简介:2019年1月15日,慕尼黑——罗德与施瓦茨公司正式发布R&SZNA系列高端矢量网络分析仪——一个全新、功能强大的测量有源和无源器件的通用平台。首先发布的R&SZNA系列矢量网络分析仪有两个型号:R&SZNA26(10MHz~26.5GHz)和R&SZNA43(10MHz~43.5GHz)。在1kHz中频带宽的设置条件下,R&SZNA的测量动态范围可高达146dB(典型值),迹线噪声可低至0.001dB,这两个出色的性能指标是测量高抑制比滤波器必不可少的。借助R&SZNA独有的硬件设计特性,用户可以比以往快两倍的速度完成混频器的测量;在测量放大器方面,100dB的功率扫描范围、每个端口上内置的脉冲源和脉冲调制器、灵活的交调失真测量方法以及频谱分析等功能让测量任务变得更加容易。
简介:传统基于在线学习的网络浏览行为数据分析平台,缺乏大数据分析能力,无法挖掘和管理用户网络浏览行为,分析效率较低,具有一定的局限性。构建基于分布式集群的网络浏览行为大数据分析平台,平台总体结构由视图层、控制层、服务层、数据持久化层和数据层构成,使用分布式存储系统HDFS与分布式计算系统Spark组成的分布式集群存储和管理网络浏览行为产生的数据,通过数据上传流程将海量网络浏览数据源存储到分布式存储系统HDFS中,在Spark分布集群内运算数据挖掘任务,利用决策树ID3算法准确挖掘网络浏览行为。实验结果说明,所设计平台各项功能符合预期结果,平台进行数据源管理、用户行为分析的整体响应时间比基于在线学习的网络浏览行为数据分析平台低508.25ms、836.5ms,说明所设计平台具有较高的网络浏览行为大数据分析效率。
简介:古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。
简介:在有向传感网络(DirectionalSensorNetworks,DSN)中,关于覆盖目标的传统研究主要关注于最大化网络寿命,而忽略了目标覆盖的质量问题,尤其是具有异构覆盖要求的不同目标。为此,提出基于覆盖质量感知的最大化网络寿命(CoverageQualityaware-basedNetworkLifetimeMaximization,CQ-NLM)算法。CQ-NLM算法通过以最少的活动节点数最大化不同目标的覆盖质量,进而提高网络寿命。CQ-NLM算法先通过概率感测模型建立目标的覆盖概率,将剩余能量高的节点优先加入活动候选集。然后,建立目标函数,再由混合整数线性规划求解目标函数,进而提高网络寿命。仿真数据表明,与同类算法相比,提出的CQ-NLM算法以少的活动节点数换取了高的网络寿命。