一、服务器及存储趋势预测（论文文献综述）
张维庭[1]（2021）在《数据驱动工业互联网资源适配与隐私保护方法研究》文中指出数据及其全周期处理是工业智能化的核心要素,对于驱动工业互联网的应用部署发挥着至关重要的作用。然而,当前工业互联网在数据建模、数据驱动资源适配以及数据隐私保护方面仍面临诸多挑战。首先,传统数据分析方法灵活度低,难以满足多样化工业应用对海量数据实时、智能分析的需求。其次,传统静态、粗粒度的资源管理方式,使网络难以协同适配工业场景中的多维（频谱、缓存和计算）资源。最后,中心化的模型训练方法存在数据隐私泄露、保密性低等问题,难以兼顾数据共享与隐私保护的双重需求。近年来,工业互联网产业联盟提出了《工业互联网体系架构（版本2.0）》,旨在构建以“数据”、“网络”和“安全”为典型特征的新型互联网功能结构,为有效解决上述问题提供了新的技术路线。因此,本文基于工业互联网体系架构2.0的设计理念,针对数据驱动工业场景中的关键问题,围绕数据建模、资源适配以及隐私保护三方面展开研究。主要工作和创新点如下:1.针对工业互联网数据建模问题,提出一种基于深度学习的“端-云”协同数据建模方法。首先,针对真实场景中的高铁智能洗车装备,设计“端-云”协同的数据采集系统,形成支撑服务模型充分训练的大规模数据集。其次,建立基于自注意力深度神经网络（Deep Neural Network,DNN）的智能服务模型,通过注意力权值来表征工业运维数据中的全局依赖关系,从而为设备运维检修提供智能化的决策服务。然后,通过采用离线训练和在线推理的方式,使服务模型具备制定运维决策的能力,进而完成工业设备运行状态的即时、精准感知。最后,搭建原型系统平台,并在真实场景数据集上对所建立的模型进行性能测试。结果表明,该模型实现了较高的运维决策准确率,进而验证了所提方法的可行性和有效性。2.针对工业互联网资源适配问题,提出一种基于强化学习的多维资源动态适配方法。首先,设计了一种“端-边-云”协同的网络架构,可以在资源受限的工业场景中灵活支持服务模型部署和推理任务调度。其次,为保障工业场景中低时延、高准确率的DNN推理服务,针对频谱、缓存和计算资源进行系统建模,形成以最大化推理准确率为目标的多维资源优化问题。然后,将该问题转化为马尔可夫决策过程,并提出基于孪生延迟深度确定性策略梯度的资源适配算法,实现优化问题的高效求解。最后,通过仿真实验对所提算法的收敛性能、任务调度成功率以及缓存资源利用率进行评估。结果表明,相较于深度确定性策略梯度算法,所提算法在提升任务调度成功率和边缘缓存资源利用率方面均具有一定优势。3.针对工业互联网数据隐私保护问题,提出一种基于联邦学习的高效数据隐私保护方法。首先,设计了一种“多边”协同的层级联邦学习机制,通过多个边缘服务器与端节点、云服务器的交互协作,来完成DNN模型的参数迭代,进而有效满足端节点数据隐私保护需求。其次,为保障联邦学习机制的高效运行,建立分布式训练的时延和能耗数学模型,形成以最小化评估损失为目标的随机优化问题。然后,考虑到多个边缘控制器之间的信息不透明性,将所形成的问题转化为部分可观马尔可夫决策过程,并提出基于多智能体柔性策略梯度的资源适配算法来求解该问题。最后,搭建原型系统并进行实验评估。结果表明,所提方法能够在满足端节点数据隐私保护需求的同时,有效降低能量消耗、节省时间开销。
唐宁[2]（2021）在《边缘计算的物联网任务处理策略研究》文中指出5G网络对任务提出了更低时延的要求,使得原有网络架构不能胜任。移动边缘计算（MEC）被提出并认为是解决网络时延要求的一种可行架构,该架构将计算资源布置在基站侧,相比于云计算,该架构实现更近服务,满足终端对计算资源的需求。热门资源的缓存是降低通信数据冗余的一类思想,在MEC中引入缓存可以将用户需要上传的资源提前预置,从而降低任务上传成本,进一步提高网络性能。终端将自身计算任务卸载至MEC服务器中,在自身资源受限的情况下可以降低任务时延,节约终端能耗。在现实的网络中,计算通信等资源往往会被多个任务同时请求,如何选择卸载策略和资源分配策略对于整个网络性能有着关键影响。MEC中引入的缓存大小受限,不同的缓存方案带来的系统成本下降有着显着差异。因此论文主要研究如下。针对单一无缓存MEC服务器覆盖范围下多用户同时请求任务所带来的资源分配问题提出一种卸载策略和资源分配方案。该场景下MEC服务器不仅被新的任务所请求,同时自身旧的任务还在计算。任务的系统成本由时延和能耗加权求和,每个任务的时延能耗权重各不相同。考虑将服务器中已运行任务占用的资源纳入优化范围,降低整个系统的成本。卸载策略包含新任务的上传与否及分配的资源,以及已运行的任务是否暂停以空置出部分资源。该问题的目标函数为NP问题,为解决该问题,论文中运用改进的鲸鱼算法将其优化,仿真结果显示,所提出的策略可明显降低系统的成本。针对缓存增强的MEC场景,为发挥缓存增强的MEC服务器的优势,需要合理地将用户资源提前预置在基站侧。每个任务本身都有流行度和空间大小以及所需计算量三个基本属性,缓存的优化目标是提升命中率和命中本身带来的收益。网络中缓存方案的确定和计算任务的发起可以分为两个动作,在求解该场景下成本优化函数时也将其分拆为缓存方案设计和计算任务优化两个步骤。首先将缓存方案转化为背包问题,利用动态规划进行递归获得存储方案,之后在该存储方案的基础上利用鲸鱼算法优化计算任务,使其成本最低。仿真结果显示,在通信计算资源使用相同优化方案条件下,合理的缓存放置策略能将缓存带来的效益最大化。无缓存下使用优化方案和有缓存下随机分配资源所带来的算法收益和硬件收益比较,在不同参数下优势会发生变化。在前两部分研究的基础上,将问题拓展到多MEC协作缓存与计算的场景,该场景中每个基站均有一定的计算和存储资源,不同小区内的用户密度不同。多个MEC协作缓存和计算资源,共同服务所有用户。本章中将问题分解为缓存放置、卸载策略和资源分配,设计了综合考虑文件流行度和丰富度的贪婪算法来解决存储问题,运用粒子群算法优化卸载决策与资源分配。仿真证明了算法的有效性和协作带来的增益。
张宇明[3]（2021）在《面向边缘计算的智慧标识网络资源协同与适配机制研究》文中研究表明随着网络设备数量与流量规模的持续增长,边缘计算已成为当今网络环境下提升服务质量、增强用户体验的关键技术。然而,传统网络技术“静态、僵化”的原始设计弊端,导致其在跨网资源利用、差异化服务保障等方面的能力不足,进而难以为边缘计算提供高效的支撑。为此,设计基于新型网络架构与技术的边缘计算网络已成为国内外相关研究领域的共识。智慧标识网络作为新型网络架构的一种,在资源适配、网络管控等方面具有显着优势,为边缘计算的高效运行提供了良好的架构基础。为此,本文依托于智慧标识网络的设计理念,就网络资源的协同与适配开展研究,重点解决边缘计算所面临的任务卸载性能评估、传输与存储资源协同、差异化服务资源提供等问题。本文的主要工作和创新点如下:（1）针对终端设备与边缘服务器之间的任务卸载问题,设计了基于智慧标识网络的管控框架,构建了基于端-边协同的任务卸载性能评估模型。首先,将任务卸载问题描述为一个多队列系统;随后,使用马尔可夫链对两种卸载策略（本地优先策略和基于概率的策略）进行分析,并推导出任务平均响应时间与系统平均能耗的闭式解;在此基础上,构建了一个基于优化的资源适配方法,同时考虑终端需求、计算资源与传输资源;最后,实验结果显示,所提评估模型能够准确反映卸载策略的性能,所提资源适配方法可以动态调整资源的适配策略,满足不同终端的需求。（2）针对边缘网络之间的传输资源协同问题,设计了基于智慧标识网络的传输组件功能模型,提出了基于随机优化的边缘资源协同传输调度机制。首先,使用队列调度模型对基于资源协同的传输调度问题进行描述,并构建了一个随机优化问题;随后,将上述问题进行转化和分解,提出了一种低复杂度的控制算法,可以实现基于即时网络状态的传输策略制定;最后,通过仿真实验,验证了所提算法能够在不损失吞吐量的前提下,有效降低数据包的队列等待时间。（3）针对边缘网络之间的存储资源协作问题,设计了基于智慧标识网络的缓存组件功能模型,提出了基于多代理强化学习的边缘协作缓存方法。首先,构建了协作缓存的优化问题,并证明该问题是NP-hard;随后,将强化学习与所提缓存组件相结合,设计了一个协作缓存框架;在此基础上,提出了一种基于多代理强化学习的协作缓存算法,并将其输出定义为低复杂度的缓存策略,在降低学习模型复杂度的同时,为每个缓存节点提供一定的性能保障;最后,通过仿真实验,验证了所提算法能够从全局的角度出发,牺牲单个节点的本地命中率,提升整体的命中率。（4）针对边缘服务器与云服务器之间的任务卸载和服务资源适配问题,设计了基于智慧标识网络的资源适配框架,提出了基于服务功能切换的云-边资源协同适配机制。首先,构建了一个随机优化模型,对基于服务功能切换的资源适配问题进行描述,旨在最大化任务处理收益与最小化服务切换代价;随后,利用虚拟队列技术,将任务需求与服务资源进行关联,并提出了一个低复杂度的任务卸载与资源适配算法;在此基础上,引入任务的主动拒绝机制,对上述算法进行改进,使其能够提供确定的时延保障;最后,通过仿真实验,验证了所提算法均能有效降低任务的等待时间,并且可以提供基于服务功能切换的差异化资源适配策略。
张永男[4]（2021）在《交通网络流分布式协同控制与基于云计算的并行优化》文中提出人工智能、云计算、通信技术和物联网的快速发展,推动交通运输迈入大数据驱动的智能化发展新阶段。需要研究适合大数据背景下交通网络流智能控制与决策的方法,以缓解交通拥堵、提高出行满意度。针对基于大数据的分析处理与优化决策对控制性能与实时性的要求,本文研究交通网络流分布式协同控制的理论与方法。采用宏观交通流评价模型,研究基于云计算的反应式控制方法与并行求解策略。进一步,采用微观交通流评价模型,研究基于云计算的预测控制方法与并行求解策略。为了提高交通网络流控制的智能化水平,继续研究基于深度学习的交通网络流时空特征并行学习方法,并将该方法拓展到基于深度学习评价模型的分布式深度强化学习控制方法中。通过建立交通网络流控制的边缘计算解决方案,研究离线大数据学习与在线决策应用的云边协同处理策略。基于北京市区域路网对本文所研究的控制方法及并行优化算法的有效性进行了仿真验证。本文的主要研究内容及创新点如下:（1）为了提高控制性能和实时性,提出了基于宏观交通流评价模型的分布式协同控制方法以及并行优化算法。在宏观交通流延误模型的基础上,通过优化各个信号交叉口的绿信比参数,实现区域路网的分布式控制;通过优化相邻交叉口之间的相位差,实现区域路网的协同控制,促进形成绿波带控制局面。采用具有迁移比例和替换概率的粗粒度并行自适应遗传算法求解分布式协同控制的双目标优化问题,通过云计算进一步加快求解速度。仿真试验结果表明,该方法在降低交通延误和改善实时性方面具有有效性。（2）为了弥补宏观评价方法可能与随机微观交通流波动不相匹配以及反应式控制缺少预见性的不足,提出了基于微观交通流评价模型的分布式协同预测控制方法以及并行优化算法。将基于规则的非解析微观交通流模型应用到交通网络流预测控制中,与宏观预测模型相比,更能准确地预测未来的交通态势、评价候选控制方案。为了减少在预测时域优化控制序列的求解时间,采用基于Spark云计算的两级分层并行遗传算法,加快滚动时域的求解速度。仿真试验结果表明,该方法分别在不饱和与过饱和的交通流状态下,取得了较好的控制效果,加快了求解速度。（3）为了提高交通流预测模型的智能学习能力,提出了交通网络流基于深度学习的时空特性学习机制以及并行训练方法。由于目前交通流特征学习的对象大都局限于局部路段,本文采用深度卷积神经网络和长短期记忆神经网络的混合深度学习模型,建立面向大数据处理的交通网络流特征学习模型。既挖掘多条路段之间的空间关联特征,又提取交通流的时间序列动态演化规律。为了减少深度学习在大数据下的训练时间,研究了基于数据集分解的具有收敛保障的并行训练的理论基础,设计了基于Spark云计算的并行算法。仿真试验结果表明,深度学习模型及并行训练方法在改善特征学习精度的同时,极大地降低了训练时间。交通网络流时空演化特征基于深度学习模型的并行学习是交通网络流分布式深度强化学习控制的研究基础。（4）为了提高控制决策的智能化水平,提出了交通网络流基于深度学习评价模型的分布式深度强化学习控制方法以及基于边缘计算的实现算法。将值分解方法拓展到演员-评论家算法框架中,通过在动作网络的输出层引入考虑多约束条件的绿信比调整方法,解决交通网络信号的连续控制问题。通过策略贡献权重的自适应分配机制,不断强化对全局目标影响程度大的策略贡献权重,实现自适应分布式协同决策。最后将分布式深度强化学习方法部署到边缘计算架构上,实现在线决策与离线学习的协同处理。仿真结果验证了智能控制方法及云边协同求解算法的有效性。
张鑫[5]（2021）在《基于红外图像的发电机碳刷温度监测系统研究》文中研究表明电力关乎国计民生,发电机作为火电机组的三大主机之一,其设备可靠性对机组的运行有着重大影响。发电机励磁系统导流过程中,当碳刷中的电流超过80A时,会使得碳刷和其连接的滑环温度异常升高,甚至引起环火。本文针对这一现实问题,围绕发电机碳刷温度测量和红外成像关键技术开展研究,设计并实现了一款基于红外图像的发电机碳刷温度监测系统。首先,分析行标《发电机红外检测方法及评定导则》的相关要求,设计了监测系统的总体方案,完成硬件平台的搭建,实现非接触测量、云远程实时传输红外图像等功能;其次,设计了发电机碳刷温度监测系统的软件系统,包括:发电机碳刷在线分析系统、数据管理系统和移动终端监测系统,实现了温度显示、数据储存和人机交互方面的功能;针对红外图像显示方面的要求,利用双稳随机共振对含有几种典型红外噪声的图像进行去噪处理,通过进一步研究基于PSO参数的双稳随机共振红外图像去噪,复原了在不同强度噪声污染下的碳刷红外图像,并且通过PSNR与传统去噪算法比较,分析随机共振算法的优势,为图像特征提取奠定基础,同时,采用聚焦处理算法,获得清晰度最高的红外图像;最后,使用从电厂采集的实际碳刷温度数据,利用LSTM预测分析碳刷温度发展趋势,并且与BP神经网络和Elman神经网络通过多个指标综合比较分析,LSTM碳刷温度预测的精度最好。通过建立LSTM-BP组合模型,利用红外图像特征信息与碳刷温度信息融合,提取红外图像中碳刷温度面积,采用基于无缺失值的数据填充法进行数据预处理,进一步提升温度预测精度。在实验室和现场分别对系统功能进行了各项调试,结果表明,系统各功能运行正常,红外图像远程传输和碳刷温度状态监测效果良好,可分辨0.1℃甚至更小的温差,精度可达±2℃。系统的研发,解决了目前对发电机碳刷温度监测方法中存在采集数据量少、测温精度低、显示图像不清晰和缺少数据分析等问题。通过较少的投入,保证了发电机运行的安全,并且可以实现多种场景监测,具有较好的应用前景。
郝月[6]（2021）在《基于移动应用的渭河水功能区水质评价及预警研究》文中指出渭河是陕西的“母亲河”、“生命河”,是沿岸大中城市如西安、宝鸡、杨凌、咸阳、渭南等现代文明的用水保障。由于经济的快速发展,渭河水资源严重短缺,河道污染严重,对社会经济发展和生态环境健康产生了重大影响。根据预防为主原则,针对水污染问题,行之有效的办法是建立完善的水质预警体系。不仅需要理论方法支撑,更需要可操作可实施的平台,依托信息技术建立与之相匹配的系统平台,从而避免出现严重水质污染,防止或减轻未来可能的污染源对社会和生物圈产生意外结果的环境变化,达到社会效益、环境效益、经济效益的统一。论文取得的主要成果如下:（1）渭河水功能区水质考核评价。为了更清晰地了解渭河水功能区达标情况,对渭河流域的水环境特征进行分析,选取主要污染物COD和氨氮作为本文的污染指标,根据水功能区划分结果,以《地表水环境质量标准》为依据,对渭河水质进行了分析和研究,通过单因子指数法、模糊综合评价法、内梅罗指数法三种评价方法对水质进行评价,对比评价结果选取单因子指数法和内梅罗指数法作为系统开发的评价方法。（2）建立渭河水功能区水质预警体系。“预”警即提前的警示,预警与报警,分别针对不同的水质目标进行事前和事中的警示发布,过去通常构建针对突发性水污染的预警体系,以污染段断面而言,实际为预报,而非预警。本文针对当前断面,以时间为尺度,以累积性水质污染风险为目标,对水质浓度设定阈值,当实测值超过设定的限值时,则判定水质处于异常状态。从理论上来讲,这种设定实际上是对水质指标的浓度做出一定的限制。构建基于超标水质指标的渭河水功能区水质预警体系,对水质未来发展趋势通过模型进行科学的预测,为水环境污染的预防提供技术支撑。（3）渭河水功能区水质评价及预警系统的设计及实现。根据微信小程序“触手可及,用完即走”的特点选取小程序作为移动应用的前端开发技术,后台功能采用SSM框架加数据库技术。采用数据库技术对归纳之后的相关信息进行数据库建设,来为渭河水功能区水质评价及预警作数据支撑。渭河水功能区水质评价及预警小程序便于操作,易于查询,为决策服务提供良好的可视化平台。
邬舒益[7]（2021）在《基于目标检测与路径预测的园区防恐系统软件研发》文中研究指明园区已成为当前最主要的社会生产活动场所,与此同时非法入侵等恐怖犯罪活动仍时有发生,传统的园区安防系统存在监控过于被动、警情处置效率低等缺陷,引入目标检测跟踪技术和目标运动趋势预测技术能替代人工实时勘察分析,实现主动监控,并帮助无人机等处置装备精准定位目标,辅助监控视图平滑过渡,实现警情快速处理。本论文针对园区防恐系统对于主动监控、智能分析、精准打击以及一体化联动的需求,研发了基于目标检测与路径预测的园区防恐系统软件。软件采取C/S架构设计,主要实现了园区运行状态展示、视频流实时分析、警情推送、目标持续追踪、目标运动路径预判、大数据分析等功能。平台服务器软件通过设备接入层接入监控设备、报警装置及无人机等外接设备,并基于ViBe背景提取算法和人脸识别技术对园区敏感区域视频流进行实时检测分析。平台客户端基于GIS地图技术,支持展示园区GIS地图信息及园区设备部署信息,并实现了一套集目标标定、目标追踪、目标运动趋势预判、轨迹绘制、人员精准打击等功能的应急处置方案。为提高警情处置效率,本论文设计并实现了一种基于轨迹分类的目标运动路径预测算法,该算法将目标移动轨迹与已建立的HMM路径模型库进行匹配,并将匹配结果结合具体场景语意进行预测输出。经测试,本论文研发的基于目标检测与路径预测的园区防恐系统能够较好地实现对非法入侵人员的识别追踪、告警推送、警情一体化处理等功能,满足实际应用需求。
魏毅[8]（2021）在《基于数据温度的动态优化存储研究》文中认为云计算是新一代不可或缺的互联网基础设施,极大地支撑和加速了大数据与人工智能的发展。作为云计算技术的延伸,边缘计算提供高带宽、低延迟、高安全的计算与存储服务,成为云计算的有益补充。在目前万物互联和海量数据产生的背景下,数据计算与存储的需求迅猛增长,越来越依赖于云计算和边缘计算所提供的资源。面对当今纷繁复杂的云计算市场,各云提供商的收费项目、定价策略、及其云服务的工作性能千差万别,并且单云模式存在着供应商锁定、数据泄露、低可用性等诸多风险,这让多云存储成为发展趋势。但是如何根据用户存储数据的需求和特点,选择合适的云存储服务来满足用户的需求并使得关键Qo S指标达到最优是一个亟待解决的挑战和难题。同时,由于边缘设备及其环境具有非常大的异构性和波动性,使得在云边协同环境下考虑数据存储优化时,其约束条件更多,应用场景更复杂,解决问题的难度也更大。特别地,现实世界中大部分的数据都具有时间和空间维度上的属性信息,并且数据的另外一些重要属性也具有时空变化性,这些特性对数据存储具有非常大的影响,而在以往的研究中往往被忽略。因此,本文针对上述挑战问题,围绕多云及云边协同环境下时空统一的数据优化存储问题展开研究。本文的主要工作包括以下部分:（1）综合数据的时空相关属性,抽象出数据“温度”的概念与定义,并给出了相应的模型和计算方法。该方法以时间的变化为主要参考依据,通过综合数据请求的地理位置分布及密度、用户访问次数、流行范围、集中程度等,计算数据的温度值并获得其分布,进而推算出区域温度和全局温度。数据温度作为本文研究的基础,支撑和贯穿于后续数据优化存储方法的研究中。（2）针对多云环境下动态的数据优化存储问题,本文首先给出了该问题的相关定义,然后基于所提的数据温度模型与计算方法,根据其分布在不同地区得到相应的云服务集合,利用权重法与存储方案评分,将多目标优化转换为单目标优化问题,并利用蚁群算法得到优化的数据存储方案。在此基础上,初步探讨了当数据温度和云服务发生变化时进行动态调整的策略,以达到快速应对变化并在整个数据存储周期内Qo S指标的优化。（3）针对云边协同环境下的数据优化存储问题,重点考虑了延迟约束下的成本优化。首先给出了相关问题定义与优化目标,然后根据数据温度的分布情况,考虑在不同的区域放置不同数量的副本,将该问题映射至0-1背包问题,并利用动态规划算法获得优化存储方案。实验证明,基于温度的方法除了与经典数据放置方法相比能够节省开销外,将数据存储在其流行地区,也在一定程度上发挥了数据的重要价值。
于嵩浩[9]（2020）在《风力发电机组叶片健康智能声学监测系统》文中研究指明叶片是风力发电机组获取风能的关键部件。由于长期运行在恶劣的外部环境下,叶片极易发生疲劳损伤、雷击、结冰等故障,造成重大的经济损失甚至人员伤亡。针对现有检测方法及监测系统存在的不足,本文综合利用声学故障诊断、机器学习以及软件工程等技术,研究设计风力发电机组叶片健康智能声学监测系统,具体研究内容与成果包括:（1）结合风力发电机组叶片健康监测的实际应用需求,研究设计了基于声学的智能监测系统总体架构。该系统以声学诊断为特色,采用模块化设计,由声学诊断节点、网络消息中间件、智能分析平台等模块构成,具备叶片故障在线诊断、诊断模型优化更新、故障趋势预测、节点远程监控等丰富功能。（2）针对初始SVDD训练模型识别新增样本时准确率下降问题,研究给出了基于疏密度约简的叶片故障诊断模型增量学习方法。首先,从增量样本集中筛选出违反KKT条件的样本子集,评价其整体聚集程度;然后,依据信息熵计算剩余样本子集的疏密度值,结合比例控制因子再次筛选剩余样本集;最后,以约简的增量样本子集、初始模型的支持向量及边界附近样本作为数据集,增量学习得到新的识别模型。实验结果表明:相比于CISVDD及Kmeans-SVDD算法,该方法在保持较高识别精度的同时大幅缩短了训练时间。（3）结合风机SCADA监测数据,引入深度学习技术,研究给出叶片故障趋势的深度学习模型。首先,分析多维监测特征之间的相关性,构造新的特征描述叶片的健康状态;然后,通过优化选取学习率、样本滑动步长、样本时间窗长等参数,建立基于长短期记忆网络（Long Short-Term Memory,LSTM）的故障趋势预测模型。最后,基于风机叶片结冰预测的公开数据集,验证了 LSTM故障趋势预测模型的有效性。实验结果表明:该方法优于RNN、SAE和XGBOOST算法。最后,集成增量SVDD诊断算法、LSTM故障趋势预测算法以及浅层数据分析算法等,设计实现了叶片健康智能声学监测系统,并基于实测的风场数据集整体验证了系统的性能,研究成果具有重要的工程应用价值。
王兴闻[10]（2020）在《校园弱电系统管控平台的设计与实现》文中进行了进一步梳理伴随着互联网技术的快速发展及智慧校园建设的逐步推广,高校已经迈入信息化、智能化管理时代,同时校园内弱电系统所承载的应用设备也更加多样化、复杂化。弱电系统安全稳定的运转是校园内教学科研开展、后勤管理工作及师生日常生活的基本保障。在当下信息化时代中,弱电系统的管理模式及方法需进行全面改进。在传统的弱电系统中,通常将网络交换机等重要设备直接接入普通的电源插座中,当异常事故发生时会对弱电系统各种设备造成不可逆的损伤,同时在弱电系统的管理方面,仅通过管理员人工巡查及维护的方式不能实现对弱电系统中的设备进行实时管控。本文首先针对弱电系统中的实际情况设计了合理的设备布局方案,将设备整体接入电源分配单元（Power Distribution Unit）进行供电管理,电源分配单元能够对设备进行实时智能化稳压恒流保护,提高了弱电系统整体稳定性及安全性。同时结合智能设备、大数据、深度学习、服务器端与客户端开发等技术实施建设一套集实时信息展示、电能统计分析、设备远程管控、设备异常预警及设备电能预测等功能为一体的管控平台,能够有效的提高弱电系统管理维护的效率。本文主要从以下几个方面进行研究:（1）平台需求及架构分析。通过对校园内弱电系统的实际规模及设备部署及当前管理情况进行实地考察,确定了平台的研发方向并设计规划了平台的具体功能模块,结合平台的实际需求选取合适的技术栈及开发方案,并对平台整体架构、网络架构、软件架构及功能架构进行分析。（2）平台详细设计。根据平台的需求及架构,将平台划分为设备通信模块、电能大数据模块、电能预测模块及应用平台模块这四个独立模块。设备通信模块实现了服务器与弱电系统中设备的通信交互。电能大数据处理模块使用Logstash进行弱电系统设备电能的采集,通过Kafka消息队列实现数据的稳定传输,使用Spark Streaming进行数据的实时分析处理,引入HBase进行设备实时电能数据的存储。电能预测模块设计了一种基于LSTM神经网络的电能预测模型,对弱电系统设备电能进行趋势的预测。应用平台模块采用B/S架构模式,使用Vue及Spring技术栈进行Web及小程序双平台开发。（3）平台的具体实现及测试。本文分别使用LSTM神经网络、BP神经网络、RNN神经网络搭建预测模型并依据度量指标进行三种模型预测结果的对比分析。同时对应用平台中账户管理、电能展示、电能预警、设备管控、日志查询五大业务模块进行具体功能的实现。当平台整体功能开发完成后,对平台进行完整的功能、性能、兼容性及安全性测试,并对测试结果进行分析。本文设计实现的校园弱电系统管控平台功能完善、服务稳定,平台各个功能模块均正常运行。本平台的投入使用有效改善了校园弱电系统的稳定性及安全性,降低了人力管理成本并提高了管控效率,同时推进了高校的信息化建设。
二、服务器及存储趋势预测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、服务器及存储趋势预测（论文提纲范文）
（1）数据驱动工业互联网资源适配与隐私保护方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 工业互联网定义及标准体系 |
| 1.2.2 工业互联网功能结构 |
| 1.3 研究现状 |
| 1.4 研究问题及意义 |
| 1.5 论文主要工作与创新点 |
| 1.6 论文组织结构 |
| 2 基于深度学习的工业互联网数据建模方法 |
| 2.1 引言 |
| 2.1.1 研究背景 |
| 2.1.2 相关工作 |
| 2.2 端-云协同工业运维数据采集系统设计 |
| 2.2.1 工业运维数据采集系统架构 |
| 2.2.2 工业运维数据采集流程 |
| 2.2.3 工业运维数据集构建 |
| 2.3 自注意力即时工业运维服务模型设计 |
| 2.3.1 总体框架及其功能模块 |
| 2.3.2 状态感知服务模型 |
| 2.3.3 序列预测服务模型 |
| 2.3.4 服务模型运行机制 |
| 2.4 实验与性能评估 |
| 2.4.1 实验数据集描述 |
| 2.4.2 实验及参数设置 |
| 2.4.3 实验结果分析 |
| 2.5 本章小结 |
| 3 基于强化学习的工业互联网资源适配方法 |
| 3.1 引言 |
| 3.1.1 研究背景 |
| 3.1.2 相关工作 |
| 3.2 网络架构与系统模型建立 |
| 3.2.1 端边云协同推理网络架构 |
| 3.2.2 通信模型 |
| 3.2.3 缓存模型 |
| 3.2.4 计算模型 |
| 3.2.5 系统运行机制 |
| 3.3 优化问题描述与转化 |
| 3.3.1 多维资源优化问题 |
| 3.3.2 马尔可夫决策过程 |
| 3.4 资源适配算法设计 |
| 3.4.1 TD3 算法核心技术 |
| 3.4.2 TD3 多维资源动态适配算法 |
| 3.5 DNN缓存池状态更新机制设计 |
| 3.6 实验与性能评估 |
| 3.6.1 实验及参数设置 |
| 3.6.2 算法收敛性分析 |
| 3.6.3 任务调度成功率比较 |
| 3.6.4 缓存资源利用率比较 |
| 3.7 本章小结 |
| 4 基于联邦学习的工业互联网数据隐私保护方法 |
| 4.1 引言 |
| 4.1.1 研究背景 |
| 4.1.2 相关工作 |
| 4.2 数据隐私保护联邦学习机制设计 |
| 4.2.1 多边协同训练网络架构 |
| 4.2.2 参数分级聚合算法 |
| 4.3 系统模型建立 |
| 4.3.1 时延模型 |
| 4.3.2 能耗模型 |
| 4.3.3 层级联邦学习评估损失 |
| 4.4 优化问题描述与转化 |
| 4.4.1 多约束资源优化问题 |
| 4.4.2 部分可观马尔可夫决策过程 |
| 4.5 多智能体资源适配算法设计 |
| 4.5.1 算法核心技术 |
| 4.5.2 MASAC资源适配算法 |
| 4.5.3 端节点能量资源保护机制 |
| 4.5.4 算法计算复杂度分析 |
| 4.6 实验与性能评估 |
| 4.6.1 实验及参数设置 |
| 4.6.2 隐私保护联邦学习收敛性分析 |
| 4.6.3 频谱和计算资源利用效率比较 |
| 4.6.4 能耗和时间开销评估 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 未来研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）边缘计算的物联网任务处理策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.3.1 联合优化新旧任务最优化系统收益 |
| 1.3.2 缓存增强的边缘计算资源分配研究 |
| 1.3.3 多MEC协作的边缘计算研究 |
| 1.4 文章结构 |
| 第二章 边缘计算与缓存相关技术 |
| 2.1 边缘计算技术 |
| 2.1.1 边缘计算发展与架构 |
| 2.1.2 边缘技术关键技术 |
| 2.1.3 边缘计算应用实例 |
| 2.2 边缘缓存技术 |
| 2.2.1 边缘缓存关键技术 |
| 2.2.2 边缘缓存性能评价指标 |
| 2.3 边缘计算成本分析 |
| 2.3.1 边缘计算时延成本分析 |
| 2.3.2 边缘计算能耗成本分析 |
| 2.3.3 基于权重的综合成本分析 |
| 2.4 本章小结 |
| 第三章 系统成本最小化的边缘计算任务优化 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 通信子模型描述 |
| 3.2.2 任务属性描述 |
| 3.2.3 系统成本建模 |
| 3.3 最小化成本的搜索优化算法 |
| 3.3.1 传统的鲸鱼优化算法(WOA) |
| 3.3.2 种群划分的鲸鱼优化算法(GDWOA) |
| 3.4 仿真分析与结论 |
| 3.4.1 仿真参数设置 |
| 3.4.2 基于鲸鱼算法搜索优化结果分析 |
| 3.5 本章小结 |
| 第四章 缓存增强的边缘计算任务优化 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 缓存增强MEC场景下的任务属性 |
| 4.2.2 缓存增强MEC的系统成本分析 |
| 4.3 收益最大化的缓存算法 |
| 4.3.1 基于贪婪思想的存储算法 |
| 4.3.2 基于背包问题的存储算法 |
| 4.4 缓存增强场景下的计算成本优化 |
| 4.5 仿真分析与结论 |
| 4.6 本章小结 |
| 第五章 多MEC协作的边缘计算卸载研究 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 多基站下的协作模型 |
| 5.2.2 协作场景下的系统成本分析 |
| 5.3 多基站文件缓存设计 |
| 5.3.1 多基站场景下协作缓存收益 |
| 5.3.2 文件丰富度改进的贪婪缓存方案设计 |
| 5.4 最小化成本的MEC协作优化算法 |
| 5.4.1 粒子群优化算法 |
| 5.4.2 多群粒子群算法设计 |
| 5.5 仿真与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作内容总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
（3）面向边缘计算的智慧标识网络资源协同与适配机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景与现状 |
| 1.2.1 边缘计算架构 |
| 1.2.2 资源适配架构 |
| 1.2.3 相关研究工作 |
| 1.3 面向边缘计算的SINET架构 |
| 1.4 主要问题及意义 |
| 1.5 主要工作与创新点 |
| 1.6 论文组织架构 |
| 2 基于端-边协同的任务卸载性能评估模型 |
| 2.1 引言 |
| 2.1.1 研究背景 |
| 2.1.2 相关工作 |
| 2.2 任务卸载模型描述 |
| 2.2.1 应用场景简介 |
| 2.2.2 队列模型描述 |
| 2.2.3 卸载策略分析 |
| 2.3 平均响应时间分析 |
| 2.3.1 终端平均响应时间 |
| 2.3.2 服务器平均响应时间 |
| 2.3.3 整体平均响应时间 |
| 2.4 任务卸载能耗分析 |
| 2.4.1 终端设备能耗 |
| 2.4.2 边缘服务器能耗 |
| 2.5 多终端资源适配方法 |
| 2.6 性能评估 |
| 2.6.1 实验场景与参数 |
| 2.6.2 实验结果与分析 |
| 2.7 本章小结 |
| 3 基于随机优化的边缘资源协同传输调度机制 |
| 3.1 引言 |
| 3.1.1 背景介绍 |
| 3.1.2 相关工作 |
| 3.2 协同传输模型描述 |
| 3.2.1 应用场景简介 |
| 3.2.2 队列模型描述 |
| 3.3 动态传输调度方法 |
| 3.3.1 辅助变量与问题转化 |
| 3.3.2 问题解耦与子问题求解 |
| 3.3.3 动态传输调度算法描述 |
| 3.3.4 算法性能与复杂度分析 |
| 3.4 算法性能评估 |
| 3.4.1 实验场景与参数 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于多代理强化学习的边缘协作缓存方法 |
| 4.1 引言 |
| 4.1.1 背景介绍 |
| 4.1.2 相关工作 |
| 4.2 协作缓存模型描述 |
| 4.2.1 应用场景简介 |
| 4.2.2 缓存优化模型 |
| 4.3 基于强化学习的协作缓存方法 |
| 4.3.1 强化学习协作缓存框架 |
| 4.3.2 特征定义与动作选择 |
| 4.3.3 边缘协作缓存算法描述 |
| 4.4 算法性能评估 |
| 4.4.1 实验场景与参数 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于服务功能切换的云-边资源协同适配机制 |
| 5.1 引言 |
| 5.1.1 背景介绍 |
| 5.1.2 相关工作 |
| 5.2 服务切换模型描述 |
| 5.2.1 应用场景简介 |
| 5.2.2 队列模型描述 |
| 5.3 资源适配算法设计 |
| 5.3.1 虚拟队列与问题解耦 |
| 5.3.2 资源适配算法的描述 |
| 5.3.3 算法性能与复杂度分析 |
| 5.4 基于任务拒绝的算法改进 |
| 5.4.1 拒绝机制与时延队列 |
| 5.4.2 改进后的算法描述 |
| 5.4.3 改进算法的性能分析 |
| 5.5 算法性能评估 |
| 5.5.1 实验场景与参数 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 附录 A |
| 附录 B |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）交通网络流分布式协同控制与基于云计算的并行优化（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流反应式控制 |
| 1.2.2 交通流模型预测控制 |
| 1.2.3 交通流深度强化学习控制 |
| 1.2.4 交通流大数据分布式并行处理 |
| 1.3 论文的研究内容及组织结构 |
| 2 基于宏观交通流模型的分布式协同控制及并行优化 |
| 2.1 引言 |
| 2.2 总体架构 |
| 2.3 优化模型 |
| 2.3.1 公共周期优化 |
| 2.3.2 绿信比优化 |
| 2.3.3 相位差优化 |
| 2.4 粗粒度并行自适应遗传算法求解策略 |
| 2.4.1 自适应遗传算法 |
| 2.4.2 自适应遗传算法的并行优化策略 |
| 2.4.3 基于CPAGA优化的分布式协同控制 |
| 2.5 仿真结果与分析 |
| 2.5.1 试验设计与参数设置 |
| 2.5.2 收敛性和计算效率比较 |
| 2.5.3 信号周期变化趋势 |
| 2.5.4 控制性能比较 |
| 2.6 本章小结 |
| 3 基于微观交通流模型的分布式协同预测控制及并行优化 |
| 3.1 引言 |
| 3.2 总体架构 |
| 3.3 交通流微观仿真建模 |
| 3.3.1 时空约束 |
| 3.3.2 位置限制 |
| 3.3.3 更新规则 |
| 3.3.4 驾驶路径选择行为 |
| 3.4 交通网络流模型预测控制 |
| 3.4.1 预测模型 |
| 3.4.2 优化目标 |
| 3.4.3 滚动时域 |
| 3.5 基于Spark云计算的MPC并行优化策略 |
| 3.5.1 两级分层并行遗传算法 |
| 3.5.2 基于Spark云的预测时域并行优化求解 |
| 3.5.3 交通网络流滚动时域MPC控制 |
| 3.6 仿真结果与分析 |
| 3.6.1 试验设计及参数设置 |
| 3.6.2 评价指标 |
| 3.6.3 控制性能比较 |
| 3.6.4 计算效率比较 |
| 3.7 本章小结 |
| 4 基于深度学习模型的交通网络流时空特征学习及并行优化 |
| 4.1 引言 |
| 4.2 基于深度学习模型的交通网络流时空特征学习 |
| 4.2.1 CNN-LSTM学习模型 |
| 4.2.2 训练样本构造 |
| 4.3 深度学习并行训练的理论分析 |
| 4.3.1 设计动机 |
| 4.3.2 目标函数 |
| 4.3.3 并行特征前向提取 |
| 4.3.4 并行误差反向传播 |
| 4.4 基于Spark云的并行训练实施方案 |
| 4.4.1 并行训练算法 |
| 4.4.2 并行训练的实施过程 |
| 4.5 仿真结果与分析 |
| 4.5.1 试验设计与参数设置 |
| 4.5.2 评价指标 |
| 4.5.3 预测精度和通用能力比较 |
| 4.5.4 收敛性和计算效率比较 |
| 4.5.5 时空特征学习效果 |
| 4.6 本章小结 |
| 5 基于分布式深度强化学习模型的协同控制及并行优化 |
| 5.1 引言 |
| 5.2 总体架构 |
| 5.2.1 边缘计算架构 |
| 5.2.2 基于MADRL的交通网络流控制边缘计算实现架构 |
| 5.3 协同多智能体actor-critic深度强化学习方法 |
| 5.3.1 值分解网络 |
| 5.3.2 基于改进VDN的CMAC深度强化学习 |
| 5.4 基于CMAC的交通多智能体建模 |
| 5.4.1 状态 |
| 5.4.2 动作 |
| 5.4.3 奖赏 |
| 5.4.4 Actor-critic深度强化学习网络 |
| 5.5 基于边缘计算的交通网络流CMAC控制 |
| 5.6 仿真验证与分析 |
| 5.6.1 试验设计与参数设置 |
| 5.6.2 评价指标 |
| 5.6.3 云端并行学习 |
| 5.6.4 边缘端实时控制 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 附录 A 符号表 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于红外图像的发电机碳刷温度监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发电机碳刷测温国内外研究现状及发展趋势 |
| 1.2.1 发电机碳刷测温的国内外研究现状 |
| 1.2.2 发电机碳刷测温的发展趋势 |
| 1.2.3 发电机碳刷温度测量标准 |
| 1.3 课题主要工作及研究内容 |
| 2 发电机碳刷监测系统方案设计 |
| 2.1 红外热像仪及测温原理 |
| 2.1.1 红外辐射基本理论 |
| 2.1.2 红外热像仪成像技术 |
| 2.1.3 红外热像仪测温原理 |
| 2.2 系统总体方案设计 |
| 2.2.1 系统功能需求分析 |
| 2.2.2 总体方案设计 |
| 2.2.3 温度监测系统硬件方案设计 |
| 2.2.4 温度监测系统软件方案设计 |
| 2.3 硬件平台的搭建 |
| 2.3.1 系统实施方案 |
| 2.3.2 热像仪安装方式及数量 |
| 2.3.3 远程传输配置 |
| 2.4 本章小结 |
| 3 发电机碳刷监测系统软件功能 |
| 3.1 发电机碳刷温度在线分析系统 |
| 3.1.1 软件框架设计 |
| 3.1.2 软件运行流程 |
| 3.1.3 软件功能 |
| 3.1.4 软件用户界面 |
| 3.2 数据管理系统 |
| 3.2.1 My SQL数据库 |
| 3.2.2 本地数据管理系统 |
| 3.2.3 云端数据管理系统 |
| 3.3 移动终端监测系统 |
| 3.3.1 软件架构设计 |
| 3.3.2 软件运行流程及功能 |
| 3.4 本章小结 |
| 4 发电机碳刷红外图像处理算法研究 |
| 4.1 红外图像噪声 |
| 4.2 图像去噪概述 |
| 4.3 双稳随机共振的碳刷红外图像去噪 |
| 4.4 基于PSO参数的双稳随机共振碳刷红外图像去噪 |
| 4.4.1 PSO参数优化算法 |
| 4.4.2 强噪声下的碳刷红外图像自适应随机共振去噪 |
| 4.5 发电机碳刷红外图像的聚焦算法 |
| 4.6 本章小结 |
| 5 发电机碳刷温度趋势预测及分析 |
| 5.1 时间序列预测分析 |
| 5.2 基于LSTM的发电机碳刷温度预测 |
| 5.2.1 LSTM介绍 |
| 5.2.2 模型构建 |
| 5.2.3 数据处理 |
| 5.2.4 评价指标 |
| 5.2.5 仿真结果分析 |
| 5.3 人工神经网络预测 |
| 5.3.1 BP模型预测 |
| 5.3.2 Elman模型预测 |
| 5.4 不同实验对比分析 |
| 5.5 基于LSTM-BP组合模型和红外图像特征的发电机碳刷温度预测 |
| 5.5.1 组合模型构建 |
| 5.5.2 红外图像中的碳刷轮廓提取 |
| 5.5.3 LSTM-BP组合模型模型仿真及及结果分析 |
| 5.6 本章小节 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要成果 |
（6）基于移动应用的渭河水功能区水质评价及预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 水功能区考核评价研究现状 |
| 1.2.2 水质预警研究现状 |
| 1.3 研究目的与意义 |
| 1.4 研究内容与研究方法 |
| 1.5 技术路线 |
| 2 渭河干流水功能区概况 |
| 2.1 渭河流域陕西段概况 |
| 2.1.1 自然地理 |
| 2.1.2 社会经济 |
| 2.1.3 水环境特征 |
| 2.2 渭河水功能区划 |
| 2.2.1 水功能区划目的和意义 |
| 2.2.2 渭河水功能区划原则 |
| 2.2.3 渭河水功能区划结果 |
| 3 渭河水功能区水质考核评价 |
| 3.1 渭河水功能区水质现状 |
| 3.2 水质评价定义与标准 |
| 3.3 水质评价方法 |
| 3.4 考核评价方法 |
| 3.4.1 单因子指数法 |
| 3.4.2 模糊综合评价法 |
| 3.4.3 内梅罗指数法 |
| 3.4.4 三种方法比较与结论 |
| 3.5 本章小结 |
| 4 水功能区水质预警模型的构建 |
| 4.1 水质预警原理 |
| 4.2 水质预警体系的构建 |
| 4.2.1 水质预警体系目标 |
| 4.2.2 水质预警体系组成 |
| 4.2.3 水质预警指标阈值 |
| 4.3 水功能区水质预警模型计算 |
| 4.3.1 标准限值模型 |
| 4.3.2 统计限值模型 |
| 4.4 本章小结 |
| 5 渭河水功能区水质评价及预警系统架构与功能设计 |
| 5.1 系统总体方案设计 |
| 5.1.1 系统设计目标与原则 |
| 5.1.2 系统需求分析 |
| 5.2 系统总体结构设计 |
| 5.3 后台开发架构设计 |
| 5.3.1 SSM后台开发框架 |
| 5.3.2 数据库设计 |
| 5.4 移动应用架构设计 |
| 5.4.1 微信小程序开发优势 |
| 5.4.2 微信小程序开发框架 |
| 5.5 服务器与客户端交互设计 |
| 5.6 本章小结 |
| 6 渭河水功能区水质评价及预警系统实现 |
| 6.1 系统开发环境 |
| 6.1.1 后端运行环境的安装及配置 |
| 6.1.2 移动前端开发工具的注册与安装 |
| 6.2 系统功能模块的实现 |
| 6.2.1 系统登录模块 |
| 6.2.2 水质监测模块 |
| 6.2.3 达标评价模块 |
| 6.2.4 水质预警模块 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（7）基于目标检测与路径预测的园区防恐系统软件研发（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 园区防恐系统的发展现状 |
| 1.2.2 图像处理技术在安防领域的应用 |
| 1.3 本文研究内容 |
| 1.4 论文组织结构 |
| 2 相关技术概述 |
| 2.1 背景提取算法 |
| 2.1.1 背景差分法 |
| 2.1.2 光流法 |
| 2.1.3 ViBe背景提取算法 |
| 2.2 目标运动路径预测技术 |
| 2.3 GIS地图技术 |
| 2.4 本章小结 |
| 3 园区防恐系统总体架构设计 |
| 3.1 园区防恐系统应用方案 |
| 3.2 园区防恐系统软件架构 |
| 3.3 本章小结 |
| 4 园区防恐系统详细设计 |
| 4.1 服务端软件详细设计 |
| 4.1.1 设备接入模块 |
| 4.1.2 运动目标检测跟踪模块 |
| 4.1.3 目标运动路径预测模块 |
| 4.2 客户端软件详细设计 |
| 4.2.1 界面原型设计 |
| 4.2.2 GIS地图模块 |
| 4.2.3 警情一体化处置方案 |
| 4.3 本章小结 |
| 5 基于轨迹分类的路径预测算法设计 |
| 5.1 隐马尔科夫模型概述 |
| 5.2 路径模型训练方法 |
| 5.2.1 训练数据集构建方案 |
| 5.2.2 基于SO-HMM路径模型训练 |
| 5.2.3 基于MO-HMM路径模型训练 |
| 5.3 结合场景语意的路径预测模型设计 |
| 5.4 本章小结 |
| 6 系统测试及结果 |
| 6.1 测试概要 |
| 6.1.1 测试环境 |
| 6.1.2 测试内容 |
| 6.2 测试方案及结果 |
| 6.2.1 功能测试 |
| 6.2.2 性能测试 |
| 6.3 本章小结 |
| 7 总结和展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简介 |
（8）基于数据温度的动态优化存储研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 主要工作 |
| 1.4 整体结构 |
| 2 时空统一的数据温度模型与计算方法 |
| 2.1 引言 |
| 2.2 数据对象定义 |
| 2.3 数据温度模型与计算方法 |
| 2.4 实验与验证 |
| 2.5 小结 |
| 3 基于数据温度的多云优化存储方法 |
| 3.1 引言 |
| 3.2 研究动机 |
| 3.3 问题定义 |
| 3.4 基于数据温度的优化存储方法 |
| 3.5 实验评估 |
| 3.6 存储方案的演化策略探讨 |
| 3.7 小结 |
| 4 基于数据温度的云边协同优化存储方法 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.3 基于动态规划的优化存储方法 |
| 4.4 实验评估 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（9）风力发电机组叶片健康智能声学监测系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 叶片检测方法 |
| 1.2.2 叶片监测系统 |
| 1.3 研究内容及章节安排 |
| 第二章 智能监测系统总体设计 |
| 2.1 组织结构设计 |
| 2.2 系统功能模块设计 |
| 2.2.1 功能模块划分 |
| 2.2.2 声学诊断节点功能详细设计 |
| 2.2.3 智能分析平台功能详细设计 |
| 2.3 软硬件方案设计 |
| 2.3.1 节点硬件方案 |
| 2.3.2 系统软件方案 |
| 2.4 本章小结 |
| 第三章 融合增量SVDD算法的叶片健康声学诊断节点 |
| 3.1 基于增量SVDD的叶片故障声学诊断方法研究 |
| 3.1.1 初始模型构建 |
| 3.1.2 模型增量优化 |
| 3.2 节点软件设计 |
| 3.2.1 总体设计 |
| 3.2.2 功能实现 |
| 3.3 节点硬件设计 |
| 3.3.1 电路详细设计 |
| 3.3.2 传感器结构优化设计 |
| 3.4 实验验证 |
| 3.4.1 测试平台搭建 |
| 3.4.2 测试数据集介绍 |
| 3.4.3 模型优化方法验证 |
| 3.4.4 节点功能测试 |
| 3.5 本章小结 |
| 第四章 多源异类数据智能分析平台 |
| 4.1 统计分析方法 |
| 4.1.1 相干分析法 |
| 4.1.2 相关分析方法 |
| 4.1.3 主成分分析法 |
| 4.2 基于LSTM的叶片故障趋势预测方法研究 |
| 4.2.1 故障趋势预测方法简介 |
| 4.2.2 LSTM基本原理 |
| 4.2.3 预测模型建立 |
| 4.3 软件功能设计与实现 |
| 4.3.1 浏览器模块 |
| 4.3.2 服务器模块 |
| 4.3.3 智能分析模块 |
| 4.4 实验验证 |
| 4.4.1 故障趋势预测方法验证 |
| 4.4.2 智能分析平台功能验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术成果 |
（10）校园弱电系统管控平台的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 平台关键技术介绍 |
| 2.1 服务器端技术介绍 |
| 2.1.1 Socket |
| 2.1.2 SpringBoot |
| 2.1.3 Mysql |
| 2.2 客户端技术介绍 |
| 2.2.1 Vue |
| 2.2.2 微信小程序 |
| 2.3 大数据技术介绍 |
| 2.3.1 Logstash |
| 2.3.2 Kafka |
| 2.3.3 Spark Streaming |
| 2.3.4 HBase |
| 2.4 深度学习技术介绍 |
| 2.4.1 RNN神经网络 |
| 2.4.2 LSTM神经网络 |
| 2.5 本章小结 |
| 第三章 平台需求及架构分析 |
| 3.1 平台需求分析 |
| 3.1.1 功能性需求分析 |
| 3.1.2 非功能性需求分析 |
| 3.2 平台架构分析 |
| 3.2.1 平台网络架构分析 |
| 3.2.2 平台软件架构分析 |
| 3.2.3 平台功能架构分析 |
| 3.3 本章小结 |
| 第四章 平台的详细设计 |
| 4.1 设备通信模块设计 |
| 4.1.1 网络布局设计 |
| 4.1.2 I/O模型设计 |
| 4.1.3 通信接口设计 |
| 4.2 电能大数据模块设计 |
| 4.2.1 数据采集层的设计 |
| 4.2.2 数据传输层的设计 |
| 4.2.3 数据处理层的设计 |
| 4.2.4 数据存储层的设计 |
| 4.3 LSTM电能预测模型设计 |
| 4.3.1 电能数据集设计 |
| 4.3.2 预测模型搭建设计 |
| 4.3.3 预测模型训练设计 |
| 4.4 应用平台详细设计 |
| 4.4.1 账户管理模块设计 |
| 4.4.2 电能展示模块设计 |
| 4.4.3 电能预警模块设计 |
| 4.4.4 设备管控模块设计 |
| 4.4.5 日志查询模块设计 |
| 4.5 本章小结 |
| 第五章 平台的实现及测试 |
| 5.1 LSTM电能预测模型实现 |
| 5.1.1 实验环境搭建 |
| 5.1.2 实验度量指标 |
| 5.1.3 实验结果与分析 |
| 5.1.4 对比实验分析 |
| 5.1.5 预测模型部署 |
| 5.2 应用平台实现 |
| 5.2.1 账户管理模块实现 |
| 5.2.2 电能展示模块实现 |
| 5.2.3 电能预警模块实现 |
| 5.2.4 设备管控模块实现 |
| 5.2.5 日志查询模块实现 |
| 5.3 应用平台测试 |
| 5.3.1 平台功能测试 |
| 5.3.2 平台性能测试 |
| 5.3.3 平台兼容性测试 |
| 5.3.4 平台安全性测试 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
四、服务器及存储趋势预测（论文参考文献）
- [1]数据驱动工业互联网资源适配与隐私保护方法研究[D]. 张维庭. 北京交通大学, 2021
- [2]边缘计算的物联网任务处理策略研究[D]. 唐宁. 北京邮电大学, 2021(01)
- [3]面向边缘计算的智慧标识网络资源协同与适配机制研究[D]. 张宇明. 北京交通大学, 2021(02)
- [4]交通网络流分布式协同控制与基于云计算的并行优化[D]. 张永男. 北京交通大学, 2021(02)
- [5]基于红外图像的发电机碳刷温度监测系统研究[D]. 张鑫. 西安理工大学, 2021(01)
- [6]基于移动应用的渭河水功能区水质评价及预警研究[D]. 郝月. 西安理工大学, 2021(01)
- [7]基于目标检测与路径预测的园区防恐系统软件研发[D]. 邬舒益. 浙江大学, 2021(01)
- [8]基于数据温度的动态优化存储研究[D]. 魏毅. 东华大学, 2021(01)
- [9]风力发电机组叶片健康智能声学监测系统[D]. 于嵩浩. 北京邮电大学, 2020(05)
- [10]校园弱电系统管控平台的设计与实现[D]. 王兴闻. 安徽大学, 2020(07)