基于微服务架构与DBN的服务器信号灯检测及应用研究
这是一篇关于服务器信号灯检测,图像特征值提取,深度置信网络,微服务架构的论文, 主要内容为当今社会,各个行业对软件系统的长时间稳定运行提出了较高的要求,机房的服务器作为软件系统运行的基础设施,在整个软件系统的运行控制及信息的存储和传输过程中具有极为重要的意义。为了保证软件的服务质量,后台服务器系统也必须具有强大的可靠性。如果外部环境如电力系统、网络系统等发生故障,或者服务器硬件老化失效,会使服务器运行中断,对整个软件系统的持续运行造成不良的影响,从而造成巨大的经济损失。因此对服务器的运行情况进行实时无间断的监控是十分必要的,及时准确地检测机房服务器的运行状态、发现异常故障并发出相应地警报信号,对后续的及时处理具有关键性的作用。服务器的健康状态是通过服务器前面板上的信号灯来反映的,一般情况下,绿灯表示正常状态、黄灯表示系统降级状态、红灯表示严重系统故障。早期服务器状态的监控工作是由人工定时巡查的方式进行的,这种方式不仅低效,而且很难保证反馈的及时性。后来出现了基于传感器网络的监控方式,但是这种方式要求较高的经济成本,而且需要在机房建设之初进行完备的规划。国内外一些学者在交通灯自动识别方面的研究可以应用到服务器的状态检测中来,其大体思路是提取信号交通灯的形态及HSV特征并结合一些深度学习算法进行,因为服务器信号灯没有明显的形状特征且体积较小,所以这种方式也有一定的不适用性。本文对服务器状态自动检测系统进行了深度研究。在算法方面,创新性地提出了一种信号灯图像的特征值提取算法,并结合深度置信网络(DBN)进行评估识别。之后将本文算法与相关算法进行了对比实验测试,证明了本文算法具有更高的识别率。在工程方面,使用工业相机采集的服务器前面板的实时视频作为数据源,同时采用微服务的架构理念,将整个业务划分为控制子系统、视频与图像采集子系统、分析子系统等模块单独开发,同时考虑了系统的可扩展性及性能的可伸缩性。最后对系统进行了充分的运行测试,得到了较为理想的效果。
面向网络不良信息的知识图谱构建方法研究
这是一篇关于知识抽取,知识图谱,知识存储,深度置信网络的论文, 主要内容为随着信息产业的发展,网络在给大家提供信息服务的同时也带来了一定的安全隐患。而现在的网络信息检测和过滤形式单一,无法满足信息产业发展的需要。而近年来知识图谱在信息检索中的高速发展为不良信息的检索和过滤带来了新的契机。所以本文提出了面向网络不良信息知识图谱构建方法的课题研究。本课题在现有的技术和算法基础上,进行面向网络不良信息的知识图谱的构建方法研究。本文的整体构建流程包含了数据的采集、知识的抽取和图谱的构建三部分的工作。在知识图谱构建的过程中所研究的主要内容如下:(1)研究了面向网络不良信息构建知识图谱的方法。基于现阶段知识图谱构建的发展现状结合本课题网络不良信息的数据源,总结出面向网络不良信息的知识图谱构建方法和步骤。在知识图谱的构建过程中使用自顶向下和自底向上相结合的方法。采用自顶向下的方式构建知识图谱的模式层(schema),而采用自底向上的方式构建知识图谱的数据层(data)。(2)研究基于深度置信网络的知识抽取算法。在非结构化文本的知识抽取阶段本文使用了基于深度置信网络的算法模型,该模型需要将词的特征向量和神经元节点等作为参数输入参数。所以需要先使用哈工大的语言云平台将语料进行了分词和词性标注处理,然后将处理后的语料使用Google的word2vec工具进行词特征向量提取。(3)实现知识图谱的构建和存储。本文针对网络不良信息进行了知识图谱的构建。文中通过采集中文维基百科、搜狗百科的实体分类结合相应的知识推理构建了知识图谱的模式层,而数据层的构建部分和数据采集时实体的分类信息密不可分。最后将融合好的数据信息录入到图数据库Neo4j之中。
基于微服务架构与DBN的服务器信号灯检测及应用研究
这是一篇关于服务器信号灯检测,图像特征值提取,深度置信网络,微服务架构的论文, 主要内容为当今社会,各个行业对软件系统的长时间稳定运行提出了较高的要求,机房的服务器作为软件系统运行的基础设施,在整个软件系统的运行控制及信息的存储和传输过程中具有极为重要的意义。为了保证软件的服务质量,后台服务器系统也必须具有强大的可靠性。如果外部环境如电力系统、网络系统等发生故障,或者服务器硬件老化失效,会使服务器运行中断,对整个软件系统的持续运行造成不良的影响,从而造成巨大的经济损失。因此对服务器的运行情况进行实时无间断的监控是十分必要的,及时准确地检测机房服务器的运行状态、发现异常故障并发出相应地警报信号,对后续的及时处理具有关键性的作用。服务器的健康状态是通过服务器前面板上的信号灯来反映的,一般情况下,绿灯表示正常状态、黄灯表示系统降级状态、红灯表示严重系统故障。早期服务器状态的监控工作是由人工定时巡查的方式进行的,这种方式不仅低效,而且很难保证反馈的及时性。后来出现了基于传感器网络的监控方式,但是这种方式要求较高的经济成本,而且需要在机房建设之初进行完备的规划。国内外一些学者在交通灯自动识别方面的研究可以应用到服务器的状态检测中来,其大体思路是提取信号交通灯的形态及HSV特征并结合一些深度学习算法进行,因为服务器信号灯没有明显的形状特征且体积较小,所以这种方式也有一定的不适用性。本文对服务器状态自动检测系统进行了深度研究。在算法方面,创新性地提出了一种信号灯图像的特征值提取算法,并结合深度置信网络(DBN)进行评估识别。之后将本文算法与相关算法进行了对比实验测试,证明了本文算法具有更高的识别率。在工程方面,使用工业相机采集的服务器前面板的实时视频作为数据源,同时采用微服务的架构理念,将整个业务划分为控制子系统、视频与图像采集子系统、分析子系统等模块单独开发,同时考虑了系统的可扩展性及性能的可伸缩性。最后对系统进行了充分的运行测试,得到了较为理想的效果。
面向网络不良信息的知识图谱构建方法研究
这是一篇关于知识抽取,知识图谱,知识存储,深度置信网络的论文, 主要内容为随着信息产业的发展,网络在给大家提供信息服务的同时也带来了一定的安全隐患。而现在的网络信息检测和过滤形式单一,无法满足信息产业发展的需要。而近年来知识图谱在信息检索中的高速发展为不良信息的检索和过滤带来了新的契机。所以本文提出了面向网络不良信息知识图谱构建方法的课题研究。本课题在现有的技术和算法基础上,进行面向网络不良信息的知识图谱的构建方法研究。本文的整体构建流程包含了数据的采集、知识的抽取和图谱的构建三部分的工作。在知识图谱构建的过程中所研究的主要内容如下:(1)研究了面向网络不良信息构建知识图谱的方法。基于现阶段知识图谱构建的发展现状结合本课题网络不良信息的数据源,总结出面向网络不良信息的知识图谱构建方法和步骤。在知识图谱的构建过程中使用自顶向下和自底向上相结合的方法。采用自顶向下的方式构建知识图谱的模式层(schema),而采用自底向上的方式构建知识图谱的数据层(data)。(2)研究基于深度置信网络的知识抽取算法。在非结构化文本的知识抽取阶段本文使用了基于深度置信网络的算法模型,该模型需要将词的特征向量和神经元节点等作为参数输入参数。所以需要先使用哈工大的语言云平台将语料进行了分词和词性标注处理,然后将处理后的语料使用Google的word2vec工具进行词特征向量提取。(3)实现知识图谱的构建和存储。本文针对网络不良信息进行了知识图谱的构建。文中通过采集中文维基百科、搜狗百科的实体分类结合相应的知识推理构建了知识图谱的模式层,而数据层的构建部分和数据采集时实体的分类信息密不可分。最后将融合好的数据信息录入到图数据库Neo4j之中。
舞台机械设备云监控系统的研究与开发
这是一篇关于舞台机械设备,云监控,物联网网关,故障诊断,深度置信网络的论文, 主要内容为在这个我国已全面建成小康社会,物质相对富足的时代,人们更加追求精神上的喜悦,剧院舞台作为文化消费场所,其发展也日新月异。舞台机械作为剧院的重要组成,在日益精密的同时,管理维护也越来越复杂。舞台技术公司需要进行售后服务的机械设备往往遍布全国各地,如何使专业工程师可以对各地的舞台机械设备进行远程监控、远程诊断,以便现场运维,是当前舞台行业面临的问题之一。基于以上问题,本课题对某剧院舞台机械设备配置情况和西门子PLC为主控的本地控制系统进行分析,结合某舞台技术公司对远程监控系统的具体要求,在明确云监控系统要实现的功能与要达到的性能指标后,完成了舞台机械设备云监控系统的设计与开发。主要工作内容如下:首先,对于主控PLC中舞台机械设备状态数据的读取问题,本课题放弃了传统的使用本地计算机的读取方式,设计了一款基于物联网网关技术的舞台数据终端。终端使用S7协议作为读取PLC数据的主要手段,方案的优点在于PLC端无需编写程序只进行简单的设置即可实现通讯,便于舞台数据终端的部署。终端使用Qt进行开发,还实现了 Modbus RTU通讯、数据处理、数据存储、数据上传服务器与人机交互界面等功能。其次,本课题选择基于阿里云服务器搭建云监控平台,在云服务器中部署云通讯服务器程序与舞台数据终端进行通讯,将舞台数据终端传输的数据存储到云服务器中的MySq1数据库。在此基础上,依托Visual Studio集成开发环境开发一套ASP.NET Web应用程序作为与用户交互的云客户端,实现了使用浏览器对舞台机械设备运行状态的集中管理与随时查看功能。然后,在实现了舞台机械设备云监控系统的基本功能后,选择舞台吊杆机作为舞台机械的代表设备,探究如何使用上传到云监控平台的设备状态数据,实现舞台机械设备云端故障诊断。经过对舞台吊杆机故障类型与现有故障诊断算法的研究后,搭建并训练了基于深度置信网络的舞台吊杆故障诊断模型,并与基于其他算法的故障诊断模型进行对比验证来检验模型的优越性。最后将模型部署到云监控平台,实现了舞台吊杆机的云端故障诊断功能,完成了对舞台机械设备云端故障诊断功能实现方法的探究。最后,对舞台数据终端与云监控平台的功能与性能进行测试,测试结果表明,系统各项功能均已实现且性能满足需求,满足舞台机械设备云监控的需求。
基于深度学习的转炉煤气产消流量预测与应用
这是一篇关于转炉煤气系统,动态时间弯曲,深度置信网络,误差反馈,注意力机制的论文, 主要内容为转炉煤气是炼钢环节产生的重要副产煤气,其合理有效的回收和利用对于企业节能减排,降本增效具有重要的意义。针对转炉煤气在发生与消耗过程中的不同数据特征,本文建立了一系列基于深度学习的产消预测模型,具体的内容如下:针对具有间歇性特征的转炉煤气发生流量,为确定转炉间歇回收的工况类型,提出了一种改进K均值聚类算法,融合动态时间弯曲相似性算法划分炼钢环节的工况特征。结合炼钢的实时生产计划,构建了基于误差反馈的DBN-DNN模型,预测转炉煤气发生流量的起始时刻。为把握整体的炼钢节奏,设计了针对发生流量预测结果与实际值的重合量与冗余量评价指标,通过机理与数据融合的方式能有效地预测转炉煤气未来发生流量的趋势。针对不同数据特征的消耗流量,将煤气消耗用户分为调节用户与非调节用户分别建立预测模型。对于过程平稳的调节用户,采用近邻历史数据均值法预测未来多步流量趋势;对于非线性、波动明显的非调节用户,为避免多步预测迭代过程导致的误差累积,提出了一种基于双重注意力机制的编解码器多步预测算法,通过自注意力机制提取输入多步数据的时序特征,基于门控循环神经网络的编解码器结合注意力机制的空间特征聚焦,构成序列到序列的预测模型。为验证所提方法的有效性,采用国内某大型钢铁企业的转炉煤气系统产消流量实际数据进行了实验验证,并结合现场实际的业务需求,开发了B/S架构的转炉煤气综合预测软件系统,为现场操作人员的平衡调度工作提供了依据。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/48269.html
