基于块嵌套循环的海洋大数据质量检验方案选择算法

J4 ›› 2013, Vol. 35 ›› Issue (10): 51-57.

基于块嵌套循环的海洋大数据质量检验方案选择算法

黄冬梅，陈括，王振华，施黎莉

（上海海洋大学信息学院，上海 201306）

收稿日期:2013-04-09 修回日期:2013-07-31 出版日期:2013-10-25 发布日期:2013-10-25
基金资助:
国家自然科学基金资助项目（61272098）;科技部973计划资助项目(2012CB316200);南北极环境综合考察与评估专项（CHINARE20120407）

Optimal selection algorithm in quality inspection plan
of big marine data based on Block-Nested-Loops

HUANG Dongmei,CHEN Kuo,WANG Zhenhua，SHI Lili

（College of Information,Shanghai Ocean University,Shanghai 201306,China）

Received:2013-04-09 Revised:2013-07-31 Online:2013-10-25 Published:2013-10-25

摘要/Abstract

摘要：

面对具有多源、多类、多维以及动态性等特征的海洋大数据，如何快速有效得出优化的质量检验方案并对其进行质量控制，是制约海洋数据快速应用的关键问题之一。将skyline思想引入海洋数据质量优化检验方案的选择；运用超几何分布模型给出各类海洋质量检验方案的残差集合；基于块嵌套循环算法，对各质量检验方案的残差集合进行检索比较，最终选出优化的海洋数据质量检验方案。最后通过对某海域监测站点的海洋数据质量检验，验证了该方法的可行性。

关键词: 海洋大数据, 质量检验, 块嵌套循环算法, 残差

Abstract:

Big marine data possesses several typical characteristics such as large amount, multisource, multiple dimensions, multitype and so on. How to design an optimal quality inspection plan fast and control the ocean data timely becomes more and more important for the application of big marine data. Based on skyline, a method is proposed to select the optimal quality inspection plan for the quality inspection of big marine data. Firstly, the residual of acceptance quality probability of each quality inspection plans for ocean big data are calculated by Hypergeometric distribution model. Secondly, the optimal quality inspection plan is selected based on the algorithm of BlockNestedLoops (BNL), which compares the residual of acceptance quality probability of each quality inspection plans one by one. Finally, the proposed method is verified by inspecting the quality of the big marine data, which is collected by monitoring sites in a certain sea area.Key words:big marine data;quality inspection;blocknestedloops algorithm;residuals

黄冬梅，陈括，王振华，施黎莉. 基于块嵌套循环的海洋大数据质量检验方案选择算法[J]. J4, 2013, 35(10): 51-57.

HUANG Dongmei,CHEN Kuo,WANG Zhenhua，SHI Lili. Optimal selection algorithm in quality inspection plan
of big marine data based on Block-Nested-Loops [J]. J4, 2013, 35(10): 51-57.

[1]	严春满, 张翔, 王青朋. 基于改进MobileNetV2的人脸表情识别[J]. 计算机工程与科学, 2023, 45(06): 1071-1078.
[2]	李建红, 苏晓倩, 吴彩虹. 深度层次注意力矩阵分解[J]. 计算机工程与科学, 2023, 45(01): 28-36.
[3]	陈清江, 李金阳, 屈梅, 胡倩楠. 基于端到端双网络的低照度图像增强方法[J]. 计算机工程与科学, 2022, 44(11): 2019-2026.
[4]	王习, 张凯, 李军辉, 孔芳. 基于残差密集网络层次信息的图像标题生成[J]. 计算机工程与科学, 2022, 44(01): 84-91.
[5]	谢祥颖, 刘虎, 王栋, 冷彪. 基于深度残差网络的光伏故障诊断模型研究[J]. 计算机工程与科学, 2021, 43(12): 2223-2230.
[6]	宋超, 王斌, 许家佗. 基于深度迁移学习的舌象特征分类方法研究[J]. 计算机工程与科学, 2021, 43(08): 1488-1496.
[7]	吕琪贤, 范朝刚, 詹曙. 基于残差混合扩张卷积的深度编解码人类精子头部分割网络[J]. 计算机工程与科学, 2021, 43(04): 721-728.
[8]	史小静, 宁秋怡, 季佰军, 段湘煜. 信息传递增强的神经机器翻译[J]. 计算机工程与科学, 2021, 43(01): 134-141.
[9]	霍爱清, 张文乐, 李浩平. 基于深度残差网络和GRU的SqueezeNet模型的交通路标识别[J]. 计算机工程与科学, 2020, 42(11): 2030-2036.
[10]	谢雪娇, 陆枫, 李书展, 周到. 基于多尺度卷积神经网络的胶囊内窥镜出血点快速识别[J]. 计算机工程与科学, 2020, 42(10高性能专刊): 1827-1832.
[11]	李佳颖1,2，朱文泉3，孟繁蕴1,2. 基于降低映射预测残差的高光谱图像压缩算法[J]. 计算机工程与科学, 2020, 42(05): 820-824.
[12]	樊琳1,2，张惊雷1,2. 联合损失优化孪生网络的行人重识别[J]. 计算机工程与科学, 2020, 42(02): 273-280.
[13]	张晓龙1,2,3，彭宜1,2,3. 基于残差网络和随机森林的音频识别方法[J]. 计算机工程与科学, 2019, 41(04): 727-732.
[14]	李燕,章玥. 基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法[J]. 计算机工程与科学, 2018, 40(11): 2015-2022.
[15]	张振焕，周彩兰，梁媛. 基于残差的优化卷积神经网络服装分类算法[J]. 计算机工程与科学, 2018, 40(02): 354-360.