一、SDT算法及其在过程数据压缩中的应用（论文文献综述）
严英[1]（2021）在《动态同步相量数据压缩方法研究》文中指出电网的可靠稳定的运行需要依赖大量数据信息的支持。广域测量系统（Wide-Area Measurement System,WAMS）中的同步相量测量装置（Phasor Measurement Unit,PMU）采集的动态同步相量数据,能更真实地反映实时运行的电网运行状态,为电网应用提供实时动态同步数据支撑。但是,电网规模扩大化造成PMU布点数呈指数增长,海量的动态同步相量数据使WAMS系统在传输和存储方面都面临巨大压力,因此,研究适用于WAMS系统的数据压缩方法具有非常重要的研究价值。目前大部分WAMS系统数据压缩方法将相量的幅值和相角分开进行处理,破坏了原本具有严格物理意义的两个量之间的一一对应关系,这将造成额外误差。本文针对上述问题,根据动态同步相量数据特点,考虑现有WAMS系统架构,从PMU子站和WAMS主站两个方面寻找满足WAMS系统的相量数据压缩的方法。研究具体内容如下:（1）详细分析了PMU采集测量的相量的幅值和相角的变化特点和采用同步相量数据压缩的必要性;根据WAMS系统的基本架构,分析了同步相量压缩需求;在对传统数据压缩方法和数据重建方法分析总结基础上,给出了本文采用的数据压缩性能评价和重建数据精度评价。（2）提出了一种用于PMU子站的相量旋转门的实时数据压缩方法,可以减轻实时传输中存在的数据冗余和延迟。基于IEEE C37.118标准中的综合矢量误差（Total Vector Error,TVE）,修改了传统旋转门的判定条件,将相量的幅值和相角结合在一起进行压缩,保留了幅值和相角的一一对应关系,充分地体现了PMU采集动态同步相量数据的特点。算例表明,该方法可以在PMU子站实现实时数据压缩并达到较高的压缩比,并在动态过程的压缩性能相比于稳态过程在可接受范围,且重建数据精度满足要求。（3）提出了一种用于WAMS主站的相量主成分分析的数据压缩方法,可以减少历史存储中存储容量需求和存储设备成本。从传统主成分分析的概念和物理意义出发,分析传统的主成分分析方法用于动态同步相量数据压缩的不足并改进,在时间尺度和空间尺度上建立了原始相量数据矩阵,这保留了PMU测量的动态同步相量数据的完整性和时空性。算例表明,该方法可以在WAMS主站达到较好压缩比,降低了存储容量,且重建数据精度满足要求。通过现场实测的动态同步相量数据,在MATLAB中对提出的两种相量数据压缩方法进行了编程验证,确定了所提出相量数据压缩方法的可行性和正确性。
宗阳[2]（2020）在《风电功率爬坡事件检测及预测方法研究》文中指出随着风力发电在电力系统中的渗透率不断提高,风电功率爬坡事件（短时间内功率的大幅度波动）对电网产生的冲击日益显着,因而预测风能中的爬坡事件具有重要意义。相比传统风电功率预测的研究而言,爬坡事件的研究目前还属于较新的领域。为更好地研究这类小概率事件,就需要认识风电爬坡事件的特征,相应的爬坡检测方法也一直是研究中的难点。基于此,本文将从检测识别、预测两个方面进行研究,主要内容如下:在风电爬坡事件检测方面,为提高爬坡事件的检测效率,采用旋转门算法（SDT）对原始风电功率数据进行分段趋势提取,预提取出潜在的爬坡段。针对检测中存在一些复杂爬坡事件,从功率变化趋势的角度,通过趋势标记的方法,将局部变化趋势分为上升趋势、平稳和下降趋势三类,提出一种基于趋势特征的爬坡检测方法。最后,对上海某风场2015年全年的数据进行爬坡事件识别。通过整理分析对应爬坡的起止时刻、爬坡量、爬坡方向及对应天气状况,验证了基于旋转门算法和趋势特征相结合的爬坡检测方法的有效性及实用性。在风电爬坡事件预测方面,考虑风速大小对预测精度影响的同时还需兼顾风速的变化,引入兼顾“值相似”与“形相似”的相似离度搜寻预测段的相似风速曲线,将风速及对应的功率构成最终相似样本簇。针对极限学习机（ELM）输入权值和阈值随机给定的问题,引入自适应的布谷鸟算法（ACS）进行优化选取,提出一种相似样本簇和ACS-ELM的风电功率预测模型;最后结合提出的检测算法实现对爬坡事件的间接预测。实验结果表明:基于相似样本簇和ACS-ELM相结合的预测模型能够避免冗余信息的干扰,训练样本更具针对性,节省了训练模型所需的时间,预测结果更接近于实际观测数据,间接确保了风电爬坡的有效预测。最后,设计了适合目标风场的风电功率预测系统,将上述的算法集成到预测系统的算法层模块中,并在实际风场进行稳定运行。
周芳[3]（2020）在《基于动作曲线压缩的道岔故障诊断研究》文中认为道岔作为铁路信号系统中的重要部件,其工作状态与行车效率、安全息息相关。随着城市轨道交通信息化建设的逐步深入和传感器技术的广泛应用,数量众多的传感器在很短时间内会产生大量的道岔监测数据。因此,面对大规模道岔监测数据占用空间大、处理难度大、数据冗余信息多等问题,研究道岔监测数据的压缩及快速诊断理论方法对指导工程实际具有重要价值和意义。道岔监测数据具有多样性、数据不平衡等特点,通过压缩可以达到节省存储空间、快速定位故障的目的。鉴于此,本文研究了道岔动作曲线自适应分段及压缩方法。此外,基于大量道岔压缩数据,本文还研究了一种道岔故障快速诊断方法。本文所做研究主要包含以下三方面:（1）通过分析道岔动作曲线特征,结合直方图阈值法、Boxcar算法、Max-Min算法研究了 一种基于道岔动作曲线的自适应分段方法。对曲线进行自适应分段能较好地保留曲线的原始特征,在SDT算法和Cubic算法的基础上,通过自适应调整SDT算法阈值,设计了一种基于道岔分段曲线的压缩和缩放方法。实验结果表明:自适应分段方法对不同类型的曲线分段效果良好;与其他压缩算法相比,本文提出的压缩算法具有压缩效率更高、精度更好的优点。（2）道岔曲线数据种类繁多,为保证压缩方法对道岔数据的普适性,本文从主观视觉、客观定量指标出发,细致且全面地分析了大量道岔动作曲线数据的压缩效果。同时设计了道岔动作曲线压缩多目标综合评判准则,从主观打分、压缩效率、重构误差等多个角度对压缩算法质量进行了综合评价。（3）研究道岔故障快速诊断方法。首先,分析大量数据,结合专家经验及数据可视化提取了 9种典型的故障模式;其次,针对监测数据不平衡问题,设计了 DTW-SMOTE加权解决策略;最后,采用全卷积网络FCN提取曲线序列局部特征、长短期记忆网络LSTM网络学习时序特征,搭建了基于LSTM-FCN的道岔故障快速诊断模型。实验数据表明:通过输入同一维度的压缩数据,模型参数更少、训练时间短、收敛更快、诊断效率高。最后,总结本文主要研究内容,展望下一步研究方向。
王嘉伟[4]（2019）在《应用数据压缩和即时通信技术的电磁探伤数据分析系统研制》文中研究指明随着我国高铁技术的飞速发展和铁路运输量的大大提升,列车行车安全需要满足更高的要求,钢轨探伤是保障列车安全行驶的重要部分,传统的手推钢轨探伤小车已经很难满足现役钢轨检测需求,这将对检测速度高的探伤设备需求大大增加。目前我国主要应用的钢轨检测方法为超声波检测,该方法在检测时需要对钢轨使用耦合剂并与其密贴,严重影响探伤效率,很难满足未来高铁线路的探伤需求。而涡流检测具有无损、高速和非接触等特点,但当采用涡流检测对钢轨进行高速探伤时意味着会产生巨大的数据量,这将对采集数据的上传造成很大的困难。本文以电磁钢轨探伤技术为背景,重点阐述了针对电磁钢轨探伤数据的有损压缩算法设计和电磁探伤数据分析系统的开发。该系统将接收的探伤数据经过数据压缩上传到服务器中,工作人员可进入系统查看探伤数据及损伤结果。论文主要研究工作如下:（1）研究了涡流检测的基本原理,详细阐述了信息论的基本概念及数据压缩主要性能指标,并分别研究了几种常见的无损压缩算法和有损压缩算法。（2）借助有限元分析软件建立了电磁钢轨探伤仿真模型,分别对钢轨的横裂纹和鱼鳞纹损伤进行了探伤仿真,确定了磁感应强度与深度之间的关系,通过对求解的数据进行解调,得到了有无损伤、不同损伤时检测值的关系以及相同损伤不同深度与检测值的关系。（3）搭建了电磁探伤数据压缩系统和电磁探伤信息平台。其中探伤数据压缩系统实现了控制电磁探伤数据的压缩、上传等功能。电磁探伤信息平台应用了 ECS服务器,设计了电磁探伤信息平台的数据库,并实现了电磁探伤信息平台的角色管理、实时监控探伤和查看历史数据的功能,整个系统也可应用在微信公众号中。（4）根据电磁探伤数据特点得到数据压缩方案,重点研究了对于钢轨探伤数值的旋转门（SDT）压缩算法。针对SDT算法对电磁钢轨探伤数据压缩的不足,提出了改进的旋转门压缩算法,并验证了使用改进旋转门压缩算法对探伤数据进行处理的可行性和效果。
纪晓璐[5]（2019）在《基于轻量级RTDB的数据采集与监控系统的研究与实现》文中指出物联网技术是新一代信息技术的重要组成部分。随着工业自动化需求的不断提升,工业化与物联网相互结合,实现在工业生产过程中的设备监控和生产状况分析。在基于物联网的数据采集与监控系统中,数据的存储和传输是一项关键的技术。尤其对于实时性高、数据采集量大,并且长时间工作于数据采集现场的监控系统来说,数据采集的高效性、稳定性必须得到保证。因此本文提出了利用Redis内存数据库和高性能的PostgreSQL数据库,结合数据压缩处理以及RabbiMQ实时数据传输技术来实现轻量级的RTDB（Real-time Database,实时数据库）的方法,以满足中小型企业的工业生产过程监控需求,减少购买大型昂贵RTDB（Real-time Database,实时数据库）的成本。考虑到RTDB中数据高效存储的需求,对基于预处理的二级压缩策略中的LZW（Lemple-Ziv-Welch）算法进行优化,减少数据压缩和解压所用的时间,提高数据查询效率。本文首先介绍了选题的背景与研究意义、国内外研究现状以及相关技术。其次,根据实际需求对其体系结构和功能结构进行了设计。然后对监控系统的核心——轻量级的RTDB进行了设计,并阐述将Redis、PostgreSQL、RabbitMQ与基于预处理的二级压缩策略相结合应用的过程。接下来,对实现人机交互的组态客户端和上、下位机进行数据交互的通信服务的功能进行设计。最后,对LZW压缩算法进行了研究与优化。本文的主要工作如下:1.阐述了数据采集与监控系统的总体需求,并对其体系结构和功能结构进行设计,随后对本课题实现所用到的操作平台和关键开发技术进行了描述。2.研究RTDB在监控系统中的功能以及主要技术。针对监测数据的实时传输和历史数据的持久化存储,对实现实时通讯的RabbitMQ进行研究,同时搭建高可用Redis Cluster来实现对实时数据的缓存;根据历史数据压缩存储的需求,分别对数据压缩策略和历史库结构进行详细设计。3.研究组态客户端在监控系统中的应用,根据功能需求,对其功能模块进行划分,并阐述前后端分离技术在组态客户端的应用价值。4.分析监控系统上、下位机进行通信的过程,并利用NodeJS实现数据采集服务和设备控制服务。5.研究适用于历史数据压缩的LZW算法,以缩短数据压缩和解压时间为目标,从编码长度和字典结构方面入手,对LZW进行优化。并通过对比实验验证其有效性。
曹晶晶[6]（2019）在《数控机床可视化监控过程数据压缩技术研究》文中研究说明智能制造背景下,随着企业对数控机床可视化监控系统的智能化需求不断提高,海量的监控过程数据被实时采集。它们具有数据量大、数据增长快、数据价值大等特点,如何压缩并存储这些海量的数据成为企业信息化进程中一个亟待解决的难题。因此,本文对数控机床监控过程数据进行了深入的研究,在此基础上提出了监控过程数据的压缩策略,并将它们应用于数控机床可视化监控系统的开发中。本文的主要研究内容如下:（1）通过对现有压缩算法的研究,分析将它们用于数控机床监控过程数据压缩的局限性。深入研究机床监控过程数据的结构、特点及规律,针对监控过程中的开关量数据、三维轨迹数据与模拟量数据,利用数据不同的变化规律,分别提出对应的压缩策略。（2）针对机床监控的三维轨迹数据,本文提出一种基于NC程序解析的数据压缩方法。通过研究三维轨迹数据与NC代码之间的对应关系,提出了实时数据的NC代码匹配方法及异常数据的识别方法。利用实时坐标与NC代码解析的理论轨迹之间的位置误差作为压缩过程的判断依据,通过误差限的动态调节来获得更好的压缩效果。（3）针对机床监控的模拟量数据,提出一种基于相似性匹配的改进型SDT数据压缩算法。构建了监控过程模拟量数据的实时状态模型和历史状态矩阵。针对状态模型与历史状态矩阵的子序列间可能存在时间延迟而导致相似度计算不准确的问题,提出一种基于窗口平移的状态模型相似度量方法。针对不同压缩区间,通过该相似度量方法将实时状态模型与历史状态矩阵的子序列相匹配,从而动态调整SDT算法的门限值,使算法适应监控过程模拟量数据的变化趋势。（4）将本文提出的压缩方法应用于数控机床可视化监控系统的开发中,验证算法的可靠性和实用性。利用Unity3D和Eclipse平台完成监控系统的开发,通过实时数据的压缩、解压缩为监控系统提供数据支撑,从而实现系统的三维可视化监控、历史数据查询、数据统计等功能。
林勇[7]（2017）在《云协同仿真环境下Modelica数据存储与压缩方法研究》文中进行了进一步梳理基于Web服务的分布多领域建模仿真系统已经成为系统仿真界下一代分布多领域建模仿真系统的研究热点。Modelica仿真数据的数据量过大使得仿真数据的存储空间消耗大,仿真数据在计算机之间共享传输费时,不利于多领域专家的协同工作,严重阻碍了基于Web服务的Modelica建模仿真系统的进一步研究发展。对Modelica仿真数据进行高效压缩存储,是提升Modelica仿真数据在互联网环境下存取及网络传输效率的重要方法。本文从Modelica建模仿真原理上总结了Modelica仿真数据的数据特点和使用特点。然后结合Modelica仿真数据的数据特点和使用特点,从存储结构、压缩算法、存储编码三个方面对Modelica仿真数据的压缩存储展开研究。结合Modelica仿真数据的使用特点,对Modelica仿真数据重新设计了存储结构。这种存储结构具体为将Modelica仿真数据以变量为单位分治存储,然后以文件树组织,建立多级索引表。这种方式不仅能够清晰的反应Modelica仿真数据变量之间的逻辑关系,还能减少它们读取的查询时间,更加适合应用在Web环境下的Modelica仿真数据的存储。针对Modelica仿真数据,结合它自身的数据特点提出了一种SDT压缩算法的改进算法DCSDT,并且测试证明了DCSDT算法在Modelica仿真数据压缩中比SDT算法的压缩误差减少了14%20%,压缩比增大了19%,尤其在对周期数据压缩中,压缩比显着增大。对经过DCSDT算法压缩后的Modelica仿真数据设计了编码方式。对时间序列Time Area采用γ编码存储。针对整型的Modelica仿真数据,先将数据序列进行差值变换,再使用变长字节编码。最后对浮点型Modelica仿真数据设计了一种MYDTI编码。MYDTI编码主要思想是将浮点数转为两个整数,采用变长编码存储。
陈勇[8]（2017）在《基于北斗短报文通信的过程数据压缩方法》文中研究表明短报文通信是我国北斗卫星导航系统特有的一个功能,可用于公网通信覆盖盲区的数据传输。然而,由于北斗短报文通信频度和报文长度的限制,大大降低了北斗短报文通信的实用性。为解决此问题,本文提出了一种用于北斗短报文通信数据的压缩方法,通过压缩数据来减少数据量,从而提升通信效率。该压缩方法分两步,第一步为有损压缩,使用了工业数据库压缩技术中常用的旋转门算法（Spinning Door Transformation,SDT）作为有损压缩的基础,同时为了实现有损压缩的精度可调,设计了改进的BP神经网络PID控制器对旋转门算法的参数进行在线调整。第二步为无损压缩,提出了前置特殊字节法,配合差值传递的无损压缩策略。实验表明经过此压缩方法两步压缩后,对原始工业过程数据完成了较高的压缩,同时,数据压缩的精度还可在线准确调整。由此证明,该工业过程数据压缩方法在频度和报文长度受限的北斗短报文通信中具有实用价值。本文研究工作内容如下:首先,研究了常用的数据压缩算法及其基本概念。压缩技术一般可分为了有损压缩和无损压缩。考虑到本课题的主要目标是对工业过程数据的压缩,因此重点研究了工业数据压缩领域的专用有损压缩技术和一些通用的无损压缩技术。然后,针对本文的实际问题,提出了基于北斗通信的工业用过程数据有损压缩算法。在提出此算法前,分别研究了PID算法和神经网络算法,并完成了被控对象模型的设计,最后完成了BP神经网络PID控制器的设计及其改进工作。之后,提出了针对工业过程数据的一种无损压缩算法。为了更好的根据待压缩数据特点设计相应的压缩算法,先对工业过程数据进行了分类,后又分别设计了针对状态量和质量码的无损压缩算法。工业过程数据中应用最广泛的一类数据是浮点型数据,因此重点设计了针对浮点型数据,利用北斗短报文通信时的无损压缩算法。最后,对上文所设计的算法进行了仿真实验。根据实验结果确定了最佳的自控精度有损压缩算法控制器及其对应算法,确定了针对质量码的最佳压缩算法,而且对于浮点型过程数据,通过无损和有损两个阶段的压缩实验,对算法整体性能做出评价。
付艳萍[9]（2017）在《基于马尔可夫模型的SCADA历史数据的存储研究》文中提出在大数据时代,工业领域中所产生的数据呈几何级数增长,其中对于数据采集与监视控制系统SCADA（Supervisory Control And Data Acquisition）而言,如何对传感器采集的数据进行高效存储是当前重要的研究方向。历史数据作为SCADA系统的重要组成部分,其能够有效地保证系统稳定与正常运行。在非关系型数据库（NoSQL,Not Only SQL）兴起之前,关系型数据库是进行历史数据存储的主要手段,但是面对海量历史数据的存储,关系型数据库已经无法满足SCADA系统在高并发、高实时、高可靠性方面的需求。在此背景下,对SCADA历史数据的存储进行研究具有十分重要的意义。本文主要围绕数据压缩算法和马尔可夫模型展开研究工作,其中将改进的旋转门算法（SDT,Swinging Door Trending）应用于SCADA历史数据存储前的数据预处理,并基于马尔可夫模型对MongoDB数据负载均衡算法进行优化与改进。主要研究内容如下:（1）针对关系型数据库在海量数据存储方面的不足,本文提出复制集+sharding的MongoDB集群存储方案;（2）根据SCADA历史数据中的状态量和模拟量的的特点分别提出数据压缩策略,重点研究了用于模拟量压缩的旋转门算法。针对旋转门算法在进行历史数据压缩时的不足,提出了基于正弦曲线的旋转门算法改进方案,并将其应用在SCADA历史数据存储前的数据预处理;（3）分析了三种搭建MongoDB集群的方式,即主从集群、分片集群与复制集+sharding集群,为了满足海量存储和动态扩容的需求,本文提出复制集+sharding集群的总体架构;（4）深入研究MongoDB的自动分片机制,针对其在数据均衡方面存在的不足,提出基于马尔可夫链的解决方案。利用马尔可夫的后无效性以及概率转移的特性对数据负载均衡算法进行改进,并通过实验证明改进数据负载均衡算法在数据均衡过程中可以降低数据块的转移量,提高MongoDB集群的读写性能。
王苹[10]（2014）在《SQL数据库使用过程中SDT压缩算法的探讨》文中进行了进一步梳理针对SQL Server数据库使用时候产生的大量历史过程数据,提出新的压缩算法——SDT算法,对数据库记录在历史存储的过程进行有效可靠的管理。首先利用OPC在化工生产流程中进行数据采集,然后采用SDT压缩算法进行数据的压缩后存储相关数据,其间采用二次无损压缩技术进行操作。试验表明,采用该方式可以对大批量的数据进行有针对性的存储和管理。
二、SDT算法及其在过程数据压缩中的应用（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、SDT算法及其在过程数据压缩中的应用（论文提纲范文）
（1）动态同步相量数据压缩方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 IEEE标准和数据压缩分类 |
| 1.2.2 趋势提取的有损数据压缩 |
| 1.2.3 特征提取的有损数据压缩 |
| 1.3 本文主要内容 |
| 2 广域测量系统和数据压缩与重建 |
| 2.1 同步相量测量及动态同步相量数据特点分析 |
| 2.1.1 PMU同步相量测量原理 |
| 2.1.2 PMU动态同步相量数据的特点 |
| 2.1.3 同步相量数据压缩的必要性 |
| 2.2 WAMS系统结构和同步相量压缩需求分析 |
| 2.2.1 WAMS系统结构 |
| 2.2.2 WAMS中动态数据的压缩需求分析 |
| 2.3 数据压缩的一般流程和性能评价 |
| 2.3.1 数据压缩的一般流程 |
| 2.3.2 压缩性能评价 |
| 2.4 数据重建的一般流程和重建数据精度评价 |
| 2.4.1 数据重建的一般流程 |
| 2.4.2 综合矢量误差 |
| 2.4.3 归一化均方误差 |
| 2.5 本章小结 |
| 3 用于PMU子站的相量数据实时压缩方法 |
| 3.1 传统的旋转门压缩方法 |
| 3.2 复数域的PMU子站的相量数据实时压缩方法 |
| 3.2.1 实数域旋转门方法的复数域扩展 |
| 3.2.2 相量旋转门实时数据压缩方法 |
| 3.2.3 数据压缩实现流程 |
| 3.2.4 相量旋转门的压缩参数选择 |
| 3.3 相量旋转门压缩方法的数据重建 |
| 3.4 实例验证 |
| 3.4.1 用于PMU子站的相量数据压缩 |
| 3.4.2 与常用数据压缩方法对比分析 |
| 3.4.3 PMU子站的同步相量数据重建 |
| 3.5 本章小结 |
| 4 用于WAMS主站的相量数据压缩方法 |
| 4.1 传统的主成分分析方法 |
| 4.2 复数域的WAMS主站的相量数据压缩方法 |
| 4.2.1 相量主成分分析数据压缩方法 |
| 4.2.2 主成分个数选择 |
| 4.2.3 相量主成分分析方法的数据重建 |
| 4.3 实例验证 |
| 4.3.1 整体数据压缩对比分析 |
| 4.3.2 WAMS主站的同步相量数据重建 |
| 4.3.3 PSDT与 PPCA对比 |
| 4.4 本章小结 |
| 5 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）风电功率爬坡事件检测及预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 风电功率预测研究现状 |
| 1.2.2 风电爬坡事件研究现状 |
| 1.3 研究内容及创新点 |
| 1.3.1 研究内容 |
| 1.3.2 本文创新点 |
| 1.4 章节安排 |
| 第二章 风电场概况及数据分析 |
| 2.1 风场概况及数据的预处理 |
| 2.1.1 风场概况 |
| 2.1.2 数据预处理 |
| 2.2 输出功率影响因素分析 |
| 2.2.1 风力发电原理简介 |
| 2.2.2 一般影响因素 |
| 2.3 评价指标 |
| 2.4 本章小结 |
| 第三章 风电爬坡事件检测方法研究 |
| 3.1 爬坡事件的识别方法 |
| 3.1.1 爬坡事件的表征量 |
| 3.1.2 常用爬坡事件检测方法对比 |
| 3.2 基于趋势特征的爬坡事件检测方法 |
| 3.2.1 旋转门算法 |
| 3.2.2 基于旋转门算法的趋势定义 |
| 3.2.3 基于趋势特征的爬坡事件检测方法 |
| 3.3 案例分析 |
| 3.3.1 检测效果分析 |
| 3.3.2 典型爬坡事件分析 |
| 3.3.3 爬坡特性分析 |
| 3.4 本章小结 |
| 第四章 基于相似样本簇和ACS-ELM的风电爬坡预测 |
| 4.1 ACS-ELM算法介绍 |
| 4.1.1 极限学习机算法 |
| 4.1.2 布谷鸟算法 |
| 4.1.3 自适应的布谷鸟算法 |
| 4.1.4 ACS-ELM预测模型 |
| 4.2 误差分析 |
| 4.3 相似性样本选取 |
| 4.3.1 相似性判据 |
| 4.3.2 相似样本簇 |
| 4.4 基于相似样本簇和ACS-ELM的风电爬坡预测模型 |
| 4.5 案例分析 |
| 4.6 本章小结 |
| 第五章 风电功率预测系统的研究与实现 |
| 5.1 风电功率预测平台架构 |
| 5.1.1 风电功率预测平台 |
| 5.1.2 预测系统 |
| 5.1.3 通信系统 |
| 5.2 风电功率预测系统总体框架 |
| 5.2.1 数据层设计 |
| 5.2.2 算法层设计 |
| 5.2.3 业务层设计 |
| 5.3 风电功率预测系统的实现 |
| 5.3.1 系统主界面 |
| 5.3.2 系统管理 |
| 5.3.3 系统设置 |
| 5.3.4 状态监测 |
| 5.3.5 预测曲线 |
| 5.3.6 统计信息 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）基于动作曲线压缩的道岔故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据压缩算法的国内外研究现状 |
| 1.2.2 道岔故障诊断方法国内外研究现状 |
| 1.3 论文主要研究内容及框架结构 |
| 第2章 理论基础 |
| 2.1 道岔监测基本理论 |
| 2.1.1 监测设备采集原理 |
| 2.1.2 道岔动作过程分析 |
| 2.2 数据压缩基本理论 |
| 2.2.1 数据压缩基本原理 |
| 2.2.2 矢量曲线数据压缩算法 |
| 2.2.3 分段线性压缩方法 |
| 2.2.4 深度学习数据压缩方法 |
| 2.3 本章小结 |
| 第3章 道岔动作曲线自适应压缩方法研究 |
| 3.1 道岔动作曲线分析及工况分类 |
| 3.2 CSSC压缩算法框架 |
| 3.3 基于综合算法的道岔动作曲线自适应分段 |
| 3.3.1 基于直方图阈值法的曲线分段 |
| 3.3.2 基于Boxcar算法的曲线分段 |
| 3.3.3 基于Max-Min算法的曲线分段 |
| 3.3.4 基于综合算法的曲线自适应分段 |
| 3.4 基于曲线分段的自适应压缩算法 |
| 3.4.1 参数对压缩结果的影响 |
| 3.4.2 自适应SDT算法 |
| 3.4.3 算法可行性验证 |
| 3.5 道岔曲线压缩结果试验分析 |
| 3.5.1 不同工况压缩结果分析 |
| 3.5.2 不同压缩算法对比分析 |
| 3.6 本章小结 |
| 第4章 道岔动作曲线压缩与重构综合评价 |
| 4.1 主客观数字评价指标 |
| 4.1.1 主观评价 |
| 4.1.2 客观评价指标 |
| 4.1.3 综合评价准则 |
| 4.2 压缩与重构结果主观评价分析 |
| 4.3 压缩与重构结果客观评价分析 |
| 4.3.1 期望压缩长度确定 |
| 4.3.2 全参考评价结果分析 |
| 4.3.3 半参考评价结果分析 |
| 4.4 综合评价结果分析 |
| 4.5 本章小结 |
| 第5章 基于压缩数据的道岔故障诊断 |
| 5.1 道岔故障数据分析 |
| 5.2 不平衡数据集处理 |
| 5.2.1 不平衡数据解决策略 |
| 5.2.2 DTW-SMOTE加权改进 |
| 5.3 基于压缩数据的快速深度学习故障诊断模型 |
| 5.3.1 LSTM网络模型 |
| 5.3.2 FCN网络模型 |
| 5.3.3 基于LSTM-FCN的道岔故障诊断模型 |
| 5.4 实验与结果分析 |
| 5.4.1 实验环境搭建 |
| 5.4.2 诊断模型实验分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的论文及参与的科研项目 |
（4）应用数据压缩和即时通信技术的电磁探伤数据分析系统研制（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 钢轨探伤的研究背景和意义 |
| 1.2 钢轨探伤设备的发展 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 发展趋势 |
| 1.3 数据压缩理论的发展 |
| 1.3.1 理论概述 |
| 1.3.2 研究现状 |
| 1.3.3 发展趋势 |
| 1.4 即时通信的发展 |
| 1.4.1 理论概述 |
| 1.4.2 发展现状及趋势 |
| 1.4.3 即时通信在电磁钢轨探伤中的应用 |
| 1.5 数据压缩在电磁探伤中的应用 |
| 1.6 论文结构内容及工作安排 |
| 2 电磁探伤与数据压缩理论 |
| 2.1 电磁探伤原理 |
| 2.1.1 涡流检测原理 |
| 2.1.2 电磁钢轨探伤传感器分析 |
| 2.2 数据压缩基本理论 |
| 2.2.1 信息论 |
| 2.2.2 数据压缩主要性能指标 |
| 2.2.3 数据压缩分类 |
| 2.3 常用数据压缩算法 |
| 2.3.1 霍夫曼编码 |
| 2.3.2 LZ系列算法 |
| 2.3.3 矩形波串法与后向斜率法 |
| 2.3.4 死区压缩算法 |
| 2.4 本章小结 |
| 3 电磁钢轨探伤仿真及分析 |
| 3.1 有限元建模方法研究 |
| 3.2 电磁钢轨探伤有限元模型搭建及仿真 |
| 3.2.1 钢轨表面缺陷的选择 |
| 3.2.2 电磁钢轨探伤模型搭建及参数设置 |
| 3.2.3 网格剖分及求解 |
| 3.3 数据处理和分析 |
| 3.3.1 仿真数据解调 |
| 3.3.2 仿真数据分析 |
| 3.4 本章小结 |
| 4 探伤数据压缩系统与电磁探伤信息平台设计 |
| 4.1 电磁探伤系统架构 |
| 4.1.1 电磁钢轨探伤系统 |
| 4.1.2 探伤数据压缩系统与电磁探伤信息平台设计 |
| 4.2 探伤数据压缩系统实现 |
| 4.2.1 硬件控制平台结构及选型 |
| 4.2.2 Linux系统移植 |
| 4.2.3 数据通信设计 |
| 4.3 电磁探伤信息平台实现 |
| 4.3.1 服务器与数据库配置 |
| 4.4.2 角色管理系统 |
| 4.3.3 探伤数据监控系统 |
| 4.3.4 历史数据图形化显示 |
| 4.3.5 微信公众平台开发 |
| 4.4 本章小结 |
| 5 数据压缩算法的改进与验证 |
| 5.1 数据压缩在电磁探伤中的应用 |
| 5.1.1 电磁探伤数据的压缩方案 |
| 5.1.2 SDT算法 |
| 5.2 改进的旋转门压缩算法 |
| 5.2.1 改进算法的基本原理 |
| 5.2.2 探伤数据预处理 |
| 5.2.3 探伤数据改进SDT步骤 |
| 5.3 数据压缩实验分析 |
| 5.4 探伤数据压缩验证 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 论文结论 |
| 6.2 论文展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于轻量级RTDB的数据采集与监控系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 RTDB研究现状 |
| 1.2.2 SCADA的研究现状 |
| 1.2.3 数据压缩的研究现状 |
| 1.3 本文研究工作 |
| 1.4 论文组织结构 |
| 第2章 数据采集与监控系统总体设计 |
| 2.1 系统需求分析 |
| 2.1.1 功能性需求分析 |
| 2.1.2 非功能性需求分析 |
| 2.2 系统体系结构设计 |
| 2.3 功能结构设计 |
| 2.4 操作平台和技术选型 |
| 2.4.1 操作平台选择 |
| 2.4.2 技术选型 |
| 2.5 本章小结 |
| 第3章 轻量级RTDB的设计与实现 |
| 3.1 轻量级RTDB的体系结构设计 |
| 3.2 RabbitMQ实时通讯服务 |
| 3.2.1 RabbitMQ消息队列概述 |
| 3.2.2 RabbitMQ在 RTDB中的应用 |
| 3.3 实时库的设计实现 |
| 3.3.1 Redis与 RedisCluster概述 |
| 3.3.2 RedisCluster高可用方案 |
| 3.3.3 实时数据模型 |
| 3.3.4 实时数据存储结构 |
| 3.3.5 数据转储 |
| 3.4 数据处理模块的设计实现 |
| 3.4.1 报警处理 |
| 3.4.2 历史数据处理 |
| 3.5 历史数据压缩策略设计 |
| 3.5.1 历史数据特点分析 |
| 3.5.2 数据预处理 |
| 3.5.3 初级有损压缩 |
| 3.5.4 二级整理压缩 |
| 3.6 历史库的设计实现 |
| 3.6.1 关系数据库的应用 |
| 3.6.2 历史数据表结构设计 |
| 3.7 本章小结 |
| 第4章 组态客户端的设计与实现 |
| 4.1 前后端分离模式 |
| 4.2 组态客户端功能模块划分 |
| 4.3 用户管理模块 |
| 4.4 工程管理模块 |
| 4.4.1 基本工程管理 |
| 4.4.2 工作台管理 |
| 4.4.3 数据点管理 |
| 4.5 监控管理模块 |
| 4.5.1 监控画面 |
| 4.5.2 实时数据 |
| 4.5.3 数据曲线 |
| 4.5.4 报警管理 |
| 4.6 资源管理模块 |
| 4.6.1 图形控件 |
| 4.6.2 静态资源 |
| 4.7 本章小结 |
| 第5章 通信服务的设计与实现 |
| 5.1 通信过程设计 |
| 5.2 采集与控制服务 |
| 5.3 指令监听服务 |
| 5.4 本章小结 |
| 第6章 LZW压缩算法的研究与优化 |
| 6.1 LZW压缩算法的分析 |
| 6.2 LZW压缩算法的优化与改进 |
| 6.2.1 可变长度编码 |
| 6.2.2 字典存储结构优化 |
| 6.2.3 LZW优化算法的实现 |
| 6.3 实验结果对比分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（6）数控机床可视化监控过程数据压缩技术研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.2.1 课题研究背景 |
| 1.2.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数控机床监控技术的研究现状 |
| 1.3.2 工业过程数据压缩的研究现状 |
| 1.4 研究内容及论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 第2章 数控机床监控过程数据及其压缩策略研究 |
| 2.1 数据压缩技术概述 |
| 2.1.1 数据压缩分类 |
| 2.1.2 常用过程数据压缩技术 |
| 2.2 数控机床可视化监控过程数据研究 |
| 2.2.1 数控机床可视化监控过程数据的结构 |
| 2.2.2 数控机床可视化监控过程数据的特点 |
| 2.2.3 数控机床可视化监控过程数据的变化规律 |
| 2.3 监控过程数据压缩策略分析 |
| 2.3.1 监控过程数据处理流程 |
| 2.3.2 开关量数据的压缩策略 |
| 2.3.3 三维轨迹数据的压缩策略 |
| 2.3.4 模拟量数据的压缩策略 |
| 2.4 本章小结 |
| 第3章 基于NC程序解析的三维轨迹数据压缩方法 |
| 3.1 数控机床三维轨迹数据压缩流程 |
| 3.2 三维轨迹数据的NC代码匹配方法 |
| 3.2.1 三维轨迹数据的NC代码匹配条件 |
| 3.2.2 NC代码匹配及异常点识别流程 |
| 3.3 基于NC程序解析的数控机床三维轨迹数据压缩算法 |
| 3.3.1 NBPC算法原理 |
| 3.3.2 位置误差的计算模型 |
| 3.3.3 误差限的动态控制模型 |
| 3.3.4 NBPC算法步骤 |
| 3.3.5 NBPC算法解压缩过程 |
| 3.4 性能测试 |
| 3.4.1 压缩性能评价指标 |
| 3.4.2 测试数据来源 |
| 3.4.3 测试结果 |
| 3.5 本章小结 |
| 第4章 基于相似性匹配的监控模拟量数据压缩方法 |
| 4.1 监控过程模拟量数据压缩流程 |
| 4.1.1 模拟量数据的特点及分类 |
| 4.1.2 模拟量数据压缩流程 |
| 4.2 状态模型及其相似度量方法研究 |
| 4.2.1 实时状态模型 |
| 4.2.2 构建历史状态矩阵 |
| 4.2.3 状态模型相似度量方法 |
| 4.3 监控过程模拟量数据压缩方法 |
| 4.3.1 改进SDT算法原理 |
| 4.3.2 动态门限值计算模型 |
| 4.3.3 改进SDT算法步骤 |
| 4.3.4 改进SDT算法解压缩步骤 |
| 4.4 性能测试 |
| 4.4.1 压缩性能评价指标 |
| 4.4.2 测试数据来源 |
| 4.4.3 测试结果 |
| 4.5 本章小结 |
| 第5章 数据压缩在机床可视化监控系统中的应用 |
| 5.1 监控系统开发环境及体系结构 |
| 5.1.1 系统的开发环境 |
| 5.1.2 系统的体系结构 |
| 5.2 数据库设计 |
| 5.2.1 数据读写过程 |
| 5.2.2 数据表的设计 |
| 5.3 应用实例 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A攻读硕士学位期间的科研成果 |
| 附录 B |
| 附录 C |
（7）云协同仿真环境下Modelica数据存储与压缩方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.2 课题来源、目的和意义 |
| 1.3 相关内容研究现状 |
| 1.4 时序数据压缩算法概述 |
| 1.5 本文的主要工作和内容安排 |
| 2 Modelica仿真数据分析 |
| 2.1 引言 |
| 2.2 Modelica仿真数据及元数据 |
| 2.3 Modelica仿真数据的使用特点 |
| 2.4 Modelica仿真数据的数据特点 |
| 2.5 Modelica仿真数据压缩方案 |
| 2.6 本章小结 |
| 3 Web环境下Modelica仿真数据的存储结构设计 |
| 3.1 引言 |
| 3.2 时序数据的行存储与列存储 |
| 3.3 Web环境下Modelica仿真数据存储结构的缺陷 |
| 3.4 Web环境下Modelica仿真数据存储结构设计 |
| 3.5 本章小结 |
| 4 针对Modelica仿真数据压缩的改进SDT算法 |
| 4.1 引言 |
| 4.2 SDT算法的原理 |
| 4.3 SDT算法在Modelica仿真数据应用中的不足 |
| 4.4 改进SDT算法 |
| 4.5 DCSDT算法测试 |
| 4.6 本章小结 |
| 5 Web环境下Modelica仿真数据的存储编码设计 |
| 5.1 引言 |
| 5.2 Modelica仿真数据时间序列存储编码设计 |
| 5.3 Modelica整型仿真数据存储编码设计 |
| 5.4 Modelica浮点型仿真数据存储编码设计 |
| 5.5 本章小结 |
| 6 应用验证 |
| 6.1 引言 |
| 6.2 基于Web环境的Modelica建模仿真平台——“Comodel” |
| 6.3 “CoModel”平台仿真数据存储压缩方式 |
| 6.4 “CoModel”平台压力测试 |
| 6.5 本章小结 |
| 7 总结展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
（8）基于北斗短报文通信的过程数据压缩方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本课题的来源背景及研究意义 |
| 1.1.1 课题的来源 |
| 1.1.2 研究意义 |
| 1.2 北斗短报文通信及数据压缩国内外研究现状 |
| 1.2.1 卫星导航通信国内外研究现状 |
| 1.2.2 数据压缩国内外研究现状 |
| 1.3 本文主要的研究内容、工作和结构安排 |
| 第2章 常见压缩算法研究 |
| 2.1 引言 |
| 2.2 工业过程数据有损压缩方法介绍 |
| 2.2.1 矩阵波串法和后向斜率法 |
| 2.2.2 PLOT 算法 |
| 2.2.3 旋转门算法 |
| 2.3 通用无损压缩技术介绍 |
| 2.3.1 基于统计模型的压缩算法 |
| 2.3.2 基于字典模型的压缩算法 |
| 2.4 本章小结 |
| 第3章 基于北斗自控精度有损压缩算法设计 |
| 3.1 引言 |
| 3.2 常规PID控制算法 |
| 3.2.1 基本的PID控制原理 |
| 3.2.2 数字PID控制 |
| 3.3 BP神经网络算法介绍 |
| 3.3.1 BP算法基本原理 |
| 3.3.2 BP网络结构和推导 |
| 3.4 自控精度有损压缩算法设计 |
| 3.4.1 被控对象模型建立 |
| 3.4.2 BP-PID控制器设计 |
| 3.4.3 BP-PID控制器的改进 |
| 3.4.4 自控精度有损压缩算法实现步骤 |
| 3.5 本章小结 |
| 第4章 基于北斗的过程数据无损压缩算法设计 |
| 4.1 引言 |
| 4.2 工业数据分类 |
| 4.2.1 状态量 |
| 4.2.2 质量码 |
| 4.2.3 温度/流量/压力/阻力(浮点型) |
| 4.3 状态量的无损压缩 |
| 4.4 质量码的无损压缩 |
| 4.5 浮点型数据的无损压缩 |
| 4.5.1 涉及到的技术研究 |
| 4.5.2 浮点数数据预处理 |
| 4.5.3 浮点数数据无损压缩步骤 |
| 4.6 本章小结 |
| 第5章 仿真实验 |
| 5.1 引言 |
| 5.2 实验数据来源 |
| 5.2.1 浮点型数据来源 |
| 5.2.2 质量码数据来源 |
| 5.3 自控精度有损压缩算法及其改进算法分析对比 |
| 5.3.1 数据独立压缩对比分析 |
| 5.3.2 数据连续压缩对比分析 |
| 5.4 质量码无损压缩算法性能测试 |
| 5.4.1 信息熵 |
| 5.4.2 质量码无损压缩算法结果对比 |
| 5.5 基于北斗短报文通信的过程数据压缩算法整体性能测试 |
| 5.5.1 整体压缩结果对比 |
| 5.5.2 整体压缩性能小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（9）基于马尔可夫模型的SCADA历史数据的存储研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文的研究内容 |
| 1.4 论文的组织结构 |
| 第2章 非关系型数据库技术和数据压缩算法 |
| 2.1 NoSQL |
| 2.1.1 NoSQL的数据库介绍 |
| 2.1.2 面向文档存储MongoDB |
| 2.1.3 与关系型数据库的差异 |
| 2.2 数据压缩 |
| 2.2.1 数据压缩相关技术 |
| 2.2.2 霍夫曼编码 |
| 2.2.3 LZ系列算法 |
| 2.2.4 死区限值压缩算法 |
| 2.2.5 矩形波串法 |
| 2.2.6 标量量化技术 |
| 2.2.7 矢量量化技术 |
| 2.3 本章小结 |
| 第3章 数据压缩方法的研究与改进 |
| 3.1 数据压缩在SCADA系统中的应用 |
| 3.1.1 SCADA历史数据的数据压缩策略 |
| 3.1.2 SDT算法 |
| 3.2 改进的旋转门压缩算法 |
| 3.2.1 ASDT算法的基本原理 |
| 3.2.2 ASDT算法的压缩步骤 |
| 3.3 实验分析 |
| 3.4 本章小结 |
| 第4章 高可用Mongo DB集群的搭建 |
| 4.1 MongoDB集群的搭建方式 |
| 4.1.1 复制集 |
| 4.1.2 sharding分片 |
| 4.2 复制集+sharding集群的搭建 |
| 4.2.1 复制集+sharding集群的总体架构 |
| 4.2.2 复制集+sharding集群的搭建 |
| 4.3 本章小结 |
| 第5章 MongoDB数据负载均衡算法的研究与改进 |
| 5.1 数据负载均衡算法分析 |
| 5.1.1 MongoDB自动分片机制 |
| 5.1.2 数据负载均衡策略 |
| 5.2 马尔可夫过程 |
| 5.2.1 概述 |
| 5.2.2 一步转移概率与一步转移矩阵 |
| 5.2.3 稳态概率与正规转移概率矩阵 |
| 5.2.4 初始分布与绝对分布 |
| 5.2.5 n步转移概率与n步转移矩阵 |
| 5.3 基于马尔可夫链的负载均衡算法改进 |
| 5.3.1 引入马尔可夫链的可行性分析 |
| 5.3.2 改进的数据负载均衡算法 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（10）SQL数据库使用过程中SDT压缩算法的探讨（论文提纲范文）
| 1 生产中数据采集方式 |
| 2 SDT技术实现过程 |
| 2.1 SDT算法简介 |
| 2.2 SDT算法的实现 |
| 2.3 面向对象方式中SDT的应用 |
| 3 二次无损压缩说明 |
| 4 实例测试 |
| 5 结语 |
四、SDT算法及其在过程数据压缩中的应用（论文参考文献）
- [1]动态同步相量数据压缩方法研究[D]. 严英. 北京交通大学, 2021
- [2]风电功率爬坡事件检测及预测方法研究[D]. 宗阳. 南京信息工程大学, 2020(02)
- [3]基于动作曲线压缩的道岔故障诊断研究[D]. 周芳. 西南交通大学, 2020(07)
- [4]应用数据压缩和即时通信技术的电磁探伤数据分析系统研制[D]. 王嘉伟. 北京交通大学, 2019(01)
- [5]基于轻量级RTDB的数据采集与监控系统的研究与实现[D]. 纪晓璐. 北京工业大学, 2019(03)
- [6]数控机床可视化监控过程数据压缩技术研究[D]. 曹晶晶. 武汉理工大学, 2019(07)
- [7]云协同仿真环境下Modelica数据存储与压缩方法研究[D]. 林勇. 华中科技大学, 2017(07)
- [8]基于北斗短报文通信的过程数据压缩方法[D]. 陈勇. 燕山大学, 2017(05)
- [9]基于马尔可夫模型的SCADA历史数据的存储研究[D]. 付艳萍. 北京工业大学, 2017(07)
- [10]SQL数据库使用过程中SDT压缩算法的探讨[J]. 王苹. 机电技术, 2014(03)