一种基于DPDK的天文数据采集和实时处理方法

    公开(公告)号:CN108900327B

    公开(公告)日:2021-06-18

    申请号:CN201810632883.6

    申请日:2018-06-20

    摘要: 本发明涉及一种基于DPDK的天文数据采集和实时处理方法,属于网络数据包处理领域。本发明包括的简要步骤是:构建DPDK运行环境;创建内存池;从环形缓冲中读取数据帧,并对帧头部解析及构造响应报文;UDP数据包进行合法校验,提取报文中数据部分;将提取的数据放在第二个环形缓冲区;CUDA程序从环形缓冲区读取数据并实时处理。本发明充分利用DPDK在处理高速IO情况下相较传统的基于内核TCP/IP协议栈的性能优势,通过无锁环形缓冲队列,在用户态下对TCP/IP协议栈做了部分实现,实现了在万兆网络环境下的数据包无丢失接收,相比基于传统协议栈的数据包接收有极大的性能提升。

    基于ZeroMQ的多机分布式计算的通信框架设计方法

    公开(公告)号:CN108696578A

    公开(公告)日:2018-10-23

    申请号:CN201810383005.5

    申请日:2018-04-26

    IPC分类号: H04L29/08 H04L29/06 H04L12/26

    摘要: 本发明涉及一种基于ZeroMQ的多机分布式计算的通信框架设计方法,属于分布式计算系统领域。本发明的步骤是:第一步测试分析ZeroMQ官方单机多线程MT分布式计算模型,再基于MT模型设计不同地理位置的多机分布式计算框架模型,并针对网络变化进行动态调整,再加入负载均衡关键技术;第二步再在该多机模型的基础上,用消息中间件技术ZeroMQ实现该框架模型中各个节点之间的数据传输技术;之后在同一局域网中5台服务器上测试运行,最终实现基于ZeroMQ的多机分布式计算中通信框架的技术创新。本发明实现一个在多个服务器和多个客户端上运行的分布式计算通讯框架,并能包含数据冗余及负载均衡等相关功能。

    一种基于统计和多高斯的日面亮度分析方法

    公开(公告)号:CN109300108B

    公开(公告)日:2021-06-18

    申请号:CN201810843287.2

    申请日:2018-07-27

    IPC分类号: G06T7/00 G06T7/41

    摘要: 本发明涉及一种基于统计和多高斯的日面亮度分析方法,属天文技术和图像处理计算领域。本发明首先在一定组数下对MUSER原始脏图进行线性转换;接着对转换结果进行单高斯的最小二乘拟合,得到第一个高斯分布的均值μ1及标准差δ1;然后根据三倍标准差原则,把介于(μ1‑3δ1,μ1+3δ1)之间的数据全部剔除;接着对剩余数据进行单高斯的最小二乘拟合,得到第二个高斯分布的均值μ2及标准差δ2;最后根据原始脏图中的最大值、最小值、组数、两个均值μ1和μ2计算得到日面和背景的可能亮度值。本发明将线性转换、最小二乘法结合在一起,分析出MUSER原始脏图中日面和背景的可能亮度值,具备较高的扩展性与普适性。

    一种基于统计和多高斯的日面亮度分析方法

    公开(公告)号:CN109300108A

    公开(公告)日:2019-02-01

    申请号:CN201810843287.2

    申请日:2018-07-27

    IPC分类号: G06T7/00 G06T7/41

    摘要: 本发明涉及一种基于统计和多高斯的日面亮度分析方法,属天文技术和图像处理计算领域。本发明首先在一定组数下对MUSER原始脏图进行线性转换;接着对转换结果进行单高斯的最小二乘拟合,得到第一个高斯分布的均值μ1及标准差δ1;然后根据三倍标准差原则,把介于(μ1-3δ1,μ1+3δ1)之间的数据全部剔除;接着对剩余数据进行单高斯的最小二乘拟合,得到第二个高斯分布的均值μ2及标准差δ2;最后根据原始脏图中的最大值、最小值、组数、两个均值μ1和μ2计算得到日面和背景的可能亮度值。本发明将线性转换、最小二乘法结合在一起,分析出MUSER原始脏图中日面和背景的可能亮度值,具备较高的扩展性与普适性。

    运用L1范数及余弦定理在均匀分布中求最优值的方法

    公开(公告)号:CN108256008A

    公开(公告)日:2018-07-06

    申请号:CN201810004863.4

    申请日:2018-01-03

    IPC分类号: G06F17/30

    CPC分类号: G06F16/35

    摘要: 本发明涉及一种运用L1范数及余弦定理在均匀分布中求最优值的方法,属于机器学习中聚类分析技术领域。本发明包括首先对呈现均匀分布的样本数据设定K‑Means聚类算法中要搜索其最佳聚类K值的范围[Kn,Km];第二步计算搜索范围内的Km‑Kn+1个均匀分布的聚类数据对应的平均的畸变程度;最后对计算得到的Km‑Kn+1个平均畸变程度数据运用L1范数规范化处理以及进行余弦定理改进的肘部法则(Elbow Method)从而从呈现均匀分布的数据中求出最优聚类K值。本发明可以使得到的最优K值更具有客观性。

    一种基于注意力机制的卷积长短期网络的学生成绩预测方法

    公开(公告)号:CN116306785A

    公开(公告)日:2023-06-23

    申请号:CN202310299723.5

    申请日:2023-03-25

    摘要: 本发明涉及一种基于注意力机制的卷积长短期网络的学生成绩预测方法,利用学生的先修课程成绩来预测专业课成绩,能应用于在专业课程开始前进行预警。本发明将获取的先修课程成绩数据输入到卷积长短期记忆网络层进行特征学习;将学习到的序列特征输入到注意力机制层,对不同的先修课程成绩特征分配不同的权重;将学习到的序列特征与注意力机制生成的权重送入到合并层进行特征合并;将合并的特征送入两个全连接网络层,进行分类,最后的输出即为预测结果;本发明的长短期记忆网络是能处理时间序列数据的预测网络,同时新加入的卷积层能更好的提取先修课程的特征,最后的注意力机制能够给不同的先修课程分配不同的权重来影响最终的预测结果。

    一种基于DPDK的天文数据采集和实时处理方法

    公开(公告)号:CN108900327A

    公开(公告)日:2018-11-27

    申请号:CN201810632883.6

    申请日:2018-06-20

    摘要: 本发明涉及一种基于DPDK的天文数据采集和实时处理方法,属于网络数据包处理领域。本发明包括的简要步骤是:构建DPDK运行环境;创建内存池;从环形缓冲中读取数据帧,并对帧头部解析及构造响应报文;UDP数据包进行合法校验,提取报文中数据部分;将提取的数据放在第二个环形缓冲区;CUDA程序从环形缓冲区读取数据并实时处理。本发明充分利用DPDK在处理高速IO情况下相较传统的基于内核TCP/IP协议栈的性能优势,通过无锁环形缓冲队列,在用户态下对TCP/IP协议栈做了部分实现,实现了在万兆网络环境下的数据包无丢失接收,相比基于传统协议栈的数据包接收有极大的性能提升。

    一种具有非接触式充电和通信转接功能的载车托盘

    公开(公告)号:CN108661390A

    公开(公告)日:2018-10-16

    申请号:CN201810347899.2

    申请日:2018-04-18

    IPC分类号: E04H6/42 B60L11/18

    摘要: 本发明涉及一种具有非接触式充电及通信转接功能的载车托盘。本发明通过一种非接触式充电的载车托盘,实现电动汽车的充电接口与充电桩之间的自动对接,可用于具备充电功能的自动化立体停车库。在载车托盘的底部还设置有用于身份识别的RFID单元;在自动搬运设备的作用下,导向块可与地面泊位上对应安装的充电板实现无缝对接;在载车托盘的一端安装有无线通信模块和功率拾取控制单元,功率拾取控制单元用于将拾取线圈输出的交流电转换成直流电,并输出到车载动力电池中,还可用于向标准直流插头提供低压辅助电源,无线通信模块将连接状态与电池的状态信息发送至地面充电桩,实现充电桩与电动汽车管理系统之间的无线通信。

    一种基于多模态深度学习的农作物病虫害检测方法及系统

    公开(公告)号:CN118258769A

    公开(公告)日:2024-06-28

    申请号:CN202410352657.8

    申请日:2024-03-26

    摘要: 本发明公开了一种基于多模态深度学习的农作物病虫害检测方法及系统,所述方法包括:利用经过最优路线规划的无人机搭载RGB相机和多光谱相机获取监测图像数据;通过物联网传感器组成环境监测网络获取农作物环境参数数据;构建多模态农业病虫害知识图谱;确定健康评价体系及其权重,计算健康评价指数;得到改进的多模态农作物健康状态深度学习检测模型;将所述监测图像数据和环境参数数据进行异构数据融合并进行联合优化,输入所述多模态农作物健康状态深度学习检测模型,得到目标检测结果;输出所述目标检测结果,通过网页端构建的农作物健康指示平台对农作物的病虫害区域与健康状况进行可视化展示。

    一种自动识别肘部法则中最优K值的方法

    公开(公告)号:CN107886124A

    公开(公告)日:2018-04-06

    申请号:CN201711090620.9

    申请日:2017-11-08

    IPC分类号: G06K9/62

    CPC分类号: G06K9/6223

    摘要: 本发明涉及一种自动识别肘部法则中最优K值的方法,属于机器学习中无监督聚类学习技术领域。本发明包括步骤:设定K-means聚类算法中要查找最优K值的范围[1,M];计算设定范围聚类数对应的平均畸变程度;对计算得到的平均畸变程度进行0-10的规则化转换;将0-10规则化后的平均畸变程度与范围[1,M]封装成数据对;利用余弦定理求上述封装成的连续三个数据对之间的夹角;找出最小的夹角;利用最小的夹角得到最优的K值。本发明在K-means及肘部法则的基础上,通过对肘部法则得到的平均畸变程度做0-10规则化及利用余弦定理对其进行进一步的计算最终得到指定范围内的最优K值。