为准确掌握超宽冷轧机不同宽度带钢的板形特征,以某2180 mm超宽冷轧机1900 mm宽度带钢实测板形数据为研究对象,借鉴‘大数据’的思想,结合数据挖掘领域中聚类分析方法,提出基于网格和密度的板形特征聚类方法,并以此方法对几种典型带钢宽度的大量板形实测数据进行分析,得到不同宽度带钢的板形特征.以分段函数对板形特征进行多项式表达,得到不同宽度带钢的板形特征参数化分析结果.提出的基于网格和密度的板形特征聚类与分析方法,能够快速准确地对大量板形实测数据进行分析,提取出长期生产过程中板形缺陷特征并得到参数化表达,从而为冷连轧机,特别是超宽带钢冷连轧机的辊形改进和控制策略优化提供数据基础

4.1 数据链路层功能 4.2 数据链路层所提供的基本服务 4.3 高级数据链路控制协议HDLC 4.4 点对点PPP协议 4.5 数据链路层的设备与组件 4.6 技能训练：交换机和集线器的级联

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

目录 前言 第一章数据库系统概述 第二章数据模型和关系运算 第三章(实验一) SQL Server2000概述 第四章(实验一)数据库管理 第五章(实验二)表的管理 第六章(实验二)设计数据完整性 第七章(实验三、四)表的操作

地理信息系统的数据源是指建立地理信息系统数据库所需要的各种类型数据的来源。 地理信息系统的数据源是多种多样的，并随系统功能的不同而不同，主要包括以下各种：

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

5.1野外数据采集原理 5.4.6数据编码的输入 5.2大比例尺数字测图系统设计 5.5图式符号库的设计 5.2.1系统设计目标 5.5.1建立图式符号库的一般原则 5.2.2设计原则 5.5.2图式符号库的设计原理 5.2.3系统模块结构 5.6连接信息的设计 5.2.4系统主要功能 5.7分幅与接边 5.2.5系统数据组织 5.7.1分幅的意义 5.3数据编码 5.7.2地形图的分幅 5.4 MAPSUV数据编码的设计 5.7.3分幅的步骤 5.4.1采用的标准 5.7.4图幅间的接边处理 5.4.2GB14804-93主题内容与适用5.7.5图廓 范围 5.8层 5.4.3GB14804-93分类、编码原则5.9建立DTM的原理和方法 5.4.4编码方法 5.10地形图的绘制 5.4.5编码设计 5.11图形应用接口

CABOSFV_C是一种针对分类属性高维数据的高效聚类算法,该算法采用集合稀疏差异度进行距离计算,并采用稀疏特征向量实现数据压缩.该算法的聚类效果受集合稀疏差异度上限参数的影响,而该参数的选取没有明确的指导.针对该问题提出基于集合稀疏差异度的启发式分类属性数据层次聚类算法(heuristic hierarchical clustering algorithm of categorical data based on sparse feature dissimilarity,HABOS),该方法从聚结型层次聚类思想的角度出发,在聚类数上限参数的约束下,应用新的内部聚类有效性评价指标(clustering validation index based on sparse feature dissimilarity,CVISFD)进行启发式度量,从而实现对聚类层次的自动选取.UCI基准数据集的实验结果表明,HABOS有效地提高了聚类准确性和稳定性

工业监控系统所采集到的多元时间序列在利用数据挖掘技术获取内部存在的未知模式的过程中，经常会出现原始数据庞杂、分段结果重复、交集过多和界限不清晰等问题，导致含有突变变量或数据间相关性差的数据集进行模式挖掘结果不理想.针对上述问题，本文提出了一种新的多元时序模糊聚类分段挖掘算法.实验结果表明，该算法克服了Gath-Geva算法聚类精度易受初始值影响的不足，能够较好地反映出原始数据中潜在的过程变化，从而有效地处理时间序列的分段问题并得到理想的挖掘结果

一、了解GIS的数据采集方式 二、掌握地图数字化的方法、步骤 三、掌握地图数据的各种处理方法 四、理解属性数据编码的深刻含义 五、了解空间数据的压缩处理的方法及优缺点