KDD*模型是基于双库协同机制的知识发现新模型,是结构化数据挖掘领域研究的一个新的分支.为了进一步提高KDD*的智能性,设计了一个基于Multi-agent技术的智能数据挖掘系统.利用多智能体技术,实现了数据预处理、数据挖掘、知识的自动获取、基础数据库与知识库的同步进化与协调、知识的评价与表示等功能

• 9.1 安全审计 • 9.1.1 安全审计概念 • 9.1.2 审计系统的结构 • 9.1.3 审计的数据来源 • 9.2 数字取证 • 9.2.1 数字取证概述 • 9.2.2 电子证据的特点和取证基本原则 • 9.2.3 数字取证的过程 • 9.3 数字取证关键技术和工具 • 9.3.1 证据信息类别 • 9.3.2 来自文件的数据 • 9.3.3 来自操作系统的数据 • 9.3.4 来自网络的数据 • 9.3.5 来自应用软件的数据

在流控传输协议(stream control transmission protocol,SCTP)中,多路径并行传输利用多家乡特性实现数据在关联的多条端到端路径中的并行传输.然而,受不同路径性能差异的影响,多路径并行传输将带来接收端的数据乱序.为了减轻数据乱序的程度并提高网络吞吐量性能,需要尽可能准确地估计每条路径的实时带宽与往返时间(round trip time,RTT).本文利用扩展矢量卡尔曼滤波对多路径并行传输中每条路径的可用带宽与往返时间进行联合预测,同时提出了一种综合考虑发送端未经接收端确认的数据的路径选择算法.仿真结果表明,通过实时准确地预测可用带宽和往返时间,路径选择算法能够减轻接收端数据乱序的程度.对于带宽敏感的多路径应用场景而言,该算法的收敛速度比Kalman-CMT算法更快,对网络吞吐量性能也有一定程度地提高;对时延和带宽都敏感的多路径应用场景来说,算法在收敛速度与吞吐量两方面优势明显

• 大数据基础 • 大数据核心技术 • 大数据应用

针对间断连接无线网络中节点能量有限、节点间相遇持续时间较短和网络资源无法得到充分利用的问题,提出一种带有自适应异步唤醒的数据转发策略,综合考虑节点能耗和休眠机制,并结合灰色模型预测节点间相遇持续时间,优化节点探测阶段和数据转发阶段的能耗,进而实现高效数据转发的目的.结果表明:所提出的数据转发策略能够有效利用节点剩余能量和通信机会.与现有的转发策略相比,该策略能够在低能耗下有效改善网络的探测成功率和通信时延

➢ 基本概念 ➢ 数据的传输 ➢ 数据传输的同步方式 ➢ 数据的编码和调制技术 ➢ 数据交换技术 ➢ 信道复用技术 ➢ 传输媒体的类型与特点 ➢ 差错控制技术

第1节 无线数据通信概述 3.1.1 概念 3.1.2 主要类别 3.1.3 特点和应用 3.1.4 网络 3.1.5 发展趋势 第2节 红外无线数据通信 3.2.1 概述 3.2.2 系统组成、原理及分类 3.2.3 特点 3.2.4 主要协议——IrDA协议集 3.2.5 红外数据网络 第3节 蓝牙技术Bluetooth 第4节 基于802.11的无线局域网 3.4.1 无线局域网概述 3.4.2 无线局域网网络硬件 3.4.3 网络拓扑结构 3.4.4 网络协议IEEE802.11 3.4.5 无线局域网的频段分配 3.4.6 无线局域网的发展趋势 3.4.7 Wi-Fi新闻 第5节 紫蜂技术ZigBee 3.5.1 简介 3.5.2 协议套件 3.5.3 技术特点 3.5.4 主要应用领域

在第十二章中,我们对事件史分析的基本概念和模型作了介绍。 但在事件史分析的实际操作中,研究人员常常发现数据预处理是一项很麻烦 的工作。在应用其他分析方法时,输入的数据资料都往往已经具备相当标准化的 格式,无需再进行处理。与此相比,应用事件史分析的实际数据格式却往往因不 同的调查、不同的专题而有数据格式方面的很大差别

采样数据输出形式 采样数据接收方法 为什么要大容量存储？ 怎么实现大容量存储？ 如何利用大容量数据？

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确