文摘
本文分析NoSQL数据库,包括三个NoSQL数据模型,并分析两种NoSQL代表产品的原则,复述,MongoDB。其次,引入动态损伤监测Redis-based问答系统的发展。适当改进后,某些噪声和混响也可以有相对较好的定位精度,可广泛应用于系统中。损伤的识别和分类是根据相应的标准体育联合会的伤害监测系统。通过专家访谈和调查,生理生化指标监测的有效性和充分性是理解,以确保更好地评估运动员的性能指标。实验观察的方法被用来监测运动员的身体功能。在冬季训练、指标监控,数据记录,记录测试条件,数理统计和动态损伤监测被用于实验分析来客观地评价运动员的生理生化指标。本文主要介绍了NoSQL数据库和声源定位动态损伤监测,促进其不断发展。
1。介绍
本文的目的是设计和实现一套视觉形象识别系统对于大数据环境下基于NoSQL数据库和设计理念1]。根据当前状态的互联网视频和图像库存和业务系统的基本要求高吞吐量、高稳定性、和低成本部署视频图像识别,本系统实现了通过管线式信息传输模式和一个高度独立的数据处理模块的设计。这是一个视觉形象识别系统模块较低耦合、高功能的鲁棒性,支持分布式冗余部署(2]。学习时的选择调整因素,本文利用声源的算法来估计这个数字已知条件下的声源定位和研究多级调整因素的分布规律D(n)获得最优值。仿真实验表明,最优调整因素选择通过这个方法可以适应多个声音源的数量的识别。同时,该系统充分考虑当前的互联网数据采集的难度。大多数视频资源是来自NoSQL数据库,这是难以显式下载,带来很多麻烦的业务系统(3]。因此,数据收集功能集成到系统设计,并使用网络爬虫(4]。模块收集互联网数据本身,可以改善系统的商业竞争力。此外,在识别成本方面,通过研究互联网上大量的数据,持续的创新使用自我维持的黑白名单库的避免了重复数据的计算资源的浪费,大大降低了系统部署的成本。MSGDE算法实际上是类似于多个操作的传统GDE算法(5]。基于的假设,它执行多个分类操作相同的数据,大大减少了单个操作造成的估计误差和提高声源定位识别的数量。与传统GDE相比,在−20 dB∼10 dB信噪比的实验,识别精度普遍提高了10%∼80%6]。该算法基于研究方法和本文的后续使用更高效的计算方法将大大提高声源识别的性能和位置。通过实验,监控培训是非常重要的五个运动员的训练(7]。选择的5个指标动态损伤监测反映玩家的物质和能量代谢的功能系统,展示运动员的运动体积和运动强度,以确保他们成功完成团队训练的任务和反映运动员的身体状况在休息期间(8]。作为一个整体,运动员的身体功能状态一直保持在一个稳定的状态,和过度疲劳和恢复困难的出现为科学训练提供了理论依据。
2。相关工作
文献介绍了NoSQL数据库的技术原理,分析了当前流行的产品根据NoSQL的技术特点,并提供了一个理论依据以下问答系统的设计和开发9]。文献介绍了系统建设的需求,提出了部署环境和基本设计系统需要满足的需求;其次,它解释了系统的需求分析,论述了整个系统的用户范围等几个方面,功能范围、业务构成和功能模块描述(10]。系统的设计要求:最后,阐明系统的非功能需求,设计要求和一般系统的原因解释。文献介绍了系统的部署方法。本系统采用码头工人虚拟化部署方法(11]。因此,一组部署策略,使用shell脚本和配置文件来实现一键部署多个服务器系统设计,大大降低部署的难度;其次,部署完成后,我们测试了系统的性能指标和出口最终的测试数据。文献介绍了声压传感器阵列。声压传感器阵列是一种良好的收集系统,它使用多个声音压力传感器收集信息(12]。通过互动,它广泛应用于其他领域。数组结构点声源的位置,起着重要的作用。与线阵列和中性阵列相比,三维数组有较高的定位精度,因为方向的传感器。他们是适合额外的旋转系统的空间位置。文献介绍了声压的影响硬盘上的传感器系统,音频源频率,采样速度的设置在A / D转换系统(13]。因为数组元素间距太小,音频源和接收系统之间的距离不会太大,和狭窄的区域模型不再适用。
3所示。声源定位方法NoSQL数据库
3.1。NoSQL数据模型设计
当存储用户使用的数据模型表示模型。这是一个逻辑模型,描述用户如何与数据库中的数据(14]。不同于描述数据库存储模型在实际的物理计算机,用户不需要管理这一部分,我们需要了解系统的性能需求。数据模型可以从上述定义。保存数据时,我们可以选择的数据模型来理解它在最大化数据库性能起着重要的作用。
在关系数据库中,每个表单数据模型中的表示一组关系。每个表包含多个行。这些实体之间的固定值行和列(15]。这个表是用来建立表之间的链接(相关列被称为外键)形成具有关联的表。与传统的关系数据库相比,最重要的功能NoSQL技术是放弃关系模型,这也是NoSQL的吸引力(16]。废弃的模型可以使我们更容易实现高性能和扩展存储系统中。它不提供业务价值,和键值数据库主要用于主键访问操作(17,18]。
3.2。点声源定位系统的结构设计
虚拟仪器定位系统主要包括声压传感器数据采集阵列,20-channel声压传感器阵列信号预处理模块,STM32单片机采集信号预处理模块、电源模块、无线传输模块、USB传输模块,和计算机虚拟仪器软件平台。
前端数据采集模块,传感器阵列主要负责收集空间环境中的声音信号和将声信号转换为模拟电压或电流信号通过压电效应。数组包含20全向声压传感器,分布在半球的半径10厘米根据C60结构设计。
阵列信号预处理模块主要负责收集的预处理信号声压传感器。收集到的模拟信号处理方便后续分析。
STM32负责把预处理模拟信号转换成数字信号,传输到主机计算机虚拟仪器数据分析和实时处理平台通过USB电缆或无线传输。STM32用作一个较低的计算机和前端数据预处理模块。为了防止崩溃在前端数据采集和处理,添加一个复位电路的电路模块。当收购失败时,上层前端采集系统可以通过一键复位恢复原来的状态,继续工作。
虚拟仪器数据处理分析模块主要是在电脑上完成的独立设计一个数据处理和显示平台,使用虚拟仪器的强大的跨平台的交互功能,调用MATLAB软件,定位空间声源的位置通过音乐算法,并结合多级分离GDE算法提出了识别声音来源的数量。两个算法分析数据实现互补和相互验证的目的,提高系统的计算结果的准确性。可视化虚拟仪器面板显示位置(仰角和方位角)和声音的来源实时局部空间声源,方便用户观察实验结果直观。
该系统具有很高的multisound源定位准确率和某些可移植性。降低电脑的系统采用前端信号采集和上层计算机数据分析和处理,结果显示终端的设计。由于通道的数量的C60的半球形结构正形声压传感器阵列设计本文是20,根据算法的限制,数量的理论上限的声源识别系统是19日,声源的识别和定位的数量小于数组的空间。系统的总体设计结构如图1。
3.3。点声源定位算法的设计
高分辨率谱估计技术,如回归模型和最小方差谱估计,来自几个最新的高分辨率谱估计技术。音乐首先分解算法输出的数据协方差矩阵数组中找到相关的信号子空间和噪声子空间信号组件。最后,两个空间的正交性是用来估计入射角,极化信息,信号强度、信号幅度、相位、和其他信息。
数据协方差矩阵可以分解成两部分:信号协方差矩阵和噪声协方差矩阵。数组的数据协方差矩阵
功能分解RX:
特征值和特征向量之间的关系,
信号与噪声子空间正交方向向量,即
在实践中,所收集的数据数组是有时限的,所以数据协方差矩阵被有限采样所取代
数据协方差矩阵的特征分解由一个惟一的值,可以计算出信号子空间,噪声子空间,对角矩阵,使用最小的优化搜索位置信号的到达方向。
音乐算法具有高分辨率,精度高,鲁棒性在一定条件下。基于音乐算法、学者继续提出一系列改进音乐和音乐算法,如加权音乐。
基于可控波束的形成,该方法的基本原理,掌握声源的位置是过滤从声压传感器接收信号,增加权重,形成一束,寻找可能的声源位置和执行梁。,将导致光束的最大输出功率是声源的位置。该算法可分为延迟存储梁算法和自适应波束算法。延迟存储梁算法相对简单,可以更准确地恢复信号,但它只能更好的对噪声非常敏感,而且有更多的元素的数组。自适应波束算法比较复杂,信号畸变更大,它可以使用更少的数组元素来获得更好的结果。
可控波束形成技术基于声压传感器阵列已广泛应用于控制领域的声源的位置,但它仍然是很难获得实时声源的位置。主要原因是,这种方法需要大量的计算,需要全球搜索,使得它难以执行实时操作。声源的位置的声压传感器阵列不太坚定,而且容易受到混响干扰和环境噪声。使用一个特定的迭代方法需要少量的计算,但是很难获得一个有效的全球峰值。是非常敏感的初始值搜索。主要用于进一步限制算法的范围和较高的计算复杂度和定位远程窄带信号。
接收到的信号模型kth元素公式所示:
我们发现两边的傅里叶变换公式(7)
对于阵列系统米声压传感器的矢量形式公式可以表示为
由于高斯随机过程是广泛、稳定、条件概率分布
数组的输入信号是一个交叉谱密度矩阵。
我们双方计算公式(12)
事实上,所有频段的力量应该补充道,但此时声源位置估计只能通过以下几点:
把握的方法基于时延估计的声源位置掌握在两个阶段的地位。这种方法首先的时差估计的声音来源不同声压传感器,然后发现声源的位置通过几何关系由多个时间差异造成的。
的基于时延估计的声源定位算法需要更少的计算复杂性,更好的实时性能,并降低硬件要求。然而,这种算法不适合捕获多个声源的位置。与强混响环境和噪音,很难获得准确的延迟时间,和更大的错误可能发生在随后的位置捕获。然而,基于时延估计的定位算法很容易适用于实时系统。适当改进后,某些噪声和混响也可以有相对较好的定位精度,可广泛应用于系统中。
假设相关的噪音是软弱和混响的影响没有考虑,信号接收到数组的数据模型可以表示为如下方程:
噪音和声音来源是相互独立的。中间的二进制的(17)= 0,(18)可以简化如下:
如果噪声是不相关的或信噪比足够大,可以进一步简化方程如下:
然而,在实际应用中,由于一些不利因素的干扰,很难观察到相关函数的最大峰值。可能存在多重相关性,特别是当噪声和混响相当高,这将导致峰值造成较大的估计误差,所以很难找到实际的高峰。
对窄带信号,在一定条件下,较大的协方差矩阵的特征值的数量对应于空间资源的数量,而其他更小的特征值都是相同的。因此,在计算过程中,空间信号来源的数量可以直接决定根据数据协方差矩阵的特征值,但是在实际的实验中,获得的数据协方差矩阵是独特的,价值是显而易见的。序列的特征值明显的数值范围。学者们的研究的重点是如何确定空间资源的数量,以区别于未知的惟一值。
蜡和Kailath提出了AIC和MDL方法(最小长度描述标准)处理问题造成的主观阈值设置。这两个方法规避研究;,设定一个主观阈值可以更准确地估计空间资源的数量。
空间资源的数量估计AIC和MDL准则表达如下:
当AIC (k)或MDL (k)的最小值,估计数量的空间信号的来源,P的值是k。
AIC的估计价值标准是不一致的,这意味着即使对AIC的高信噪比的估计结果AIC标准仍然有错误的概率更高。的标准也有一个高概率的错误,而MDL标准估计是一致的。标准高的信噪比有更好的估计性能。如果信噪比很小,误差概率高于AIC标准。因此,MDL准则比的AIC准则估计空间资源的数量。
信息理论标准的方法估计信号来源的数量是使用数据协方差矩阵的特征值从阵列和信号接收信号之间的差异和特征值和空间资源的数量。噪声特征值:GDE-based源数目估计算法不使用数据协方差矩阵的特征值进行分类的信号和噪声但使用Geyswon半径数据协方差矩阵的估计数量的来源。然而,没有明显区别信号丐帮源和噪音丐帮的协方差矩阵,和它不能直接用于有效地估计空间资源的数量。
在假设数据协方差矩阵的特征值不变,原数组的数据协方差矩阵进行转换,因此,相当的对应信号和噪声可以分辨信号来源的数量。
假设阵列数据协方差矩阵R实际接收的数据矩阵有一个时间限制,因此,数据协方差矩阵可以被有限的抽样。
首先,数据协方差矩阵分成块,也就是说,
相应的特征向量矩阵U分离除以矩阵R0的矩阵R和执行转换。
在自由声场的空间中,点声源的形式向外传播一个方波。其中,声波传播距离成反比的声压。如果声波的传输距离远远大于声源本身的几何尺寸,和声波的方向不是很定向,方波可以被视为一个平面波,声源可视为一个空间点源。的噪音,如果几何中心之间的距离声源和检测位置的声源本身的几何尺寸的两倍,噪声可以被视为一个点声源的噪声。
在实际声源定位中,通常有多个声音来源。当声源复杂,连贯性,衰减,叠加就会发生。收集到的声源信息不是原始声源信号信息,可以得出不同的结论,当相同的多个声源分别进行了研究和全面。例如,当测量两点声源在空间中,有两种情况:一,或者两点声音来源保持不变,如位置和声音强度,和两点声音来源分别听起来和测量;两点同时声音来源的声音,然后测量。他们都是一样的声源,有很大的差异在声场的分布分别同时。在测量一个声源,单一声源的声场分布几乎是脉冲的形式,并没有明显的衰减幅度,如图2。
然而,当测量声源是两点同时声源,两个声音来源的分布在同一测量声场显然是不同的,和一个明显的振幅衰减趋势出现在每一个声源,如图3,这是由两个声音来源的叠加造成的。当声音来源的数量继续增加,声源周围的衰减幅度将变得越来越小的数量的增加声音的来源。最后,每个声源的振幅是淹没,所以区分每个声源点是不可能的。当然,这也与探测阵列的结构和传感器的数量。因此,它是特别重要的研究多点声源的分布在三维声场。在声源识别和位置的部分,多点声源的分布规律将进一步分析。
我们介绍一维线性阵列的应用,二维平面阵列,在细节和阐述三维数组,数组和虚拟各种阵列方向向量的具体操作过程。在阵列信号接收数据模型中,宽带信号模型进行了分析并与窄带信号模型。我们将学习经典的源位置和源详细数字识别算法,比较不同算法的优缺点,并简要分析了复合声场分布的三维空间和多点之间的来源,它提供了一种理论依据后续仿真实验。
3.4。实验结果和误差分析
当声音在空气中,实际声源之间的错误信息和声源阵列接收到的信息;当声音因素在空气中传播时,其强度、振幅、相位随机将会改变。造成这些变化的主要因素是空气阻力的衰减声音,反射,混响的声音,以及环境噪声的干扰引起的严格定义的空间。
声源定位系统,有相应要求声压传感器的选择,需要根据不同的情况选择。在选择传感器,因为传感器的灵敏度不同,每个传感器都需要校准。最好的方法是调整数组,可以减少二次错误拆卸造成的。
声源定位系统的测量误差可以减少甚至消除模拟校准和物理校准。在本文中,我们主要讨论时间延迟误差的影响定位精度上数组的元素之一。声源的位置估计误差公式如下:
我们在实验室里测试,声速c= 344 m / s。室内噪声很小,但由于大量的在实验室仪器、设备和复杂的空间环境,有一定程度的混响的问题。在这个实验中,空间单一声源,两个声音的来源,分别和三个声音来源。单一声源定位实验结果如表所示1。
两个声源定位的实验结果如表所示2。
三个声源定位的实验结果如表所示3。
4所示。受伤运动员动态监测和分析结果
4.1。运动员动态损伤监测方法
本文的研究对象选择6年轻女性平均年龄为24±2岁,与类似的身体健康,体型,腿的形状。在实验之前,让受试者理解实验的设计计划,熟悉测试方法和步骤,并明确测试指标和任务完成(表4。
其中一个有一个灵活的传感器在膝关节,期间很容易去除清洗。表5显示了特定的大小。
4.2。客观的实验结果和分析
SHT10温度和湿度传感器主要用来测量温度和湿度环境最内层的衣服和皮肤之间。测量数据是接近人体的表面温度,这是非常有用的决定人体的湿热舒适性。根据不同人体的各个部分的蒸发热,人体可以分为四个部分,即强烈的汗,汗水中部分,疲软的汗水,最低汗水的部分。基于这一研究结果,四个区域选择进行研究。
在实时监测实验,肌肉总血红蛋白(有)的6个科目与肌肉氧饱和度(SmO监控2),氧饱和度(SmO2),这些肌肉在实时监控,主要是总血红蛋白(有)与肌肉氧饱和度(SmO变化2)。血红蛋白氧浓度的比例部分的肌肉组织可以反映肌肉的氧浓度,和氧气供应的变化可以反映了平衡。肌肉氧的变化可以用来增加训练强度,一项措施,减少疲劳,提高培训效果。最后,数据计算和排序,得到最终结果,如图4。
从图可以看出5,在整个运动,四个部分的肌肉表面温度变化平稳,和温度值是更好的保留和温暖舒适没有突然过热或过冷。早在运行过程中,随着运动负荷的逐渐增加,人体的代谢活动开始增加,心率逐渐增加,产量增加,毛细血管扩张,温度上升。一段时间后,由于汗水和湿度的增加,当湿度增加迅速,汗液的蒸发,织物的吸收,和汗水是剥夺了管道的一部分,和温度价值开始下降。心率的运行不会恢复缓慢,但它会产生连续的热量,人体表面温度有增加的趋势。图5表明下半年出汗的运动的温度明显降低,和大量的热量释放到空气中。
4.3。主观评价试验
这个实验的主观指标束缚的感觉,感觉热,粘性的身体,水分,柔软的感觉,压力,方便运动,和全面的舒适的穿着。
在这个实验中,5-scale法。在规模、数量−2 2是用来表示−2显示可怜的主观感受,−1显示可怜的主观感受,0表示一般的主观感受,1表示良好的主观感受,和2表明良好的主观感受,如图6。
从图可以看出7,样品的综合穿着舒适的裤子是好的。起初,静止时,分数是最高的;由于织物的拉伸造成的行动,限制和压力下降的感觉,舒适是更明显的加速过程的第三阶段;因为汗水放电运行期间,舒适的闷热热,潮湿的感觉,和粘性的身体感觉会减少,特别是在增量加载运行的第三阶段,第四阶段,连续运行时间,安慰将减少。
通过完整的样例裤子评估系统测试,发现在压力测试实验的过程中,膝关节的压力值的受试者被安全气囊压力传感器同时测量。测试后,氧含量和总血红蛋白浓度会降低运行速度的增加,但在某种程度上,他们不会继续下降,但逐渐上升,将返回到一个相对稳定的状态。运动后肌肉氧饱和度和总血红蛋白浓度高于运动前。可以看出从身体表面温度测试,热舒适性好,也没有突然过热或过冷现象。穿着舒适,主观测试的五个相等点的心理量表。通过六个科目的平均分数每个索引的结果,发现样本的综合穿着舒适的裤子是好的。
4.4。分析运动员的主要生理生化指标变化
在培训之前,运动员的血红蛋白含量在正常范围内(120 - 160 g / L)。与一开始的训练,运动员的血红蛋白含量显著降低。这一现象的减少血红蛋白刺激运动员的训练和身体。在这个训练阶段,结合培训计划,运动员逐步适应训练刺激,主要在有氧训练,红鸡蛋的内容显示正常的上升趋势。随着冬季训练的继续,培训项目的强度逐渐增加,这表明血红蛋白含量监测培训后期的继续增加,这表明运动员适应训练。
研究表明,肌酸激酶的活性增加运动后。总的原则是,随着运动强度的增加,人体的肌酸激酶水平也会增加,和运动能力也将增加。CK水平的提高,在运动员训练水平更高的更频繁。如果运动员不能复苏,他们将运动损伤。
监测过程中,每个元素的浓度变化的特点在运动员的血液进行了统计分析。内容先降低,然后增加,然后调整,然后下降到一个更稳定的状态,表明运动员的适应能力已得到改进。在pretraining时期,测试结果没有显著差异,但在中间培训期间与pretraining时期相比,没有显著差异。为了使更直观、详细的分析运动员的变化,我们做了一个详细的分析的运动员血液成分的变化。
5。结论
随着互联网Web 2.0网站的出现,在高并发性和大规模数据处理,现有的关系数据库已经越来越难处理。NoSQL数据库旨在关注分布和高层方面,由研究者青睐。首先,我们将研究NoSQL数据库的理论基础,包括帽子和基础理论的两个方面。从本质上讲,数据存储围绕三个主要领域:一致性、可用性和分区容忍。因为这三个不能同时使用,不能满足这两个方面,传统的关系数据库不是一个分布式应用程序。NoSQL可以很容易地处理大量数据,这弥补了缺乏关系数据库的可伸缩性。这些关系数据库关注最终结果,也关注分区和可用性。但对于业务场景强调关系存储的强一致性,关系数据库是好多了。这一主题的研究主要集中在膝盖关节和膝关节主要介绍了脆弱性和改变外观和未运行时扩展。基于可穿戴技术的两个背景和健康监测方法的变化,结合特殊的应用程序环境中,技术路径和系统结构的监测研究膝关节压力智能运动了。
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
作者宣称他们没有任何可能的利益冲突。