-
题名南方电网CNGI驻地网设计与实现
被引量：1
- 1
-
-
作者
王兵
张建民
夏文波
-
机构
南方电网国际有限责任公司
南方电网信息中心
广东省电力设计研究院
-
出处
《南方电网技术》
2009年第2期46-48,共3页
-
文摘
IPv6作为下一代Internet的核心协议,IP地址具有128位,可以解决IPv4地址耗尽问题。为了解决从IPv4向IPv6顺利过渡问题,南方电网公司实施了CNGI驻地网建设项目。为此,介绍了南方电网CNGI驻地网的设计原则和设计方案,包括网络结构设计、路由协议的选择、IP地址分配等。南方电网CNGI驻地网已实施完毕,通过双栈、隧道和地址翻译等过渡技术实现了现有IPv4用户和纯IPv6用户的接入。
-
关键词
中国下一代互联网示范工程
驻地网
IPV4
IPv6
隧道
双栈
地址翻译
-
Keywords
CNGI
Customer Premise Network
IPv4
IPv6
tunnel
dual stack
address translation
-
分类号
TP393.18
[自动化与计算机技术—计算机应用技术]
-
-
题名供电企业一体化决策支持中心设计
- 2
-
-
作者
张诗军
徐晖
詹卫许
-
机构
中国南方电网信息中心
广东电网信息中心
-
出处
《计算机工程》
CAS
CSCD
北大核心
2009年第20期270-272,275,共4页
-
文摘
针对电网企业在决策支持方面存在的问题和建设需求,提出"网-省-地"一体化决策支持解决方案。该方案使用SOA的数据交换体系解决信息化孤岛问题,实现内部数据的横向交换和上下级单位数据的纵向贯通,基于数据仓库设计的体系架构能实现不同级别的高级决策功能。分析结果表明,该系统具有较好的可行性。
-
关键词
数据仓库
数据挖掘
面向服务架构
电网
-
Keywords
data warehouse
data mining
Service Oriented Architecture（SOA）
power grid
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种新的基于嵌入集的图分类方法
被引量：5
- 3
-
-
作者
王桂娟
印鉴
詹卫许
-
机构
中山大学信息科学与技术学院
华南师范大学计算机学院
南方电网信息中心
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2012年第11期2311-2319,共9页
-
基金
国家自然科学基金项目(61033010
61070005)
+3 种基金
广东省自然科学基金项目(S2011020001182)
广东省科技计划基金项目(2009A080207005
2009B090300450
2010A040303004)
-
文摘
随着图数据收集技术在许多科学领域的发展,对图数据分类已成为机器学习和数据挖掘领域的重要课题.目前已经提出许多图分类方法.其中,一些图分类方法采用3步来构筑分类模型;一些图分类方法采用2步来构筑分类模型.这些方法在挖掘频繁子图或特征子图时,只考虑到子图的结构信息,而没有考虑到子图的嵌入信息.为此,在L-CCAM子图编码的基础上,提出了一种基于嵌入集的图分类方法.该方法采用基于类别信息的特征子图选择策略,不但考虑了子图的结构信息,而且在频繁子图挖掘过程中充分利用嵌入信息——嵌入集,通过一步即直接选择特征子图以及生成分类规则.实验结果表明:在对化合物数据分类时,在分类精度上该方法优于采用3步的图分类方法;在运行效率上该方法优于采用2步和3步的图数据分类方法.
-
关键词
频繁子图
图分类
图挖掘
特征选择
嵌入集
数据挖掘
-
Keywords
frequent subgraph pattern
graph classification
graph mining
feature selection
embedding set
data mining
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
-
题名GC-BES:一种新的基于嵌入集的图分类方法
被引量：1
- 4
-
-
作者
王桂娟
印鉴
詹卫许
-
机构
中山大学信息科学与技术学院
华南师范大学计算机学院
南方电网信息中心
-
出处
《计算机科学》
CSCD
北大核心
2012年第6期155-158,共4页
-
文摘
已提出很多图分类方法。这些方法在挖掘频繁子图时,只考虑了子图的结构信息,没有考虑子图的嵌入信息。实际上,有些频繁子图挖掘算法在计算子图的支持度时,可以获得嵌入信息。在L-CCAM子图编码的基础上,提出了一种基于嵌入集的图分类方法。该方法采用基于类别信息的特征子图选择策略,充分利用嵌入集,在频繁子图挖掘过程中直接选择特征子图。通过实验表明,该方法是有效的、可行的。
-
关键词
频繁子图
图分类
图挖掘
特征选择
-
Keywords
Frequent subgraph
Graph classification
Graph mining
Feature selection
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
