文摘
为了成功将物联网和云计算应用于空间结构和行政管理实现系统化、数字化,行政管理和情报,本文利用相关领域的研究经验并考虑数据特点和行政管理的计算任务。整个周期的传输、存储、后处理和可视化研究的主线,云computing-based行政管理物联网系统构建空间结构。首先,总结了物联网的应用现状,一般的物联网系统总结成三个层次,并结合空间结构中的具体工作行政管理、空间结构的总体框架提出了物联网系统的行政管理,和功能子层。其次,针对上述问题,通过传统的图像识别系统的研究和实际应用的调查,为了满足用户的要求的计算效率和识别精度的图像识别系统,一个图像识别系统在云计算环境中。它提出了一个模糊评价算法的健康等级层次结构分析优化的指标体系及评分系统和一个使用时间序列的计算方法来确定正则离群值。光学图像进行像素级融合方法和红外和可见光图像融合方法提出了基于互补信息,图像融合软件开发。最后,为了让应用程序层使用集群资源高效和智能过程包含冗余的大量监测数据,异质性,异常,和许多其他缺陷,根据每个具体任务的计算过程应用层,数据预处理和后处理的示威活动是由一个接一个。分析后,得出垂直存储数据块根据不同的传感器通道是最优策略。
1。介绍
日益普及的智能传感和无线网络技术领域的行政管理结构、大跨度空间结构管理项目涉及重大公共安全近年来增长迅速(1]。面临的不断积累大量的异构监控信息,与云计算技术支持,建立行政管理物联网系统空间结构来实现全面感知、智能处理和视觉设计的监控数据已经成为一种必然要求行政管理建设(2]。他们研究的有机结合物联网,云计算,行政管理和空间结构,建立空间结构管理数据管理云平台,充分发挥云计算和物联网的优势系统,并提供技术支持监测数据的存储和后处理。它有利于研究力量的积累,降低分析成本的监控数据,提高了规模和行政管理系统的综合效益(3- - - - - -5]。
注入强大且灵活的存储和计算资源的云计算、智能硬件和软件的协作将成为近了。物联网系统将逐渐从传统的收集和显示系统是不同的,成为一个高度信息化的有机整体。持续改进的无线传感器技术和智能控制技术,智能化,自动化,集成,基于平台的,可视化空间结构已成为行政管理发展的必然趋势行业(6]。Hadoop平台是一个并行编程模型和计算框架来处理大量的数据,用于并行计算的大规模数据集。网格计算是一种技术,近年来已逐渐出现和发展。目前广泛应用于许多研究领域,如分布式超级计算、分布式仪器系统、数据密集型计算和远程沉浸。利用网格计算的超级计算能力来解决图像识别的问题也是当前的研究方向。通过改善图像识别算法的不平行算法,程序移植到网格计算平台运行,以及分布式图像识别技术实现(7]。它具有结构简单,能有效地支持数据密集型应用程序,非常适合并行数字图像处理技术的发展。物联网是新一代信息技术的重要组成部分,已成为信息产业的第三次浪潮之后,电脑,互联网,移动网络(8- - - - - -10]。
云计算平台和云计算网络运营商的核心是整个施工过程动态的行政管理。订单时,相应的处理历史数据通过云计算中心和最优节点对应的订单很快选择了物联网的形成。动态的行政管理响应需求,从而达到提高整体效率的目的动态的行政管理。介绍了聚类算法在传输层,以确保高效的传输和有效地减少数据丢失;在应用程序层,数据安全水平进行分类和数据保护不同程度不同的安全级别。在这个策略,权限的分配必须经过严格的身份验证,从而避免非法用户获得非法的权限造成的安全问题在传统的系统。此外,支持二次开发是一个不可避免的物联网发展的要求。可以分类在物联网,以方便用户的设计来满足自己的需求。选择公共云服务作为发展的支持,我们建立一个行政管理云计算网络空间结构和完整的发展物联网系统的应用程序层。平台响应不同用户需要通过内部封装应用程序服务和实现实时接收、动态显示、和监控信息的综合管理,从而建立一个完整的空间结构行政管理物联网系统。
2。相关工作
近年来,随着通信网络的快速发展和传感器组件,自动和智能监控数据的收集在结构实现行政管理技术,也为实时在线分析提供了可行性。为了实现实时甚至premastering状态变化的结构性能,除了需要改善监测和收集子系统,以确保准确的收集和传播信息,还需要考虑与用户的交互和开发一系列的数据挖掘、数据显示和数据存储。监测数据管理系统与其他功能集成,以便分析和过程实时在线监测信息和现在的处理结果监控用户协助相应的决策。
Kumari et al。11)提出了一个深刻的信念网络模型,可以使用一个算法称为贪婪的分层技术培训策略有效培训,迅速对云计算网络的研究引起人们的热情。随后,谢里夫et al。12)提出,这种训练方法也适用于其他不同类型的深层神经网络,可以系统地提高网络模型的泛化能力测试样品。卷积的云计算网络也是一个云计算的大类别。Pasquier et al。13)首次引入监督的应用反向传播算法的多级结构回旋的云计算网络。在语音识别方面,阿et al。14]使用DNN-HMM架构来替换原来的GMM-HMM架构和使用原始的滤波器组特征梅尔域替换MFCC。它甚至下降了一半。此外,云计算也在行人检测和图像分割取得引人注目的成果,已超越人类水平交通标志分类。冲动的云计算网络,从脉冲神经元的发现开始,Elhoseny et al。15提出了第一个仿生脉冲神经元模型。尽管其生物学性质很强,但计算复杂度太高,所以后续的进化FHN, ML, IZH,如果和其他神经元模型,从而大大降低了计算复杂度。脉冲云计算网络的学习规则逐渐演变从原始STDP赫学习规则和IP机制,从而提高脉冲云计算网络的学习效率(16- - - - - -18]。
图像识别系统的分类和识别精度很大程度上决定了整个系统的质量。因此,在图像识别技术、分类和识别技术应该足够注意。通过分类和识别技术的研究和改进,计算效率和识别可以提高图像识别的准确性,和更广泛的基础应用程序可以把19]。目前,主要技术包括决策树归纳分类、贝叶斯分类、资讯分类和人工云计算网络。在这些方法中,然而,分类是一种简单、有效的非参数方法,已广泛应用于文本分类、模式识别、图像和空间分类,和其他领域。然而算法是一个懒散的学习方法,学习计划将构建一个模型,直到最后一刻在给定的测试集进行分类,在分类之前,这种学习方法的计算成本和需要很大的存储成本需要(20.,21]。
3所示。System-Assisted行政管理物联网事件参数模型建设基于云计算图像识别
3.1。云计算的层次体系结构
各种服务的云计算系统中存在网络,用户不需要复杂的程序,他们只需要访问系统资源通过互联网、云计算和系统支持不同的访问方法,允许用户访问不同的客户。三个层次之间的信息传输的物联网系统不是简单的单向交通,而是一个双向联动智能控制通过一个预设实时反馈机制,其中包括安全技术,分析和识别技术,服务质量管理和横向校正公共技术包括网络管理(22]。图1是云计算的层次体系结构的拓扑。
云计算是一种资源利用模式,可以访问配置计算机资源池(如网络、服务器、存储、应用程序和服务)通过网络方便,友好,和按需访问的方式。在这种模式下,我们可以快速供应和提供服务以最小的管理成本。整合体育资源的主要目的是整合这些物理资源可以提供的服务和转换成资源池,为用户提供不同的服务,包括计算资源池、存储资源池、网络资源池、数据资源池。
感知层是最低层的三层系统物联网的架构,它包含两个应用程序子层:数据收集和短距离通信。它的功能是感知的行为目标的传感器节点,获取物理世界的信息数据,然后使用self-integrated通信协议组织数据交换并将其传输到上层。
SOA构建层结合云计算服务,可以为用户提供用户和礼物他们通过接口,主要包括服务接口、服务注册、服务搜索、服务访问和服务工作流程。云计算具有良好的接口和实现良好的互动与各种服务。
中间层的物联网系统架构,网络层主要是用来提供长途通信媒介之间的双向信息传输感知层和应用层的前提,确保数据的安全性和完整性。现有的互联网远程通信技术的发展已经相对成熟。只要与私营网络数据连接完成后通过相关协议,互联网可以安全地和实时传输大量的数据在两个方向。
3.2。图像识别辅助算法
从实际操作的角度来看,图像变换是找到一个合适的正交变换原始图像的内核。从本质上讲,图像变换有深远的物理背景。例如,一个图像的傅里叶变换反映了系统上的频率分布函数的频谱。通常,成像系统只有一定范围的亮度,和的比值最大值最小值的亮度对比。使用数字图像处理技术和模式识别理论,结合计算机技术,我们分析尿液中各种元素形成沉积物,找出合理的分割方法和分类规则按照数字图像处理算法。图像亮度有限形式的系统,对比是不够的,所以人类的眼睛观看图像时视觉效果很差。提高视觉效果通过灰度转换如线性变换、分段线性变换和非线性变换。几何归一化也被称为位置校准。这将有助于正确的大小的不同和角度偏差引起的成像距离和图像构成的变化。灰色正常化是用来补偿获得的图像在不同照明光源的方向,以降低图像信号的变化完全由光照引起的变化。 This step completes the task of finding the image area in the input image. After an image is given, we check whether there is an image in the image, and if so, we give the position and range of each image. Because image detection requires detecting the existence of images and determining their position from various scenes, it is also called image positioning (positioning an image in a scene is also called segmentation). If a static image is an input, each image will be tested. If the input is video, you need to obtain the image area in every frame in the entire sequence. In addition to detecting each frame as a static image, the common strategy is to detect only the first frame of the sequence and track the following frames with the detection results of the previous frame.
图2饼图的图像识别输入信息。外部输入信息传输到云计算网络的输入层。输入层的神经元传递信息通过某种关系隐藏层。隐藏层负责信息处理。隐藏层可以设置为一个隐式根据数据处理的需要。信息处理后,隐藏层将信息传递到输出层神经元通过一定关系,和输出层进一步处理数据和输出信息处理结果。输入外部信息的过程从输入层到输出层的输出是一个向前传播的过程和学习的信息。如果云计算网络的实际输出不符合预期的输出要求,网络会传播错误输出层,隐藏层,和输入层,一层又一层,每一层调整阈值和相邻两层根据误差梯度下降法。上面的过程不断重复,直到输出误差降低到所需的级别或到达设置的步骤。这个模块是基于子空间的基础图像识别模块,提供计算和存储数据的功能,保证系统的运行效率。 The distributed structure of cloud computing improves the computational efficiency of image recognition algorithms to use HBase to store the image and its feature values for classification services.
3.3。行政管理事件的参数配置
用户在管理区域可以获得他们所需要的服务通过互联网从一个完整的计算机基础设施。IAAS是一个商业模式,分配数据中心和基础设施等硬件资源用户通过Web。基础设施服务的优点是,用户不需要购买高质量的设备只需要构建一个应用程序通过网络租赁系统,满足他们的需求。马斯与单剂相比,有许多独特的特点:因为多个代理可以并行工作,他们能很快解决问题;代理和代理之间的通信不需要使用原始数据采用高级语言沟通。这大大减少了通信流量;一个代理的功能相对简单,和代理在MAS系统可以相互合作和共享任务解决一些复杂的大规模任务当问题发生在一定的MAS系统的代理。与传统模式相比,企业和组织,云计算可以把数据中心的云,和专业的公司可以为他们提供不同层次和类型的信息服务。当负责任务失败,MAS可以很快引入其他代理或用其他代理来完成相应的任务,从而大大提高了系统的可靠性。分布式计算技术是云计算的核心技术,它主要是开发和利用等因素的前提下的可用性、可靠性和经济。 The representative applications of distributed data storage systems in cloud computing mainly include GFS (Google file system) and HDFS (Hadoop distributed file system).
云计算是一个全面的计算方法,结合并行计算、分布式计算和网格计算。物联网技术的发展必须依靠技术,如高效存储和高计算能力。图3显示了行政管理事件的参数赋值。物联网与云计算相结合的技术收集和组织数据和信息通过智能设备如无线传感器和无线射频识别,然后传送到云计算平台在应用程序层实现数据共享和交换,完成整个系统的控制和管理。通过选择一个合适的匹配策略,可以匹配和图像识别与数据库中的已知图像相比,可以建立它们之间的相关性,可以输出判断决定。有两种类型的识别的目的和情况需要区别:一个是验证图像,即确认输入图像的人是否有一个图像在数据库中,它属于监督识别;另一种是识别图像,即确认身份的人在输入图像,属于无监督的认可。的基础上,总结了功能需求分析,空间结构行政管理物联网系统应该包括以下部分:感知网络负责项目现场监测信息的收集和控制和文件之间实现可靠的数据集成项目站点和远程监控和控制室传输网络渠道根据用户的指令调用资源来执行各种数据分析,同时负责智能处理集群数据存储应用程序为用户提供丰富的视觉设计和数据显示终端,实现用户手册与底层数据通过数据接口管理终端识别和修改。
3.4。物联网模型的权重更新
Hadoop在物联网模式下是一个软件框架,它可以执行分布式处理大量的数据。它实现了谷歌的MapReduce编程模型和框架。它可以把应用程序分成许多小单位,这些单位在任何集群。在MapReduce,准备提交执行的应用程序称为“工作”,和工作单元划分工作,和被称为“每个计算节点的任务。“此外,Hadoop提供的分布式文件系统(HDFS)主要负责数据存储在每个节点上,实现高吞吐量的数据读写。在分布式存储和分布式计算方面,Hadoop使用主/从体系结构。我们运行Hadoop通过不同背景的程序,这是由NameNode, DataNade, JobTracker和TaskTracker。NameNode, JobTracker在主节点上运行,和DataNade TaskTracker部署在每个节点的数据处理程序运行在这个节点可以直接处理数据的机器尽可能多。其他复杂的问题在并行编程,如负载平衡、容错处理、分布式存储、作业调度、网络通信,都是由MapReduce框架。MapReduce处理数据集具有以下特点:要处理的数据集可以分解成许多小的数据集,并且每个小数据集可以完全并行处理。图4显示了图像识别模型的重量分布。
应用层是物联网的顶层架构和大多数物联网系统的核心层。应用程序层需要智能过程和全面管理收集到的大量数据,并提供面向用户的人机交互和数据可视化设计。应用程序层可分为应用支持子层和应用程序服务子层。要处理的任务的应用支持子层包括后处理应用,如数据存储、挖掘、分析、查询和搜索。在数据处理的基础上,我们实现跨行业、跨地区、跨系统信息共享,服务个人,在不同的行业和组织;应用程序服务子层是一个人机交互界面设置为用户,实现用户和应用程序之间的交互顺序发行和结果反馈。离线处理的图像识别系统是指一系列的准备工作,图像识别系统需要完成在接受用户查询之前识别图像和照片。这一部分的工作解决问题的预处理和特征提取大量的图像数据,主要包括图像和图像预处理模块、特征值和特征向量提取模块,和特征值的访问。离线处理的主要特征是,实时要求不高,但图像和图像索引需要提前建立。
4所示。应用程序和分析System-Assisted行政管理活动参数基于云计算的物联网模型图像识别
4.1。云计算数据特征提取
这个实验的网络结构使用但是深层信念网络,784个神经元的输入层,第二层和第三层作为每个包含500个神经元,隐藏层和最后一层一层的标签,包含10个神经元。我们分别代表了每一层之间的网络重量。Siegert神经元网络用于培训和训练方法是CD算法。实验内容分为两个部分。第一部分是识别模式,第二部分是生成模式。识别模式是给一个手写数字的灰度图像识别数字,和生成模式是给数字,让网络在反向生成手写数字。特性有一个小位移时,复杂的细胞可以忽略这种影响,获得的信息保持不变。这个特性相应的卷积神经网络实现池操作。从手写数字灰度图像重建。当测试单个图片的识别速度的识别模式,使用生活神经元,和图片的灰度值需要归一化值在0和1之间,脉冲序列是根据每个像素值的比例确定。 In order to further enhance the consistency of the image mode, the statistical characteristics of the sample pictures can be normalized, considering the most basic statistics—the mean value and variance of the grayscale—and adjusting them to a given value.
图5是图像识别的特征矢量曲线计算数据。当图像边界相对光滑,密度较小的区域,其密度C约等于1。当图像面积的形状偏离圆,C值小。当图像边缘的大幅变化,图像的周长增加,但面积相对减少,导致区域密度的增加。因此,该区域密度C在某种程度上反映了目标的特征地形。在这里,我们使用边缘检测分割子图象,因为精明的经营者单边缘响应的特点,准确的定位,没有虚假的边缘。同时,它具有第一和第二图像的衍生品在该地区边缘提取的优势。具体步骤如下:首先,进行中值滤波的子图象提取原始图像;然后,对过滤后的子图象进行图像增强;其次,用精明的边缘检测算子分割增强子图象。然后,我们使用形态学操作和关闭操作处理和开放,最后,去除小的连通域的子图象。
4.2。图像识别物联网系统仿真
手写的图像识别是一个典型的实验来验证该网络模型的精度和效率。所使用的数据集是MNIST数据集。训练数据包括60000份手写数字灰度图像,和测试集包括10000份手写数字灰度图像。图片的内容是一个从0到9的数字,和像素大小 。在线处理指的是一系列的图像识别系统需要完成的任务,用户反馈查询结果后,用户输入图象或人的身份信息。这部分的工作主要包括以下几点:根据用户需要查询的图象或人的身份信息,需要查询,我们找到相应的人的身份信息或图像的照片HBase图像数据库索引文件。在线处理的显著特征是,实时要求非常高,但是所有的图像和图像数据必须比较,因此计算效率较高。在这个系统中,视频采集终端和前端处理终端配置的前端监控、收集和监控视频,通过视频采集终端。获取视频信息可以直接传输到云计算系统通过传输网络或通过前端处理实现信息处理终端。一般来说,为了保证系统的健壮性和可用性,从不同角度多个视频采集终端通常设置在监控区域,和终端之间的协调是通过配置实现监视和管理软件。
以图像识别应用程序移植到嵌入式设备,本节选择覆盆子π第三代b型和USB摄像头作为硬件设备。覆盆子π硬件使用手臂Cortex-A53芯片作为处理器,和操作频率为1.2 GHz。通常情况下,使用计算机来处理数据时,将离散连续时间信号和给定值是在一个特定时间间隔的数据。因此,一个更现实的假设是,传感器将测量的结果每一秒。虽然覆盆子π很小,它也有WIFI和蓝牙等功能。它还可以通过GPIO管脚与其他设备进行通信。图6显示图像识别的准确性基于物联网。添加IP之后,整个网络的识别精度得到了改善。它可以清楚地看到,94%是一个分界点。当初始放电率大于700赫兹,精度波动,但最终值大于94%。相比之下,没有添加IP机制。当初始放电率大于700赫兹,识别精度显示波动下降的趋势。可以看出,消耗的时间认识一个手写的数字灰度图像与初始放电率。添加IP之后,当初始放电率大于200赫兹,平均时间认识到一个手写的数字灰度图像大约是2.5毫秒。没有添加IP,初始放电率是1000赫兹时,识别速度大约是5.8毫秒。从这个分析,可以看出这个IP机制提高了网络的识别精度,和主要影响在于改善网络的识别速度。 Then, we want to know why the IP mechanism has such a big impact on the network recognition speed, and it can be seen that when the initial discharge rate is greater than 200 Hz, the broken line tends to be stable, with little fluctuation up and down.
4.3。示例应用程序和分析
在云计算网络中,ICP采用一个单元模块化设计和一个通用平台,可以控制和连接各种不同类型的通信系统,如有线和无线。为核心控制设备,ICP有不同的沟通方法的专用接口,每个接口对应于一个特定的通信接入设备。ICP接口支持模拟中继接口,常规对讲机接口,短波收音机界面,GSM / CDMA手机接口。每个接口独立完成音频信号的接收和发送,同时,它可以实现完全控制设备的具体的接入设备。为了提高语音质量,所有声音接口采用四线处理方法单独的发送和接收信号,以避免相互同时;为了认识到每个端口可以执行两级拨号,设备有独立的外部接口DTMF信号检测和转发功能。图7显示了图像识别的趋势变换和分解的信号。
的过程中使用小波变换来定位高频组件如下:由小波变换分解图像,然后将低频部分设置为0,保持高频部分不变,然后进行逆小波变换完成本地化的原始图像的高频分量。在这篇文章中,Mallat算法用于分解图像,通过使用Daubechies 9-7小波获得4次能带部分然后零位调整低频部分,以确保高频部分保持不变;然后,执行重建,获得高频部分。与此同时,我们可以选择一个合适的频率值,在散焦组件,背景,和组件,并使用这个频率值作为阈值进行阈值处理。价值高于阈值是1;否则,它是0;那么密集的地方亮度是尿液沉积物。组件的位置终于基于图像的经验阈值,和相应的二进制图像是通过简单的歧视。
本文使用VGG网络pretrained ImageNet作为模型提取图像的视觉特性。ImageNet使VGG提供的100万张图片可以训练比手工设计更准确的特点。为了使功能更加丰富,本研究使用4096 -维向量输出层的VGG-16图像的视觉特性。图8直方图的图像识别视觉的频率响应特性。输入层不断收到泊松的刺激脉冲序列。当输入层的神经元膜电压超过阈值时,神经元火灾和脉冲传送到下一层神经元。当第三层的神经元触发时,最终结果显示在最后一层,最后一层是一个矩阵,这意味着0,分别。池的过程也有调整输出尺寸的函数。在实际应用程序中,卷积神经网络模型,当输入图像的大小是不同的,为了获得一个统一的尺寸输出,它需要通过池实现操作。10数字9的数字,其中白色的点代表的神经元和相应的识别号码。可以看出,第二个神经元是解雇,这意味着识别号码是1。当阈值不变,我们改变电影时间常数5至20,和准确性上下波动。阈值在0.2和1.8之间时,精度波动很大。可以看出阈值的一个主要参数,影响网络识别的准确性。阈值为1.5时,精度达到93.77%的最高价值。
5。结论
本文提出了一个动态的行政管理建设基于云计算网络模型,它使用云计算网络连接的中介机构和决策机构行政管理的建设。当选择,发展云计算网络的良好的分类性能,和互联网的资源容量可以选择的东西。根据信息和订单的匹配要求,选择最合适的物联网节点形成一个最优的相应的行政管理秩序。系统使用传统的图像识别算法(PCA)和云计算环境中满足用户质量图像识别的计算效率要求。某些改进使用的图像分类算法和动态分配权重k值图像图像来提高识别精度和稳定性。最后,实验结果表明,该系统满足用户的要求,高效的计算效率和识别精度的图像识别系统。建模时动态供应链时间间隔特色,应用正交神经网络方法可以有效地提高模型的稳定性,收敛的速度,和近似最优解的能力。动态行政管理的组织体系和结构需要建立在一定的集成操作平台(包括知识/技能网络、信息网络、物流网络、和体育网络),和基本动态行政管理平台还用于很大程度上。上述规定的特定操作模型动态的行政管理。最后,利用MatLab仿真模型,结果表明,本文提出的动态的行政管理有更好的性能比静态的行政管理。它不仅可以降低成本,还满足订单的需求增加。二维激励机制可以有效地刺激行政管理的整体效率。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本文的工作是由南京森林警察学院。