【摘 要】
:
虚拟数据库(VDB)数据的集成和访问问题是虚拟数据库系统中的关键性问题之一。该文介绍虚拟数据库系统的逻辑结构,给出了虚拟数据库技术在传输网管应用中的系统层次设计方法,并提出了具体的解决方案。通过在高速局域网上的微型计算机模拟实验,证明了文中所提出的虚拟数据库层次架构能解决传输网管应用中遇到的问题。
【出 处】
:
全国第20届计算机技术与应用(CACIS)学术会议
论文部分内容阅读
虚拟数据库(VDB)数据的集成和访问问题是虚拟数据库系统中的关键性问题之一。该文介绍虚拟数据库系统的逻辑结构,给出了虚拟数据库技术在传输网管应用中的系统层次设计方法,并提出了具体的解决方案。通过在高速局域网上的微型计算机模拟实验,证明了文中所提出的虚拟数据库层次架构能解决传输网管应用中遇到的问题。
其他文献
本文研究了多信号源、多传感器测试系统的基本理论,分析了基于多传感器数据融合卷积分离系统的框架结构。采用限值交叉残余误差检验控制准则的信号分离方法,并针对机械振动信号的特点生成仿真信号,将该方法应用于机械振动信号瞬态成分的提取中,仿真试验结果表明了该算法的有效性。
P2P系统是当前流行使用的网络模型,Gnutella和Freenet分别是P2P非结构化模型、文件存储协议的典范。本文对它们从文件存储方法,查询文件方式、用户匿名程度等三个方面进行深入对比研究。使用适合分布式网络仿真的新型仿真工具OMNeT++为仿真平台,建立仿真模型,分别从查询响应时间、查询成功率、查询返回数三个方面对Cnutella和Freenet进行仿真实验,实验结果表明,OMNeT++网络
在散货船代货运系统使用的过程中,动态业务数据的处理及实时分析有助于决策者制定有效的策略。航线是船代公司考虑成本时着重考虑的因素,航线的繁忙程度对船代公司的资源分配和经营策略的制定十分重要。K-means算法是解决聚类问题的一种经典算法,本文在对K-means算法进行研究的基础上,结合已有的K—means改进算法,提出一种混合的K-means改进算法,并将其应用于在散货船代货运系统中的航线繁忙度分析
给出了采用规则化描述方法设计的离散事件控制系统中,将规则转换为较为简单的规范化形式—Horn子句形式的方法,提出了将采用逻辑规则描述语言编写的规则组中的else语句转换为Horn子句形式的方法,使得规则的形式单一化、规范化,从而减少对规则进行处理的复杂性。
摄像机的标定对于计算机视觉中的许多应用来说具有非常重要的意义。本文提出一种标定针孔摄像机内外参数的新方法。文章首先根据已知空间某平面上的平行四边形的空间几何关系,计算出各个顶点的相对深度比,得到各点在摄像机坐标系下坐标的解析表达,最后利用四边形几何性质,列方程求解出摄像机参数和各点的相对深度,从而完成了标定。该方法不仅可以线性的确定摄像机坐标系与世界坐标系之间的旋转和平移矩阵,还可以同时确定摄像机
分析比较了不同层次的数据融合的特点与方法。提出利用数据融合技术修正数字高程模型的错误信息的思路与方法,并对该方法进行了实验检验。
本文以分布式交互通信对抗仿真系统为背景,构建了作战行动和伤亡间的反馈,在Lanchester作战方程中加入基本的行为尺度,将传统Lanchester方程作战损耗模型改进为基于Lanchester方程的自适应动态作战损耗模型以分析动态损耗因素对红兰双方作战行动的影响。该模型相对于传统模型易于理解作战评估方所作出的基于增量调整来控制参数的结果的变化,能够更加真实模拟在未来战争中的复杂电磁环境下面对强敌
随着计算机应用领域的不断拓展和深入,应用传统的数学建模方法求解问题难度越来越大。应用计算机仿真技术针对复杂系统建立仿真模型,已成为研究复杂系统求解的有效方法。在应用计算机仿真技术研究分析问题的过程中,仿真实验是仿真建模的最终目的,仿真结果的输出分析是其中最为重要和关键的环节。本文通过停车场管理系统的计算机仿真模型的应用,说明了仿真实验的关键技术,并通过配对实验模型较为系统地分析了仿真模型的输出结果
混合属性数据集是现实世界中最普遍的数据集类型,但适用于这类数据集的聚类算法极少。K-prototypes是日前处理混合数据集的主要聚类算法,但其聚类结果对初值有明显的依赖性。本文基于分治融合的方法体系,针对混合属性数据集的特点,提出了一种改进的聚类算法。经实验比较证明,该算法减轻了对于初值的依赖性,并在稳定性上有了一定的提高。
文件系统的可靠性越来越被人们所重视,本文从增强文件系统的可靠性出发,针对现代多数文件系统所采取的Checksum数据校验技术进行了研究。通过考察和分析各种文件系统Checksum数据校验技术的实施方法和所存在的问题改进了Checksum技术的实施方案,进一步提高了文件系统的可靠性和文件系统的效率,提出了基于Block级别和Page级别Checksum技术的具体实施方法。文章的最后总结了在实施Che