云处理模式

云处理模式（共6篇）

云处理模式 篇1

随着科技的发展,如今有专家提出了云计算的概念。云计算的基本原理是,通过使计算分布在大量的分布式计算机上,而非本地计算机或远程服务器中,企业数据中心的运行将更与互联网相似。这使得企业能够将资源切换到需要的应用上,根据需求访问计算机和存储系统。[1]

这如同人们以前取钱放在自家,之后出现了银行,人们便将钱存于银行,需要使用时,到银行的各个网点取兑即可。亦如同人们使用电力资源,无需各家都安装发电机发电,从电力公司购买即可。

通俗而言,时下人们都将资料存于本地电脑中,安装众多软件以支持应用,因此需不断升级软件,配置电脑标准越来越高,且面临中毒与资料遭窃的危险。未来的云计算,即是把资料统统存于“云”(即大量的分布式计算机上)中,以致我们无需装如此众多的软件,只需操作系统和浏览器。办公学习娱乐,同时和“云”相连,即可完成所有操作。“云”自动为用户升级软件,保存资料,完成计算。[2]

此即未来的“云计算”,笔者将“云计算中的传播模式”称作“云传播”。

1 云传播的传受双方

传统的互联网传受双方,是个人与个人,个人与公司,公司与公司等此类的模式,存在一对一,一对多,多对多的模式。而未来的云传播模式,简单化了互联网的传播模式,只有“云”和“端”,即"C+C"(Cloud+Client)。

1.1 云的传播特点

1.1.1 大规模,分散性

“云”具有相当的规模,Google的云计算应用已拥有100多万台服务器,Amazon、IBM、微软、Yahoo等的“云”均拥有几十万台服务器。企业私有云一般拥有数百上千台服务器。拥有如此之多的“云”,用户存储的资料,却不以一个整体存于一个“云”中,而是分散、碎片化的存于众多“云”中。[3]

1.1.2 安全性高[4]

云传播可更好的保护个人资料,因为用户的资料分散的存在未知位置的“云”中,即使服务商亦无法获知。但这并非万无一失。

1.1.3 通用性

云计算并非针对特定的应用,在“云”的支撑下可构造出千变万化的应用,同一个“云”可同时支撑不同的应用运行。[5]

1.1.4 增长空间大[6]

“云”的规模可动态伸缩,以满足应用和用户规模增长的需要。世界级著名搜索网站谷歌(google),推出的GMAIL电子邮件服务,可看做是“云”的一个雏形。GMAIL无需用户删除邮件,其存储空间的自动变化,给予用户足够的空间。

1.1.5 高服务,低价格

“云”是一个庞大的资源池,按需购买;云可如同自来水、电和煤气那样计费,按需服务。由于“云”的特殊容错措施可采用极其廉价的节点以构成云,“云”的自动化集中式管理,使大量企业无需负担“日益高昂的数据中心管理成本”,“云”的通用性致使资源的利用率较之传统系统大幅提升,因此用户可充分享用“云”的低成本优势,往往只需花费几百美元、几天时间,即可完成以前需耗数万美元、数月时间才可完成的任务。

1.2“端”的传播特点

1.2.1 配置最低化

相对于“云”服务器的配置越来越高,“端”的配置走向另一端,用户的电脑配置无需很高。因为绝大部分的计算,会交给“云”处理,“端”只要能运行的起操作系统和浏览器即可。这无疑会极大提高电脑的普及率,促使受众真正进入“云传播”时代,彻底改变了受众的交往方式。传统的报刊、杂志、电视和广播,会遭受前所未有的冲击,他们所占的市场份额将越来越小。受众交流只需开启电脑或手机,即可语音和视频通话、看新闻和查资料。只需向“云”发出请求,“云”会自动根据个体受众的浏览历史和个人特征,分析受众的要求,将新闻和资料传送至特定受众。受众所有的操作,都是与“云”的“对话”。[7]

1.2.2 操作便捷化

未来的“云传播”,只需用户拥有操作系统与浏览器,无需高配置。用户的绝大部分操作由“云”完成,所以用户的操作会很简单,点击几下键盘和鼠标,即可完成相应操作和接收所需资讯。

1.2.3 受众的数量极大

由以上的分析,可知电脑价格会很低,操作很简易,以致“云传播”的受众(即“端”)数量极大增长。文化水平低的受众,很容易掌握电脑操作。老年人及少儿亦可很方便的借助电脑休闲与学习。

2 云传播的具体应用形式

未来“云传播”的应用领域相当广泛,几乎无所不包,例如网络安全和网络存储等。

2.1“云安全”

瑞星公司推出的瑞星杀毒软件2009和卡卡上网安全助手,即提出了“云安全”的概念。既是当某用户中了病毒或木马,杀毒软件将把该病毒与木马标本,发送到处在“云”中的瑞星公司服务器,这些服务器自动分析病毒和木马,寻找解决办法,继而将解决办法传回每个瑞星用户。当此病毒试图倾入另一位用户的电脑时,杀毒软件将提前劫杀。如此既是杀毒从被动查杀转为主动防御。[8]

云安全中存在着马太效应。马太效应(Matthew Effect),即指好的愈好,坏的愈坏,多的愈多,少的愈少的现象。互联网即是一个巨大的“杀毒软件”,受众越多,单个受众电脑将越安全,整个互联网亦会越安全。

2.2 云存储

Rapidshare.com网站是世界知名的文件上传下载托管服务网站,拥有极大的资源量,存储各式各样的文件,因此她拥有很大的用户群。用户把文件上传至该网站,利用搜索从该网站下载所需资源。[9]

因此存储位置,由用户个人电脑或光盘移到互联网上。国内类似的存储网站有纳米盘,趣盘,QQ中转站,改变了过去“一对一”直接的传受。现在通过中转站(即中介),即可完成一对一、一对多的传输。[10]

以上仅是“云存储”的原始形态,未来的云存储,致使用户将自己所有的资料统统存储至“云”中。无需担心资料丢失、损坏或黑客盗窃,因为一切资料都在“云”中,需要资料时,链接到“云”中,即可查看与处理资料。这无疑极大增强了资料的安全性。

3 云传播中的传播特点

3.1 中介性

云传播不同于其他传播方式的最大特点,即是中介性。云传播中的人际传播和群体传播,统统通过“云”为中介。受众发邮件给联系人时,通过浏览器与“云”相连,利用“云”的计算能力编写邮件。完成后邮件转到“云”,云分析目的地网络位置,将邮件发至最终联系人手中。

3.2 NO SOFTWARE[11]

如今的电脑安装了众多五花八门的软件,需要特定的应用,即需装相应的软件。使得受众操作电脑,进行交流变得愈发复杂,电脑成了高高在上的物件。未来的云传播模式,使得受众NO SOFTWARE,无需任何的软件,只需操作系统和浏览器即可。一切操作都在浏览器中进行,“云”拥有强大的运算能力,协助受众解决绝大多数的运算。如此使得操作电脑变成令人愉悦的事情,打开浏览器,点几下,即可完成操作应用。

3.3 多媒体性

多媒体性,众所周知是互联网的特性,但如今的互联网尚未真正将各种媒体的特性整合成一体。未来的“云传播”,集文字、图片、声音和视频与一身,甚至还会有触觉和嗅觉,因此它们不再孤立,真正的被整合到一起。受众的感官得到极大的利用和享受,让受众产生身临其境的美妙感受。[12]

3.4 平等性

传受的平等性,亦是互联网的特性。此特性不断得到印证,取得更进一步的发展。互联网的初期,受众接触信息,都是被动的。未来的“云传播”,真正使受众做到了传受的平等性,发布信息变得很简易和方便。网络上充斥着大量的信息,当然包含众多无聊和恶意的信息,受众将会陷入信息的“泥潭”里无法自拔。所以虽然传受平等了,还需“把关人”告诉受众什么信息重要,什么信息有用。QQ首页,即是未来“云传播”的“把关人”的雏形,将重要的信息传给受众。否则受众在互联网的海洋里任意遨游,很难分辨何为重要信息,何为有用信息。

4 云传播的影响

4.1 手机“攻城拔寨”

现在手机3G技术凭靠高速带宽,使得手机的多媒体性充分发挥,手机摇身一变成为迷你电脑,拥有电脑的众多功能。同时手机拥有最显著的特点——便携性,小到可置于衣袋中,与受众关系亲密,可很好的融入“云传播”。依靠高的传输速度,受众可快速和方便在手机中完成众多应用。因此,手机作为一个新媒体,不仅夺去传统媒介的大量市场份额,甚至冲击电脑的市场地位。今后受众更多的信息交流,例如娱乐、工作和学习,将会在手机上进行。手机媒体将会得到前所未有的发展,以后将是手机的天下。

4.2 有利于反垄断

若干年前,庞大的微软帝国,一度被告“垄断市场”,被要求“肢解”为两个公司。微软凭借著名的WINDOWS操作系统,在电脑软件市场上“一手遮天”,“呼风唤雨”,其他软件公司难以与其抗衡。[13]

而未来的“云传播”,只需一个操作系统和浏览器,奉行NO SOFTWARE的“宗旨”,将几乎所有的操作,都交给“云”处理。靠软件“吃饭”的微软,无疑会受到极大冲击。未来的“云”,最大的投入是服务器的建设,所以更易进入市场。这即给予众多小公司以机会,来争夺“云”的“一片天”。

4.3 加速电脑普及化,加速信息化进程

以上提到作为“端”的用户的电脑,只需很低的配置,即可完成很多应用。所以,电脑价格会很便宜,真正进入寻常百姓家。受众随时随地都可上网,以致极大加速了社会信息化进程。那时,社会上最畅销的产品,并非食物饮料,乃是“信息”。人类社会亦由现实走向虚拟,通过无处不在的网络,可以满足受众的所有需求。

4.4 改变现有的网络盈利模式

当今的IT公司,都通过编写或发行软件盈利。进入到未来的“云传播”时代,无需任何软件。这无疑给现有的IT公司带来极大冲击,那么他们该如何“接招”呢?微软提出了“软件+服务”的模式,给予软件的同时提供相应的服务,依靠服务盈利。谷歌(GOOGLE)在这方面行动迅速,迈出了第一步。谷歌发布了自己的浏览器chrome以部署云计算,并提出Saa S(Software as a Service,软件即服务)的模式,以此挑战微软。谷歌让用户把所有数据置于网上,依靠提供相应服务收费。[14]

微软相信,托管服务模式将最终在企业领域成为主流。这些盈利方式的变化,将会带来一系列产业的变化:PC产业走向以提供数据服务为主,“端”的实现形式不断扩展,手机和传感器等将广泛应用,用户数量极大增长。

4.5 云传播对人的异化

随着云传播的来临,受众的工作变得越来越轻松,工作量越来越低,只需在浏览器敲敲点点,即可完成任务。“云”依靠强大的计算能力,代替受众完成所需工作。受众得不到相应的锻炼,大脑与肢体是否会“退化”?未来的“云传播”,整合多种媒体,给予人类新颖和便捷的娱乐休闲方式,让人沉迷其中,以致受众每天都在玩游戏、网络聊天和信息浏览,忘却其他应做之事。这是否会使人类变成只知玩乐的“动物”?

5 总结

互联网技术的进步,出现了新的计算方式——“云计算”,它带来了新的互联网传播模式——“云传播”。“云传播”是“云”与“端”的“对话”,这两者各有自己全新的传播特点,使得“云传播”有别于以前的任何传播。它在存储,网络安全上有着独特的应用,对互联网产业,IT公司盈利模式,人们的生活习惯造成了巨大的影响。同时必须看到,现在的网络速度,尚未达到快速传输大量数据的能力,极大制约了“云传播”的实现。同时相应软硬件技术的不完善,使得“云传播”的来临,尚需一定时日。但是“云传播”提供给人类全新的数据服务模式,必将对人类的生活、娱乐和工作方式产生巨大影响。计算将由“端”走向“云”,最终全部聚合到云中,成为纯“云”计算的时代。期待这一天尽快来临。

LIDAR点云数据处理与应用 篇2

1 LIDAR点云数据获取原理

LIDAR系统是一个主动传感系统, 该系统不依靠太阳光照, 其本身发射激光脉冲照射地面上的目标地面, 并通过接收激光脉冲的回波信号, 经过相应的处理直接获取地面三维数据 (见图1) 。与传统测量方法相比, 具有快速高效、精度高、数据密集高的优点。覆盖在地球上的目标如建筑物、植被及地面等都可以反射电磁波。获取地表地物的三维空间点坐标集是LIDAR系统的主要工作目标, 该系统以传感器所发出的测量脉冲到传感器接收由地表目标物反射回的脉冲回波所需的时间 (t) , 以及激光传播的速度 (c) 为依据来确定被测目标与传感器间的距离。在数据采集过程中, LIDAR传感器不断地向地面发射测量脉冲, 监控器实时地记录每束测量脉冲回波发生点的三维坐标, 这些三维点集的坐标信息就是LIDAR系统提供的主要测量结果。三维点云就是该系统所获取的数据, 它包括每一点高程信息对应的位置信息, 具有地物类别信息及丰富的目标多次回波信号及强度信息, 还包含地物对象的高程信息等。

2 LIDAR点云数据分类与DEM生成

2.1 点云数据分类

在对点云数据进行分类处理前应对数据进行检验, 剔除如特别高的点 (云或飞行中的鸟) 或特别低的点 (地面以下的点) 等错误及高程异常的点。激光点的分类是进一步处理的基础。一束激光打到地面上, 可以有若干次的信号反射, 我们既需要得到地表的信息, 也需要将这些不同地物反射的激光点数据区分开。LIDAR点云数据的分类实质是一个人机交互的过程, 需要依靠人为经验进行判断, 并分出详细类别。首先应该对自已所处理的数据有一个全面的了解和分析, 了解你所要处理的数据类型, 是平地、丘陵地还是山地。了解地形后, 就可以运行相应的参数, 该参数就是根据不同的地形类别得出的系数值, 在每个项目中都会有根据项目设定的一套针对不同地形而设置的粗分参数, 即宏命令, 例如平地、山地、梯田、养殖区等地形参数。在参数运行后进行的数据分类中, 如参数不合理, 在命令窗口中可先进行粗分参数的编辑, 然后再运行并自动化取点。数据粗分完成后要对整块数据进行全面检查, 看是否有数据丢失或异常等数据缺陷问题, 确定没有后再进行仔细编辑, 找回地面点并且尽量还原地形 (见图2) 。

2.2 DEM的生成

DEM即数字高程模型 (digital elevation model的缩写) , 通常定义在x、y域的离散点 (规则或不规则) 上, 并以高程表达地面起伏形态的数字集合, 是一种对空间起伏变化进行连续表示的方法。DEM的制作前提是地面点的精确提取, 由于地表一般为坚硬的固体表面, 激光点不会穿透, 除去由于其他原因引起的低点外, 一般认为最低层的点即为地面点。打在树上的点会被反射回去, 这样反复3~4遍直至打到地面上被地面吸收为止。通常具有明显的曲面形状的点都是地面点, 而没有形成明显的曲面形状的都是废点。当然也会有例外, 那种比较密集的灌木丛有时候看起来比较有规律, 要参照影像进行区分。利用激光点云数据生成DEM的关键是对其进行过滤计算, 即滤掉那些并非由地面点的回波信号而产生的数据, 如房屋、植被、交通工具及桥梁等, 以得到DEM。

3 点云数据的编辑处理

尽管软件可以对点云数据进行大部分的自动分类处理, 但是自动处理算法因地面的复杂性和点云数据的随机性而无法保证完全的可靠性, 因此, 自动分类完成后, 对于一些物体的交界处、植被、陡坎、建筑以及水域等比较特殊及复杂的目标仍需进行人工交互编辑。人工编辑的目的是剔除自动滤波、自动分类没有滤掉的粗差和激光点, 从而达到数据处理的质量控制目的。

设定了最适用的参数值也就得到了最省时的半成品, 但在特殊的地方如陡坎、居民地、植被茂盛区还需要用手动的方式找回地面点, 即细编辑。也就是需要不断地手动拉剖面找回地面点, 拉剖面时应从低到高, 垂直于地物拉剖面, 剖面拉的不要太宽, 这样可以直观地看清剖面。

3.1 居民地

房屋下的房基形状完整, 在能满足精度要求的前提下, 较好地保留和取舍:形状不完整的在确定地形的形状或位置时可降点保持地基完整, 较小的单独地基可以删掉。房区中的所有道路点都要保留, 房区里的围墙、树木、草堆、杂物都需去掉, 大型人为堆出来的临时性土堆可以不保留 (见图3) 。

3.2 带有低矮、密集植被和农田的平地

编辑植被时影像只能作为参考, 判断有无植被, 并通过影像来判断植被的高低, 原则是只要有植被, 能拿走的就要拿走, 如果在剖面上分析, 植被不是很高, 并且很密集, 分不出是植被点还是地面点的, 可以认为植被很低, 可以不处理, 但只要在剖面上能辨别出有高差的植被点, 就应取走。路两侧的行道树去掉, 树下有渠且形成一定规模, 则渠的点要保留 (见图4) , 无论在什么情况下, 只要确定为渠点就要保留。农田的田埂要保留, 田埂上的植被应去掉, 高出田埂的植被点尽量去掉, 如去掉后导致地形失真的, 可用降点的方法来补充。

3.3 带有植被和石头的山

石头和植被共有的地方需看清楚影像中是石头多还是植被多, 如果石头多植被少, 而且还是低矮的植被, 就可以忽略植被不处理;如果植被比石头多, 而且石头又是一些不太大的碎石, 可以将植被和石头图像一起去掉。如果是大石头, 就要保留石头去掉植被, 全部都是大石头的山就把点全部保留。山中小路要保留, 不能少点。山中存在地形的地方必须要保证地形的完整, 如沟、坎、山包等地形都需要保留。

4 结语

LIDAR技术在农业、水利电力设计、公路铁路设计、国土资源调查、交通旅游与气象环境调查、城市规划等各大领域中可以得到广泛的应用。激光雷达以其高超的性能已成为各种测量应用中深受欢迎的一种高新技术, 可以快速地完成地面高程模型DEM及数字正射影像图DOM的大规模生产, 大大提高了航测成图的作业生产效率, 减少生产环节, 缩短生产周期, 提高成图精度, 可提供更为丰富的地理信息。

摘要：机载雷达测量技术作为一种主动、快速、精确的新型遥感测量方法, 自出现以来便受到广泛关注, 其获取空间数据的后处理也已成为研究热点。分析LIDAR点云数据的获取原理及分类, 探讨Microstation的terra模块数据及LIDAR点云数据的分类处理方法。

关键词：LIDAR系统,激光雷达,数字高程模型,点云数据

参考文献

[1]于明旭, 纪志浩, 林乐胜.点云数据配准算法的研究[J].交通科技与经济, 2013, 15 (5) :122-124.

[2]赖旭东.机载激光雷达数据处理中若干关键技术的研究[D].武汉:武汉大学, 2006.

[3]马琳.基于Erdas软件对立体SAR数据提取DEM的方法[J].交通科技与经济, 2014, 16 (1) :118-121.

[4]吕磊, 邢汉发, 王叙泉.基于地面LiDAR技术的异型建筑竣工测量方法研究[J].测绘工程, 2014, 23 (1) :78-80.

[5]张汉德, 潘中杰, 别君.LiDAR系统中偏心矢量的误差分析与研究[J].测绘工程, 2013, 22 (5) :1-4.

[6]陈云, 丁思磊, 王铁军.基于Terra Solid软件的Lidar数据处理初探[J].测绘与空间地理信息, 2009 (4) :48-50.

[7]陈永枫, 徐青, 邢帅, 等.基于扫描线和虚拟格网的LiDAR点云数据非兴趣点剔除方法[J].测绘工程, 2013, 22 (6) :27-30.

基于云计算的大数据处理技术 篇3

近年来, 随着自动数据采集技术、物联网技术、移动互联网技术等应用的兴起和飞速发展, 人们所关注和接触的数据量面临着前所未有的爆炸式增长。根据统计, 互联网上的各类数据量正义每年50%的速度进行增长, 基于这个速度, 数据量能够实现两年翻番的规模。

一、大数据的特征与挑战

虽然目前“大数据”一词的使用非常普遍, 但对于如何进行大数据的定义目前仍未有定论。综合目前业界对大数据相关的研究, 对其的定义普遍包括了三个维度, 分别是数据的体量大 (Volume) , 数据的多样性丰富 (Variety) 和数据的产生速度快 (Velocity) , 即所谓的3V概念。其中, IBM公司对于上述的3V概念进行了补充, 增加了一个数据精准性的概念 (Veracity) , 从而形成了4V的模式。他们强调对大数据分析处理的精准性对于商业和生产的重要性。而国际数据公司 (IDC) 则认为大数据中蕴含着巨大的价值, 因此其在3V概念的基础上增加了价值 (Value) 作为第4V。

二、基于云计算的大数据处理技术

基于此种认识, 本文对基于云计算的大数据处理技术进行研究, 探讨如何利用云计算的分布式计算平台Hadoop和开放式的处理平台Open Stack来实现大数据处理应用, 构建高效的大数据处理平台。

Hadoop是一个云计算技术中的一个开放式的的分布式软件框架, 其两大核心功能模块HDFS和Map Reduce能够分别实现分布式文件存储和分布式的数据处理。Open Stack是一个开放式的分布式计算平台, 它能够完成类似于亚马逊EC2和S3的一系列基础设施级数据处理服务。Open Stack软件平台包括五大核心功能模块, 分别是:控制器模块 (Nova) 、存储服务模块 (Swift) 、镜像服务模块 (Glance) 、身份认证模块 (Keystone) 和网络用户界面 (Horizon) 。因此, 通过这两个技术的融合, 本文设计了一种基于云计算的大数据处理技术。在本技术中, 将Open Stack作为Hadoop的基础支撑, 将Hadoop的Name Node部署于Open Stack管理的虚拟机上。从而使得Name Node (包括Task Tracker在内) 所需操作系统以及各类数据处理程序镜像等能够保存到Open Stack的Glance服务器中。这样一来, 当Hadoop集群的大数据处理负载增加或者存储空间不足时, 能够动态的通过Open Stack管理节点来进行资源的申请, 增加分配给Name Node所在虚拟机的VCUP数量、磁盘空间;或者扩展虚拟机的数量来部署更多的Name Node。

通过使用Open Stack来对Hadoop部署的基础设施进行管理, 能够很好地避免不必要的资源浪费。在本文所关注的大数据处理应用中, 需要大量的存储设备用于存放海量的数据信息。但这些大数据处理对数据的需求是间隙性的, 通常只有数据处理集中突发时才需要海量的存储空间和运算能力, 而在大部分业务平稳的情况下对存储和运算的需求相对较小。因此, 如果在多个大数据处理应用中进行资源的固定分配, 则不但难以实现资源的有效利用, 还易造成资源无法满足业务集中突发时的需求。一开始就将巨大的存储空间固定分配给某个大数据应用, 由于数据的积累可能需要比较长的时间, 那么大量的存储能力就白白浪费了;如果分配少了, 存储空间可能很快被用完。

三、总结

大数据需要超大的存储容量和计算能力, 云计算作为一种业务模式的创新, 为大数据的研究及应用准备了硬件基础, 解决了“经济”这个大问题。随着技术的成熟, 让机器来收集和统计海量的数据不再是难事, 但是大数据中价值的挖掘必须有人的参与, 因此为用户提供更多观察数据的视图 (可视化) 、简化软件的使用方式, 也是大数据研究需要重视的方面。

参考文献

云处理模式 篇4

关键词：机载,LIDAR,点云,数据,DSM

1 LIDAR数据处理概述

1.1 LIDAR数据的特点

从严格意义上讲,航空激光雷达系统获取的数据包括位置、方位/角度、距离、时间、强度等飞行过程中得到的各种信息。而实际应用中,人们接触和使用的是与具体时间及发射信号波长一一对应的点坐标及对应的强度等。作为一种非成像技术,航空激光雷达数据在内容、形式等方面具有很多自身的特点。

(1)从内容上讲,航空激光雷达数据是分布于对象表面的一系列三维点坐标。值得注意的是,多次回波数据得到的点坐标可能对应着不同的表面,首、末次信号分别对应树冠和地面,这种特性在某些场合可以发挥重要作用。例如,在相邻扫描带上植被或其它具有不规则形状的物体可能会具有不同的高度,若用它们进行匹配可能会产生粗差,使用末次回波信号就可以避免匹配过程中不可预测的粗差问题。与记录反射/发射能量的强度数据相比,航空激光雷达数据在提取空间信息上更加便捷。(2)激光雷达数据在形式上呈离散分布。这里“离散”是指数据点的位置、间隔等在三维空间中的不规则分布,即数据分布无规律性。(3)数据形式的另一个特点是扫描带中数据分布不均匀一一不同位置的点云密度不同,造成这种情况的主要原因是激光扫描仪所采用的扫描方式。激光扫描仪所采用的扫描方式有圆锥扫描,线扫描和光纤扫描。不考虑地形起伏的影响,在圆锥扫描方式中,扫描带两侧数据密度大,中间部分稀;线扫描方式的情况类似;在光纤扫描方式中,扫描线方向上的数据密度大于垂直扫描线方向上的。其他原因还包括飞行速度、扫描仪与地形/地物的相对位置/方向及航高等。例如,对建筑物的倾斜屋顶而言,朝向扫描仪方向的屋顶会比背向扫描仪方向的屋顶反射更多的信号,在数据密度较大时两个屋顶平面上数据密度就会表现出差异。(4)尽管目标点的三维坐标是航空激光雷达的主要数据形式,但其数据类型并不局限于此。强度信号是另一个有用的信息源,它反映了地表物体对激光信号的响应。由于一些技术上的原因,还没有得到多少实际应用。目前有用强度信号作为树种分类的依据事例。

1.2 LIDAR数据处理

LIDAR数据处理包括原始数据预处理和点云数据后处理两个阶段。原始数据预处理阶段主要包括滤除雷达噪声,对记录的原始信号、时间参数、距离参数、GPS和INS数据进行归化处理、坐标变换,以得到地面目标的三维(x,y,z)点云坐标数据。坐标的格式可以根据用户的要求定义,即可以得到不同的数据格式文件。点云数据后处理就是对得到的地面目标的三维点云坐标数据进行分离处理。具体地说,由于激光雷达点云数据分布在不同的目标上(如图1所示),后处理就是将落在地形表面上的点(即所谓的地面点)与那些非地形表面上的点(譬如图1中落在汽车上、树木或植被上以及落在房屋上的点)进行有效而准确的分离。只有高精度及准确而可靠地分离不同信息后,才可能有效地将这些数据用于不同的目的,例如:得到DEM数据、测量树的高度、获取城市的三维模型等。对三维点云坐标数据进行有效的后处理是激光遥感系统最主要的组成部分。

尽管LID AR技术在获取地面点三维坐标方面具有效率高、全覆盖、三维测量等优良的技术特性,但是其数据量的庞大、复杂、无规律等特点始终困扰着后期的数据处理。离散LID AR点云数据后处理中碰到的第一个问题就是如何存储和快速检索这些庞大的离散数据。如果没有一个合适的存储结构和一个恰当的检索方法,就会影响后续数据处理的速度和效率。一个好的存储检索方案可以大大化简算法难度,极大的方便后续数据处理的实现,从而使整体算法都得到改观,所以这一问题的解决具有十分重要的意义。在针对LIDAR数据的压缩简化技术还不成熟的情况下,一个好的存储检索方案对于整个数据后处理都至关重要。为了满足数据后处理的要求,存储检索方案应该同时具备以下特征:(1)高空间利用率,使数据处理的空间代价最小并保持数据无损。(2)检索快速方便,算法易于实现。(3)模块化强,自身发生变化时,对其它算法的影响最小化。

因此,LIDAR数据的存储检索研究就是要得到符合以上特征的算法方案,从而为后续的数据处理打下扎实的基础。在分析研究其它方法的基础上,该文提出了一种相对简单的规则地址格网检索(GAS-Grid Address Select)算法对离散LIDAR点云数据进行存储与检索。

2 LIDAR点云数据存储与检索

2.1 规则地址格网检索(GAS-Grid Address Select)算法思想

规则地址格网检索(GAS)算法的基本思想是:离散LIDAR点云数据按划分的规则格网进行有序的存储,数据检索的逻辑结构是规则地址格网,二者由地址映射函数对应起来。

按照GAS算法的思想,预处理所要执行的操作有:从原始数据文件中提取本文需要的数据,即(X,Y,Z)三维坐标,并顺序规则化离散点。此外,为了后续的操作方便还要确定文件的格式和向其中加入必要的元数据信息,即(X,Y,Z)三维坐标的最值。

首先,定义一个存放离散数据的结构体RPoint:

之后就可以用它来定义数组为离散数据分配内存。

接下来,定义几个数据处理函数来完成预处理任务,主要包括以下几点。

(1)原始数据的读入函数。

将原始数据文件(ASCII码文本格式)中的数据读入计算机内存,存储在由RPoint结构体定义的数组中,并获得总点数(n)。

(2)数据处理函数。

数据处理函数由X坐标的排序函数、Y坐标的排序函数、在X坐标1m范围内对Y排序的处理函数和求Z坐标最值的函数组成,完成对离散数据进行“之”字形排序处理,并获取X、Y、Z坐标的最大和最小值,是离散数据预处理的关键部分。其中对X、Y坐标排序时用的是快速排序算法,求最值用的是比较法。

(3)处理后数据的输出函数。

该函数生成的文件内容包括离散点总个数(n)、离散点中X、Y、Z坐标的最大、最小值和离散点的X、Y、Z坐标数据,同时该函数还去除了原始数据中的冗余数据即X、Y、Z坐标完全相同的点和没有用到的反射强度值,以及可能的错误点等。通过以上预处理程序对原始数据进行处理后就生成一个ASCII码文本文件,文件的第一行为离散点总个数(n),第二行为X、Y、Z坐标的最大值,第三行为X、Y、Z坐标的最小值,接下来是顺序存储的离散点的X、Y、Z坐标数据,这些数据是按X坐标差小于1m间距“之”字形排列的。

2.2 规则地址格网(GIT-grid index table)的建立

规则地址格网建立的基本方法是:根据格网划分尺度将坐标区域划分成规则格网,对预处理后的数据进行地址映射得到其存放地址,记录落入每一个格网中的离散点个数和第一个离散点的存放地址。先定义一个存储三维坐标数据的结构体Point,将处理后的数据存储在此结构体中。然后用这个结构体定义一个二维数组来表示格网,形成格网的存储结构。之后确定格网的原点坐标,再通过数据的坐标值对格网进行处理(即将数据的地址装入对应的网格)这样规则地址格网就建立起来了。

2.3 基于规则地址格网的数据检索

规则地址格网建立起来之后,每个离散数据点就会落入对应的格网单元,就可以安全、准确、高效的实现离散LIDAR点云数据的快速检索。当进行内插或数据检索时,首先判断内插所在的格网单元,根据需要取出当前格网单元或邻域(如周围3×3格网)的全部数据,避免了内插过程中逐个数据的搜索,使得查找速度大大提高,特别是海量数据的处理。根据检索区域的形状不同,检索函数也千差万别,但其中最基本的是单个网格检索函数。就像点组成面一样,单个网格可组成任意形状的检索区域,所以其它形状的检索函数只需要对单个网格检索函数稍做修改或者多次调用单个网格检索函数就可获得。例如:将单个网格检索函数的主体部分加上确定矩形区域的循环就可转化为矩形检索函数,从而使得检索函数的设计变得十分容易。这些都充分体现了GAS算法在离散数据检索方面的特点。

3 规则格网重采样生成数字表面模型(DSM)

3.1 DSM逐点内插理论基础

基于不规则分布采样点的DSM建立实质上就是离散数据规则格网化的处理过程。通过不规则分布数据直接建立DSM通常采用逐点内插法。所谓逐点内插,是以内插点为中心,确定一个邻域范围,用落在邻域范围内的采样点来计算内插点的高程值。其基本步骤如下。

(1)定义内插点的邻域范围;(2)确定落在邻域内的采样点;(3)选定内插数学模型;(4)通过邻域内的采样点和内插数学模型计算内插点的高程。

为实现上述步骤,逐点内插法需要解决以下几个问题。

(1)内插函数,逐点内插法的内插函数决定着DSM的精度、连续性、内插点邻域的最小采样点个数和内插计算效率。内插函数常常与采样点的分布有关,目前常用的适合于离散分布采样点的内插函数有曲面拟合、加权平均内插法等。(2)邻域大小和形状,在逐点内插中,邻域的作用是选择参加内插的采样点。逐点内插法的邻域大小、形状和位置随内插点的位置而变动。邻域确定一般用在离散分布采样点的DSM建立中,常用的邻域有圆形、方形等。(3)邻域内数据点的个数,邻域内数据点全部参加内插计算,用来进行内插计算的采样点不能太多也不能太少,太多影响计算精度(对内插计算的贡献程度太小)和处理效率,太少则不能满足内插函数的要求,邻域点的确定一般与具体的内插函数有关,通常认为4～10个点是比较合适的。邻域数据点的个数常常决定着邻域范围的大小。邻域内的点数也与采样点的分布密度有关。(4)采样点的权重,采样点的权重是指采样点对内插点的贡献程度,现今最常用的定权方法是按距离定权,即反距离权。逐点内插方法由于计算简单,应用比较灵活,内插效率较高,而成为目前生产中常采用的方法。

3.2 距离加权平均内插生成数字表面模型

在建立了规则地址格网检索算法的基础上,该文利用逐点内插法中的距离加权平均法来生成数字表面模型(DSM),具体步骤如下。

(1)确定内插点所在的格网单元。

由测区内所有激光采样点X、Y坐标的最大、最小值可以得到测区的范围,再依据采样间隔就可以计算出DSM格网的大小。

(2)规则地址格网检索邻域内的点。

利用距离加权平均法进行内插计算,需要选取与插值点距离最近的若干个点来参加计算。最简单的方法就是计算内插点与周围采样点的距离,然后从中选出与内插点距离最近的若干点。这种方法计算量大,影响到插值速度。为解决这一问题,可选用一定的邻域搜索区域,根据距离加权平均法内插数学模型对采样点数量的要求,不断调整搜索范围,直到满足要求为止。

(3)权值的计算。

由于地形的自相关性,较近的采样点对内插点的影响要大一些,因此常常用内插点和采样点之间的距离来刻画采样点对内插点的贡献程度,即距离越近,权值越大,反之越小。

(4)计算内插点的高程值。

定义了采样点的权,并获得了内插点邻域范围内的采样点,就可以利用距离加权平均法进行DSM内插。

4 灰度量化生成DSM深度影像

为了直观地表示出LIDAR数据的内容信息,将由离散LIDAR点云数据规则格网重采样生成的数字表面模型(DSM)按照高程进行灰度量化,得到同灰度图像一样的DSM深度影像。这就为后续的基于数字图像处理技术的DSM深度影像处理做好了准备。具体做法是:搜索DSM中所有的LIDAR数据点,得到高程最大值和最小值,对高程进行量化,得到每一点的像素灰度值;同时将DSM三维点坐标中的X、Y坐标转化为DSM深度影像的二维横、纵坐标、,一个坐标点对应一个像素点,就生成了同DSM格网大小相同的DSM深度影像。

(1)影像的灰度值和DSM中LIDAR数据的高程值成线性关系,高程值越高对应的像素灰度值就越高,反之,则越低。(2)在平坦城区,影像上地面部分的灰度值变化不大,且像素的灰度值低于建筑物部分。在影像的灰度直方图上,往往最高的波峰由地面部分LIDAR点的像素形成。(3)由于LI-DAR光束在较高建筑物边缘常和墙面相切,导致建筑物边缘数据不准确,因此在灰度影像上建筑物边缘常呈锯齿状。DSM深度影像其独特的特点为引入数字图像处理的方法提取建筑物奠定了基础。

参考文献

[1]冯仲科,杨伯钢,罗旭,等.应用LIDAR技术预测林分蓄积量[J].北京林业大学学报,2007(S2):45-51.

[2]刘永霞,胡涌,冯仲科.基于LIDAR数据的林冠层三维信息模型的提取与应用[J].北京林业大学学报,2007(S2):66-69.

[3]王永平.机载LIDAR数据处理及林业三维信息提取研究[D].北京:中国测绘科学研究院,2006.

云计算平台下的语音信号处理 篇5

1语音识别特征

汉语语境下,语言情感识别研究相对较晚,但得到了科研工作者的广泛关注。如神经网络、K近邻法、支持向量机、贝叶斯分类器等模式识别分类算法在语言情感识别中得到了使用。本文使用支持向量机算法建立语音情感识别模型,使用语音信号进行预处理,提取用于识别的特征参数,使用训练数据对支持向量机模型进行训练,之后使用测试数据对训练好的模型的泛化能力进行测试。通过对语音信号的分析以及参考文献,本文使用的用于语音信号识别的语音信号特征参数如表1所示[4,5,6]。本文主要针对愉悦、平静、 悲伤、惊奇、恐惧以及愤怒6种情感的语音识别进行研究。这6种情感的语音波形如图1所示[7,8]。

2 Map Reduce模型

Map Reduce将庞大数据操作任务分配给多个计算机节点共同完成,并将多个计算机节点的计算结果合成得到传统单台计算机计算得到结果。Map Reduce包括的过程有:Map,Partition,Shuffle,Combine、Sort以及Reduce。但是可以将该过程合并为Map和Reduce两个过程。Map过程将任务分配给多个计算机节点共同完成, Reduce过程将多个计算机节点的计算结果进行合成。

注:frame代表帧数;Ei代表各帧短时能量。

Map过程中,系统会把一个庞大的任务分划为大小固定的片段,并将各个片段分解为键值对。Hadoop平台则片段建立Map任务,可以完成用户自定义的Map函数,并输入该片段的键值对,从而输出计算结果。根据K2将计算的结果进行排序,得到元组。Reduce过程中,系统会把Map计算的结果进行排序,输入为,输出为。Map Reduce模型结构如图2所示[9]。

3云计算环境下SVM语音信号处理模型

传统SVM语音信号处理识别模型是在单台计算机中完成所有数据的处理和运算。云计算环境的Hadoop平台下使用SVM对语音信号处理,能够发挥Map Reduce并行计算优势,通过Map和Reduce操作将所需要的数据处理和运算任务分配到多个计算机中同时进行。在云计算环境的Hadoop平台下使用SVM对语音信号处理时,需要使用Map操作将分割的子计算节点中的各个训练数据的子支持向量SVs求出,之后使用Reduce操作子计算节点的子支持向量SVs进行汇总得到完整的支持向量All SVs,即建立了云环境的SVM语音信号处理识别模型。使用SVM语音信号处理识别模型进行数据测试时,需要使用Map操作将分割的子计算节点中的各个测试数据的测试结果Rs求出,之后经过Reduce操作将子计算结果合并得到最终的语音信号处理识别结果。 具体流程如图3所示[10,11]。

云计算环境的Hadoop平台下建立基于SVM的语音信号处理识别模型过程如下:

(1)预处理语音信号数据,将处理后的数据按照HDFS要求进行分块处理,并将分解的数据块存储到集群的各个计算机中。

(2)建立SVM语音识别模型,初始化相关参数,并选取应用广泛,性能优越的RBF核函数作为SVM的核函数。

(3)使用语音信号数据的训练样本对SVM语音识别模型进行训练,并将训练后得到的识别模型使用测试数据进行泛化能力测试[12]。

4实验分析

通过实验对本文研究的云计算平台语音信号处理识别模型的性能进行验证。实验平台具有一台主机Name Node,CPU为Intel i5 4950,内存为8 GB DDR31 600 MHz,硬盘为500 GB,数据节点Data Node由三台计算机组成集群,CPU为Intel i3 4170,内存为4 GB DDR3 1 333 MHz,硬盘为500 GB。Hadoop为1.0.2版本,各个计算机集群节点实验千兆交换机进行连接。本文使用中科院自动化研究所建立的CASIA汉语情感数据库中的语音信号数据作为实验数据。在此针对愉悦、 平静、悲伤、惊奇、恐惧以及愤怒这6种情感的语音进行识别,从数据库中抽取600条情感语句,其中每种情感语句有100条,80条用于对识别模型进行训练,另外20条用于对识别模型进行测试[13]。使用本文研究的云计算平台下的语音信号处理识别结果如表2所示。

实验结果表明,使用云计算平台下的语音识别模型针对研究的几种情感的识别率基本在70%以上,识别率可以满足要求。定义传统单台计算机完成任务所需时间除以云计算平台完成任务所需时间为加速度比,本文使用的一台Name Node和三台Data Node组成的Hadoop集群平台在处理语音情感识别任务时的加速度比达到了3.6,说明使用云计算平台处理这种数据比较庞大的计算任务时,相比传统单台计算机平台,效率较高,优势比较明显。

5结语

情感识别已然成为情感计算的重要分支,并得到了科研工作者的广泛关注。本文在云计算平台下使用支持向量机算法建立语音情感识别模型,使用语音信号进行预处理,提取用于识别的特征参数,使用训练数据对支持向量机模型进行训练,之后使用测试数据对训练好的模型的泛化能力进行测试。使用中科院自动化研究所建立的CASIA汉语情感数据库中的语音信号数据作为实验数据;针对愉悦、平静、悲伤、惊奇、恐惧以及愤怒6种情感的语音进行识别。实验结果表明,使用云计算平台下的语音识别模型针对研究的几种情感的识别率基本在70%以上,识别率可以满足要求。使用Hadoop集群平台在处理语音情感识别任务时的加速度比达到了3.6,说明使用云计算平台处理这种数据比较庞大的计算任务时,相比传统单台计算机平台,效率较高,优势比较明显。

摘要：针对云计算平台下的语音信号处理模型进行研究。传统SVM语音信号处理识别模型是在单台计算机中完成所有数据的处理和运算。云计算环境的Hadoop平台下使用SVM对语音信号处理,能够发挥Map Reduce并行计算优势,通过Map和Reduce操作将所需要的数据处理和运算任务分配到多个计算机中同时进行。使用中科院自动化研究所建立的CASIA汉语情感数据库中的语音信号数据作为实验数据。实验结果表明,使用云计算平台下的语音识别模型针对研究的几种情感的识别率基本在70%以上,识别率可以满足要求。使用云计算平台处理这种数据比较庞大的计算任务时,相比传统单台计算机平台,效率较高,优势比较明显。

云计算环境下的海量战场信息处理 篇6

一、云计算的战场信息处理技术概况

云计算是一种能够通过网络以便利的、按需付费的方式获取网络、服务器、存储、应用和服务等计算资源, 并提高其可用性的模式, 这些资源来自于一个共享的、可配置的资源池, 并能够以最方便、快捷和无干预的方式获取和释放。其对战场信息处理技术可归纳为以下几个方面。

1.1战场信息的分布式存储技术

云计算存储数据的主要方式即为分布式存储, 也是在未来战场上用于存储战场海量信息的主要手段, 这在一定程度上确保了战场信息的高可靠性、可用性和经济性。其中战场海量信息存储的高可靠性主要是借助冗余存储方式来实现, 通过可靠的指挥平台有效弥补硬件方面存在的不足。因为云计算系统需要满足异地配置的大规模作战单元、作战力量使用需要, 因此必须要使数据存储技术具备超强的传输速率和吞吐量的功能, 才可以并行的为所有应用终端提供信息服务, 分布式存储方式恰恰满足了这一要求。

1.2战场信息的虚拟化技术

在虚拟化技术中, 被虚拟的实体是各种各样的IT资源, 这些资源主要包括网络、存储、文件、系统、软件、服务器等。在云计算环境下, 作战指挥平台虚拟化的解决方法是通过网络将各级各类指挥信息系统进行整合, 其集服务器、应用软件、相关服务、数据库系统以及网络设备等于一体, 支撑战场海量信息在虚拟化条件下高效运转, 给指挥人员和作战力量带来真正意义上的虚拟化服务。

1.3战场信息的高效管理技术

目前, 云计算数据管理技术中最常用和最知名的技术是Big Table和Hbase。由于云计算的作战指挥应用目的是因为要实时的处理分析较大的作战数据集以完成各指挥终端提交的计算任务, 因此云计算数据管理技术必须要有对战场海量信息的高效管理能力, 同时还要能从战场海量信息中提取出特定的信息, 以此来满足指挥人员的应用需求。

1.4战场信息的并行处理技术

随着参战力量、任务类型的多元化, 指挥信息系统需要同时向众多用户提供互不相同的信息服务, 所以云计算的编程模型必须确保后台复杂的并行计算和任务调度, 这是有效利用云计算资源的基础也是前提。当前, 诸多行业的云计算一般采用的编程模型是Map Reduce, 该模式若应用于作战指挥中可为并行信息系统的战场信息处理提供简单、实用、高效的解决方法, 其优势在于归并成本、性能更佳、处理更快、效果更好、部署更容易。

二、云计算的战场信息处理应用优势

当前世界主要军事强国一直加紧推进云计算在军事信息领域的应用研究和部署, 其目的是希望通过云计算将在战场上助力夺取信息优势, 从而进一步转化为决策优势和作战优势, 以实现向“网络中心战”转型。

2.1可提供实时、安全的信息处理平台

在战场云计算环境下, “云”将信息处理终端和计算分布在不同的服务器上, 信息处理系统不再单纯在本地服务器上处理和分析数据, “云”中的信息可根据指挥需求进行共享使用。

当“云”中的部分服务器、计算中心遭敌摧毁或干扰, 以及因设备原因出现故障时, 整个系统仍然可以保持良好的正常运行, 并能通过部署新的服务器, 更新信息处理软件来维持和优化“云”的性能, 从而达到信息处理实时化和战场适用性、安全性。

2.2可提供科学、精准的指挥决策信息

由于侦察监视系统的智能化、一体化程度不断提高, 获取的战场信息必将呈爆炸式增长, 同时随着战场局势的瞬息万变和作战节奏的加快, 信息的价值性会随着时间的推移而逐渐降低, 因此在作战过程中对战场海量信息处理的准确性、及时性要求越来越高。在云计算环境下, 各种侦察监视系统、各类传感器等获取的战场信息全部汇集到“云”中, 由指挥专网上的云计算中心、服务器组共同进行超大规模的计算任务, 实时的处理海量的战场信息, 瞬间完成数据融合、情报分析、态势展示等信息处理活动, 为指挥人员决策提供了可靠的信息保障。

2.3可提供动态、可视的战场态势信息

未来战场所面临的威胁不仅仅来自陆、海、空、天, 更多的是来自外层空间、网络空间、电磁空间, 因此必须要使整个战场空间在参战人员眼下实现全方位透明化, 才能快速夺取战场信息权。云计算恰好可为每一个授权应用终端及时准确、直观形象地提供作战所需的战场信息, 辅助指挥人员在“云”中通过指挥终端实时掌握作战对手的兵力部署、火力配置、装备部署、部队机动状态、展开队形、战斗情况、协同动作等, 以及战场气象、水文、地理、电磁环境等信息, 为指挥员决策提供了足够的战场信息。除此之外, 指挥人员和作战力量还可通过云终端在战场的任何地点、任何角落都能完全查看战场的整体情况, 对任何作战环节、作战流程都了如指掌, 大大提高了作战指挥的有效性。

三、云计算环境下战场信息处理方法

云计算环境下要使战场信息处理最大限度的满足作战指挥需求, 离不开云计算的相关数据处理技术作支撑。未来作战过程中, 战场上产生的数据基本上呈现出数据量大、数据类型多、增长速度快等三个特征, 如何驾驭这些价值密度相对较低的大规模战场信息, 深度挖掘出更多的高价值情报, 是当前急需解决的重要问题。云计算的提出为战场海量信息的处理提供了一个有效的平台, 其关键技术可支撑战场海量信息快速、准确的处理。

3.1云计算环境下的战场信息存储方法

由于作战指挥应用需求特性和信息资源条件的不同, 云计算环境下的海量战场信息存储与传统计算环境下的技术有着显著的差别, 信息存储主要依靠大规模分布式文件系统和分布式数据库系统。其原因是各级指挥机构异地配置在广阔的作战区域, 如果建立军兵种各自的存储系统, 将会存在经济投入和维护成本较高, 而且专业性管理难度大, 以及可伸缩性不强、支撑指挥员决策的信息量不充足等诸多问题。为此, 建立战场云数据中心存储设施, 通过简单的网络Web服务接口, 将所有作战力量所获取的战场信息实时传输至云端, 并按需使用分布式存储服务, 充分利用了云计算平台的专业化、规模化、集约化等优势, 即获得了经济便捷的云存储服务, 又可为共享战场信息提供良好的平台基础。

3.2云计算环境下的战场信息分析方法

在战场海量信息存储在云中的前提下, 各指挥终端在分析处理信息时如果采用信息下载回本地计算机再进行处理的方式, 将会出现指挥终端不具备分析处理大规模信息的功能和信息传回本地产生信息延迟等问题。因此, 云计算环境下, 战场信息处理不可采用先存储后处理分析的模式, 而是在云中对数据流进行实时的、智能的分析。具体是采用分布式的并行计算方法对生成战场综合态势一项大的任务尽量分解成许多彼此相对独立的子任务, 而后分配到多个服务器上同时执行, 并且云中的各种资源在所有服务器之间实时共享, 最后经对各子任务汇总操作后, 展示最终处理分析的结果。这种使得各级各类指挥人员、作战人员可以在战场上支配无穷无尽的计算资源和信息资源, 确保了战场海量信息处理分析的高效性和可靠性, 大幅提升了作战指挥的效能。

3.3云计算环境下的战场信息查询方法

通过云计算平台, 将战场上所有服务器整合成为一个云系统, 每个服务器则成为云系统中的一个节点。从而组成了信息资源利用率高, 信息查询速度快、成本低的信息查询系统。当战场综合态势不能够支撑指挥员作出精确决策的时候, 需要查询相关的战场信息作为补充, 为此在云计算环境下, 指挥人员可向云中提出查询要求, 并将提问式提交给查询代理, 查询代理将查询提问式发送至云中的各个服务器, 并对各节点上的存储服务器中的信息进行分析排序, 得出与所需信息相关度排在前列的服务器, 同时对这些存储服务器进行并行分布式查询, 最后将查询结果重新整合按相关度排序后传输到查询界面, 供指挥人员参考使用。与传统的本地查询方式相比, 云计算环境下的信息查询是云中的所有服务器同时向指挥人员提供服务, 大幅缩短了查询的时间, 并且在云中海量信息集挖掘出用于指挥决策的信息, 其价值性相对较高。

摘要：云计算为复杂的海量战场信息处理提供了基础设施, 助于提升了信息服务的质量。文章从云计算的信息处理技术和应用优势入手, 对基于云计算环境下的海量信息存储、分析、计算及查询处理进行了探讨。期望通过本文粗浅的研究能够对完善海量战场信息处理方法提供一些有价值的帮助。

关键词：云计算环境,战场信息,处理技术

参考文献

[1]苏继斌, 张永丽, 陈卫东, 韩可玉, 云计算在军事作战指挥中的应用研究[J].软件导刊, 2013.1.

[2]吴昱, 大数据精准挖掘[M].北京:化学工业出版社, 2014.3.

[3]熊家军, 李强, 云计算及其军事应用[M].北京:科学出版社, 2011.10.

[4]祁伟, 刘冰, 路士华, 冯德林, 云计算:从基础架构到最佳实践[M].北京:清华大学出版社, 2013.8.