OODA认知环理论，利用Lasso回归算法自动适配资源处理单元并对适配结果进行调整。
进一步地，所述营商环境应用模块，用于在营商环境大数据的支撑下，对营商环境进行全域、全时、全面监测，开展营商环境分析、评价和辅助决策，加快推动全区营商环境优化，有效减轻企业负担，提升企业群众办事便利度、满意率和获得感。
本发明的有益效果：
1、避免大数据技术的使用混乱；有效解决了由于大数据技术涉及范围广、掌握大户据技术门槛较高，容易在实际过程中被混乱使用的问题。
2、设置感知自适应接入，不需要了解各类感知接入平台对应的具体感知设备的特征属性，节约了时间成本。
3、设置大数据自适应存储处理，极大提升计算、存储等基础设施资源的使用效率。
4、方便对大数据技术的应用，有效降低大数据技术在实际应用中选择、匹配、实施等的使用难度，增加大数据技术的应用能力。
附图说明
图1为感知采集单元的原理框图。
图2为感知接入单元的原理框图。
图3为机器学习的原理图。
图4为大数据自适应存储处理模块的原理框图。
图5为可适配的基于大数据的营商环境应用系统原理框图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1、图2、图5所示，本发明的一种可适配的基于大数据的营商环境应用系统，包括：感应接入适配模块、大数据自适应存储处理模块和营商环境应用模块；其中，
感应接入适配模块，其包括感知采集单元和感知接入单元；
感知采集单元主要采集现实世界中发生的物理事件和数据，包括各类物理量、标识、音频、视频数据。感知采集单元由基本的感应器件以及感应器组成的网络，感应器件涉及到的技术有多种，主要包括传感器、RFID、多媒体信息采集、实时定位等。感应器网络组网并协同信息处理技术来实现传感器、RFID等数据采集技术所获取数据的短距离传输、自组织组网以及多个传感器对数据进行处理。
感知接入单元包括接入子单元库、接入适配管理子单元；其在技术实现上遵循适配原则。首先将各类感知接入子单元汇总后，对每类感知接入子单元的属性进行标签化处理，包括对应接入的物联感知设备名称、对应的物联感知传输协议和接入协议等，形成接入子单元库。接入适配管理子单元：对接入子单元库进行适配管理，感知接入注册提供对各种物联感知接入平台的注册能力，形成感知接入目录；感知接入目录提供目录发布、目录查询、目录维护；接入适配机器学习，接入适配管理采用OODA认知环理论，利用Lasso回归算法确认各种物联感知接入平台并对适配结果进行调整。
感知接入提供多种感知接入技术手段，包括视频接入平台、物联感知平台、互联网采集平台、政务数据共享交换平台等；
视频接入平台接入多种自有视频数据，包括公安天网、综治雪亮工程、智慧社区及企业的视频数据；
物联感知平台接入多种监测数据，包括压力监测、温度监测、湿度监测及危险气体监测的数据；
互联网采集平台接入信息，包括互联网舆情信息、重点自媒体数据；
政务数据共享交换平台接入信息，包括发改、公安、交通、环保、城管的部门履职相关数据。
大数据自适应存储处理模块，其包含资源存储单元、资源处理单元、资源应用单元、资源适配处理单元；其中，
资源存储单元：采用分布式存储方式对大数据进行存储，主要包括文件存储和数据库存储，文件存储为分布式文件系统HDFS；数据库存储包括列族数据库HBase、SybaseIQ、Vertica，文档数据库MongoDB、CouchDB、Terrastore，键值数据库Memcached、Redis、Berkeley DB，及图数据库Neo4j、Giraph、Hama。
资源处理单元：利用分布式程序方式，处理大数据各类计算框架，包括离线批处理框架MapReduce、YARN，内存计算框架Spark，流式计算框架Storm、Streaming，图计算框架Neo4j、Pregel，以及用于提高处理实时性的消息机制Kafka、MQ等。
资源应用单元：利用大数据检索和挖掘等技术，实现从海量数据中发现有意义的、潜在有用的模式或知识。
资源适配处理单元：将资源应用单元、资源处理单元、资源存储单元所关联的技术进行汇总后，对其进行注册，形成资源处理的技术目录；资源适配处理单元采用OODA认知环理论，利用Lasso回归算法自动适配资源处理单元并对适配结果进行调整。
参照图3所示，机器学习方面的OODA认知方法论分为四个部分，分别为观察(Observe)、确定(Orient)、决策(Decide)、行动(Act)，其过程构成一个反馈回路。
观察部分是从环境中采集需要解决问题的相关信息。
确定部分是在观察部分收集到信息的基础上执行的。即通过对数据进行处理，评估当前环境状态。根据环境信息，构建不同的新模型。在对某一营商环境的政务数据或业务流程中的感知、大数据自适应存储处理、营商环境应用上，不同的对象将构建不同的模型。应该注意的是，确定部分必须考虑用户的经验与技能水平。确定部分是将信息转变为知识的关键，真正起到自适应功能的不是收集到的信息，而是转化后的知识，通过知识进行智能决策。
决策是综合考虑每种选择，做出有助于解决问题的决策。
行动是执行决策部分选择的策略，并将执行后的结果信息，反馈给观察部分，进行新一轮的认知过程。
Lasso优化回归算法是在基于线性回归的L1正则化的基础上对算法结果进行优化。Lasso回归的损失函数表达式如下：
J(θ)＝1/2n(Xθ-Y)T(Xθ-Y)+α||θ||1
其中n为样本个数，α为常数系数，需要进行调优；||θ||1为L1范数。
Lasso回归使得一些系数变小，甚至还是一些绝对值较小的系数直接变为0，因此特别适用于参数数目缩减与参数的选择，因而用来估计稀疏参数的线性模型。但是Lasso回归有一个很大的问题，导致需要把它单独拎出来讲，就是它的损失函数不是连续可导的，由于L1范数用的是绝对值之和，导致损失函数有不可导的点。在Lasso回归中采用全新的求极值解法：坐标轴下降法(coordinate descent)来优化计算结果。
坐标轴下降法的数学依据：一个可微的凸函数J(θ)J(θ)，其中θθ是nx1的向量，即有n个维度。如果在某一点θ，使得J(θ)J(θ)在每一个坐标轴θiθi(i＝1，2，...n)上都是最小值，那么J(θi)J(θi)就是一个全局的最小值。
优化目标就是在θθ的n个坐标轴上(或者说向量的方向上)对损失函数做迭代的下降，当所有的坐标轴上的θiθi(i＝1，2，...n)都达到收敛时，我们的损失函数最小，此时的θθ即为我们要求的结果。
具体的算法过程：
1、首先，把θθ向量随机取一个初值，记为θ(0)θ(0)，上面的括号里面的数字代表迭代的轮数，当前初始轮数为0。
2、对于第k轮的迭代，从θ(k)1θ1(k)开始，到θ(k)nθn(k)为止，依次求θ(k)iθi(k)。θ(k)iθi(k)的表达式如下：
也就是说θ(k)iθi(k)是使J(θ(k)1，θ(k)2，...θ(k)i-1，θi，θ(k-1)i+1，...，θ(k-1)n)J(θ1(k)，θ2(k)，...θi-1(k)，θi，θi+1(k-1)，...，θn(k-1))最小化时候的θi(k)的值。此时J(θ)J(θ)只有θ(k)iθi(k)是变量，其余均为常量，因此最小值容易通过求导求得。
大数据自适应存储处理模块架构如图4所示。
营商环境应用模块，用于在营商环境大数据的支撑下，对营商环境进行全域、全时、全面监测，开展营商环境分析、评价和辅助决策，加快推动全区营商环境优化，有效减轻企业负担，提升企业群众办事便利度、满意率和获得感。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种可适配的基于大数据的营商环境应用系统，其特征在于，包括：感应接入适配模块、大数据自适应存储处理模块和营商环境应用模块；其中，
感应接入适配模块，用于根据各类物联感知设备的类型、特点和接入协议，利用机器学习方法，实现对物联感知设备接入的自主选择、自动适配；
大数据自适应存储处理模块，用于简化在资源存储、资源处理、资源应用方面所对应的大数据技术的选择；
营商环境应用模块，对营商环境进行全域、全时、全面监测，开展营商环境分析、评价和辅助决策，加快推动全区营商环境优化。
2.根据权利要求1所述的可适配的基于大数据的营商环境应用系统，其特征在于，所述感应接入适配模块包括感知采集单元和感知接入单元；
感知采集单元包含：感应器，其包括传感器、RFID、多媒体信息采集器、实时定位设备；
感知接入单元包括接入子单元库和接入适配管理子单元；
接入子单元库：将各类物联感知接入平台汇总后，对每类物联感知接入平台的属性进行标签化处理；
接入适配管理子单元：对接入子单元库进行适配管理，感知接入注册提供对各种物联感知接入平台的注册能力，形成感知接入目录；感知接入目录提供目录发布、目录查询、目录维护；接入适配机器学习，接入适配管理采用OODA认知环理论，利用Lasso回归算法确认各种物联感知接入平台并对适配结果进行调整。
3.根据权利要求1所述的可适配的基于大数据的营商环境应用系统，其特征在于，所述大数据自适应存储处理模块，包含：资源存储单元、资源处理单元、资源应用单元、资源适配处理单元；其中，
资源存储单元：采用分布式存储方式对大数据进行存储，包括文件存储和数据库存储；
资源处理单元：利用分布式方式，处理大数据各类计算框架；
资源应用单元：利用大数据检索和挖掘技术，实现从海量数据中发现有意义的、潜在有用的模式或知识；
资源适配处理单元：将资源应用单元、资源处理单元、资源存储单元所关联的技术进行汇总后，对其进行注册，形成资源处理的技术目录；资源适配处理单元采用OODA认知环理论，利用Lasso回归算法自动适配资源处理单元并对适配结果进行调整。
4.根据权利要求3所述的可适配的基于大数据的营商环境应用系统，其特征在于，所述文件存储为分布式文件系统HDFS；数据库存储包括列族数据库HBase、Sybase IQ、Vertica，文档数据库MongoDB、CouchDB、Terrastore，键值数据库Memcached、Redis、Berkeley DB，及图数据库Neo4j、Giraph、Hama。
5.根据权利要求3所述的可适配的基于大数据的营商环境应用系统，其特征在于，所述各类计算框架包括离线批处理框架MapReduce、YARN，内存计算框架Spark，流式计算框架Storm、Streaming，图计算框架Neo4j、Pregel，以及用于提高处理实时性的消息机制Kafka、MQ。
CN201910700060.7A 2019-07-31 2019-07-31 可适配的基于大数据的营商环境应用系统 Active CN110427523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910700060.7A CN110427523B (zh) 2019-07-31 2019-07-31 可适配的基于大数据的营商环境应用系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910700060.7A CN110427523B (zh) 2019-07-31 2019-07-31 可适配的基于大数据的营商环境应用系统

Publications (2)

Publication Number Publication Date
CN110427523A true CN110427523A (zh) 2019-11-08
CN110427523B CN110427523B (zh) 2023-03-10

Family

ID=68413250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910700060.7A Active CN110427523B (zh) 2019-07-31 2019-07-31 可适配的基于大数据的营商环境应用系统

Country Status (1)

Country Link
CN (1) CN110427523B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111176822A (zh) * 2020-01-02 2020-05-19 中国航空工业集团公司西安航空计算技术研究所 一种面向ooda多任务智能应用的嵌入式公共软件运行方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317407A1 (en) * 2014-05-02 2015-11-05 Netapp, Inc. System and method for adaptive data placement within a distributed file system
CN206787614U (zh) * 2017-05-07 2017-12-22 福建强闽信息科技有限公司 一种基于窄带物联网的智能农业大棚系统
CN108495284A (zh) * 2018-03-26 2018-09-04 王智华 传感器连接方法、装置及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317407A1 (en) * 2014-05-02 2015-11-05 Netapp, Inc. System and method for adaptive data placement within a distributed file system
CN206787614U (zh) * 2017-05-07 2017-12-22 福建强闽信息科技有限公司 一种基于窄带物联网的智能农业大棚系统
CN108495284A (zh) * 2018-03-26 2018-09-04 王智华 传感器连接方法、装置及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111176822A (zh) * 2020-01-02 2020-05-19 中国航空工业集团公司西安航空计算技术研究所 一种面向ooda多任务智能应用的嵌入式公共软件运行方法
CN111176822B (zh) * 2020-01-02 2023-05-09 中国航空工业集团公司西安航空计算技术研究所 一种面向ooda多任务智能应用的嵌入式公共软件运行方法

Also Published As

Publication number Publication date
CN110427523B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN108108499B (zh) 人脸检索方法、装置、存储介质及设备
US20210073234A1 (en) Joining multiple events in data streaming analytics systems
CN108292323A (zh) 使用数据源的元数据的数据库操作
EP3497625A1 (en) Aggregate features for machine learning
CN105512162B (zh) 一种基于Storm的流数据实时智能化处理框架
Wang et al. Management of big data in the internet of things in agriculture based on cloud computing
CN111274282A (zh) 一种空气质量挖掘系统、方法及数据采集监控装置
CN105898204A (zh) 视频结构化智能录像机
CN110377653A (zh) 一种实时大数据计算与存储方法及系统
CN110427523A (zh) 可适配的基于大数据的营商环境应用系统
CN107181729B (zh) 在多租户云环境中的数据加密
Liu et al. Sampled-data H∞ control for networked control systems with digital control inputs
US20190012596A1 (en) Data processing system, method, and device
CN104090885A (zh) 一种基于局部拷贝检测的多视角视频对象检索系统及方法
Al-Sakran et al. A proposed performance evaluation of NoSQL databases in the field of IoT
CN109213940A (zh) 大数据下实现用户位置计算的方法、存储介质、设备及系统
CN107609089B (zh) 一种数据处理方法、装置及系统
CN109240681A (zh) 一种模型生成方法、装置及计算机可读存储介质
Li et al. Research on Artificial Intelligence Industrial Big Data Platform for Industrial Internet Applications
CN115129936A (zh) 有向图生成方法、装置、电子设备和计算机可读介质
Liu et al. Distributed and real-time query framework for processing participatory sensing data streams
WO2023185822A1 (zh) 网元注册方法、模型确定方法、装置、网元、通信系统及存储介质
CN104750709A (zh) 一种语义检索方法及系统
Bhattacharya et al. Location Intelligence for Augmented Smart Cities Integrating Sensor Web and Spatial Data Infrastructure (SmaCiSENS).
CN117972793A (zh) 一种纵向联邦树模型训练方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant