-
公开(公告)号：CN105954737A
公开(公告)日：2016-09-21
申请号：CN201610475582.8
申请日：2016-06-24
Applicant: 北京系统工程研究所
IPC: G01S11/02
Abstract: 本发明提供一种应用于跳频测距中的频率排布方法及其装置，其包括，步骤一、从发射端的所有可用子载波中筛选能够被接收端识别的所述可用子载波作为有效子载波；步骤二、将所述有效子载波的频率值按照预定规则排布成时间频率矩阵；其中，所述预定规则为：以所述有效子载波中最小频率值的作为所述时间频率矩阵中每行的第一个频率值，且每行的相邻的所述有效子载波相互不干扰。本发明有效规避同一个跳频时隙内两个频率不能相距太近的问题，具有更高的测距精度和更大的测距范围。
-
公开(公告)号：CN105373432A
公开(公告)日：2016-03-02
申请号：CN201510753593.3
申请日：2015-11-06
Applicant: 北京系统工程研究所
Abstract: 本发明涉及一种基于虚拟资源状态预测的云计算资源调度方法，涉及云计算虚拟资源监测配置领域，解决了虚拟资源形式多样，难以形式化的问题、如果在量化的虚拟资源基础上对虚拟资源的状态进行预测的问题以及如何根据预测结果对云计算虚拟资源进行配置的问题，所述方法包括：根据云计算虚拟资源的网络度量差构建云计算虚拟资源形式化模型；结合马尔科夫链预测原理对云计算虚拟机的云计算虚拟资源下一时刻的状态进行预测；根据执行运算任务的重要程度，确定虚拟机的优先级；根据所述虚拟机的优先级和虚拟机的云计算虚拟资源下一刻的状态以及云环境的资源池对虚拟机进行资源分配。
-
公开(公告)号：CN104462184A
公开(公告)日：2015-03-25
申请号：CN201410535911.4
申请日：2014-10-13
Applicant: 北京系统工程研究所
IPC: G06F17/30
Abstract: 本发明提供一种基于双向抽样组合的大规模数据异常识别方法，包括以下步骤：对样本数据集进行横向抽样，得到子样本数据集；对子样本数据集进行属性抽样，得到条带数据集；对条带数据集进行异常程度打分；重复执行上述步骤；组合异常程度分数，并计算异常程度分数的期望值。本发明通过双向抽样方法，既解决了样本量大时间复杂度高，又解决了维灾难的问题；利用抽样方法将数据集进行切分，提高了本发明方法的扩展性。
-
公开(公告)号：CN105373432B
公开(公告)日：2019-05-14
申请号：CN201510753593.3
申请日：2015-11-06
Applicant: 北京系统工程研究所
Abstract: 本发明涉及一种基于虚拟资源状态预测的云计算资源调度方法，涉及云计算虚拟资源监测配置领域，解决了虚拟资源形式多样，难以形式化的问题、如果在量化的虚拟资源基础上对虚拟资源的状态进行预测的问题以及如何根据预测结果对云计算虚拟资源进行配置的问题，所述方法包括：根据云计算虚拟资源的网络度量差构建云计算虚拟资源形式化模型；结合马尔科夫链预测原理对云计算虚拟机的云计算虚拟资源下一时刻的状态进行预测；根据执行运算任务的重要程度，确定虚拟机的优先级；根据所述虚拟机的优先级和虚拟机的云计算虚拟资源下一刻的状态以及云环境的资源池对虚拟机进行资源分配。
-
Patent Agency Ranking
公开(公告)号：CN104462184B
公开(公告)日：2018-04-10
申请号：CN201410535911.4
申请日：2014-10-13
Applicant: 北京系统工程研究所
IPC: G06F17/30
Abstract: 本发明提供一种基于双向抽样组合的大规模数据异常识别方法，包括以下步骤：对样本数据集进行横向抽样，得到子样本数据集；对子样本数据集进行属性抽样，得到条带数据集；对条带数据集进行异常程度打分；重复执行上述步骤；组合异常程度分数，并计算异常程度分数的期望值。本发明通过双向抽样方法，既解决了样本量大时间复杂度高，又解决了维灾难的问题；利用抽样方法将数据集进行切分，提高了本发明方法的扩展性。
-
公开(公告)号：CN104504233B
公开(公告)日：2017-06-06
申请号：CN201410646085.0
申请日：2014-11-14
Applicant: 北京系统工程研究所
IPC: G06F19/00
Abstract: 本发明提供了一种基于多维向量熵随机采样的异常识别方法，该方法包括以下步骤：I、从样本空间Ω中样本点选取采样点，生成子样本空间ω；II、确定所述样本点的多维向量熵；III、重复上述步骤，确定所述样本点多维向量熵的融合结果；IV、确定所述样本点的异常程度；V、确定异常点。该方法通过融合随机采样的样本点，解决大规模数据中的异常识别面临的样本量大、维度高等问题，该方法不仅能降低异常识别的时间复杂度，提高识别效果的准确性，还具有较强的扩展性。
-
公开(公告)号：CN104156418A
公开(公告)日：2014-11-19
申请号：CN201410377347.8
申请日：2014-08-01
Applicant: 北京系统工程研究所
IPC: G06F17/30
CPC classification number: G06F17/30864 , G06K9/6218
Abstract: 本发明公开了一种基于知识重用的演化聚类方法，其通过截取t时刻和以时间窗口长度为限制的有限个历史时刻的数据，应用任一静态聚类方法对数据进行聚类分析，并将聚类结果生成离散化0-1矩阵，之后按时间衰减加权离散化0-1矩阵获得加权0-1矩阵，最后用静态聚类方法对加权0-1矩阵进行静态聚类分析，获得t时刻的演化聚类结果。本发明是通过融合历史时刻的多时间截面静态聚类结果，形成知识积累；从短期来看，可以消除数据噪音提高聚类准确率，从长期来看，可以防止数据扰动保持聚类的稳定性。
-
公开(公告)号：CN104156418B
公开(公告)日：2015-09-30
申请号：CN201410377347.8
申请日：2014-08-01
Applicant: 北京系统工程研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于知识重用的演化聚类方法，其通过截取t时刻和以时间窗口长度为限制的有限个历史时刻的数据，应用任一静态聚类方法对数据进行聚类分析，并将聚类结果生成离散化0-1矩阵，之后按时间衰减加权离散化0-1矩阵获得加权0-1矩阵，最后用静态聚类方法对加权0-1矩阵进行静态聚类分析，获得t时刻的演化聚类结果。本发明是通过融合历史时刻的多时间截面静态聚类结果，形成知识积累；从短期来看，可以消除数据噪音提高聚类准确率，从长期来看，可以防止数据扰动保持聚类的稳定性。
-
公开(公告)号：CN104504233A
公开(公告)日：2015-04-08
申请号：CN201410646085.0
申请日：2014-11-14
Applicant: 北京系统工程研究所
IPC: G06F19/00
Abstract: 本发明提供了一种基于多维向量熵随机采样的异常识别方法，该方法包括以下步骤：I、从样本空间Ω中样本点选取采样点，生成子样本空间ω；II、确定所述样本点的多维向量熵；III、重复上述步骤，确定所述样本点多维向量熵的融合结果；IV、确定所述样本点的异常程度；V、确定异常点。该方法通过融合随机采样的样本点，解决大规模数据中的异常识别面临的样本量大、维度高等问题，该方法不仅能降低异常识别的时间复杂度，提高识别效果的准确性，还具有较强的扩展性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.022 seconds)
