时间：2023-05-16 10:16:55
绪论：在寻找写作灵感吗？爱发表网为您精选了8篇网络合理化建议，愿这些内容能够启迪您的思维，激发您的创作热情，欢迎您的阅读与分享！
关键词：基因调控网络；粒子群优化；遗传算法；粗糙集；特征选择
中图分类号：TP399
文献标志码：A
文章编号：1001-9081（2016）11-2969-05
0 引言
MicroRNA（miRNA） 是一类非常重要的非编码核糖核酸（RiboNucleic Acid，RNA）分子， 通过诱导靶基因降解， 从而广泛地参与到基因的转录后调控， 或者通过抑制基因的转录， 对基因在转录水平上进行调控[1]。miRNA通过与靶mRNA（messenger RNA）匹配结合实现对生物学功能的调控， 因此， 研究miRNA与其靶基因的调控关系成为生物界广泛关注的问题。传统的实验验证方法耗费巨大， 利用现有的序列数据、基因表达数据或其他生物信息学数据， 通过统计学模型或机器学习的方法构建基因调控网络来发现基因之间的关系， 能够有效减少实验花费， 对生物学研究者有一定指导作用。
从机器学习的角度来看， 基因调控网络构建可以分为非监督学习和监督学习。非监督学习不需要已知的调控关系， 只是利用一些生物数据来进行调控网络的构建； 监督学习则需要已知的调控关系， 可以看出监督学习需要的数据信息多于非监督学习， 具有更强的发现能力。有研究表明， 在网络推断方面， 监督学习优于非监督学习[2]。
监督学习需要利用已有的调控关系数据， 通过学习调控关系的判别模型， 对未知的调控关系进行判别， 需要处理特征生成和分类器选择问题。miRNA与其靶基因的交互特征包括自由能特征、结构序列特征和基于绑定位置特征， 收集这些特征并进行计算， 然后使用分类器进行模型的构建。由于支持向量机（Support Vector Machine， SVM）在解决小样本、非线性以及高维问题中表现出的优势[3]， 使得它在基因网络构建方面独具一格， 已成为近期的研究热点。
本文提出了一种基于粗糙集、混合粒子群和遗传算法（Genetic Algorithm， GA）的基因调控构建方法。首先利用序列数据构建特征向量， 然后使用所提方法选取最优的特征子集， 构建支持向量机模型。由于存在正负样本不平衡问题， 本文采用SMOTE （Synthetic Minority Oversampling TEchnique）[4] 算法对样本进行处理， 降低类不平衡的影响。在拟南芥和水稻数据集上的实验结果表明该方法可以得到较好的性能。
3 遗传算法
遗传算法是一种模拟达尔文生物进化论的自然选择和遗传学机制演化而来的随机化搜索方法[12]。 它采用概率化的寻优方法， 能自动获取和指导优化的搜索空间， 不需要确定的规则， 能够自适应的调整搜索方向， 已经被广泛应用到信号处理、组合优化和机器学习等领域。
遗传算法具有粒子群算法所没有的交叉和变异操作。交叉就是按照一个较大的概率从种群中选择两个个体， 交换两个个体的某个或某些位， 从而形成两个新的个体。交叉操作方法有单点交叉、两点交叉、多点交叉和顺序交叉等。常用的交叉算子是单点交叉算子， 是指在个体中随机设置一个交叉点， 然后在该点相互交换两个配对个体的部分染色体。
变异操作是模拟生物由于偶然的因素而引起基因突变的原理来进行的。它使用一个很小的变异概率随机将染色体中的某一位或某些位使用其他值进行替换， 从而形成一个新的个体。
4 基于粗糙集的PSO和GA的混合算法
虽然粒子群算法中粒子的学习能力很强， 节省时间并且容易实现。
但是存在一些缺点：比如局部搜索能力比较差、搜索的精度不高、容易陷入局部最优解等。因此， PSO算法和其他算法的融合是当前的研究热点。Li等[13]在2006年提出将模拟退火算法和PSO进行融合；Ye等[14]在2005年将演化策略的变异算子引入到了PSO中； 文献[15] 在SVM特征选择方面对PSO和GA进行融合。
本文将粒子群算法和遗传算法的交叉与变异算子进行融合。遗传算法个体之间不共享信息， 侧重自然寻优， 而粒子群之间共享信息， 因此搜索时间较快， 将二者的优点进行融合。在粒子群算法的执行过程中， 将基于粗糙集的依赖度作为特征选择的适应度函数， 对于适应度函数排名靠前的粒子使用粒子群算法的速度和位置更新公式进行更新， 而对排名靠后的粒子则采用遗传算法的交叉和变异算子进行粒子的更新， 提出基于粗糙集的混合粒子群和遗传算法的方法（PSOGARS）。
每个粒子是一个长为d的二进制位串， d是特征的总数， 每一位代表一个属性， “1”代表这个属性被选择， “0”代表这个属性没有被选择。
4.1 参数设置和适应度函数
惯性权重w影响着粒子群的搜索能力， 一般将惯性权重设置为随着迭代次数递减的函数， 这样在开始时可以有较大的搜索空间， 之后在一个较小的空间搜索， 提高收敛速度。公式如下：
4.2 PSOGARS方法流程
基于粗糙集的粒子群和遗传算法的混合算法过程如下：
第一步 设定算法的初始参数（种群规模、迭代次数、遗传算法的概率p、交叉和变异速率等）。
第二步 随机产生初始种群， 随机化粒子的速度和位置， 设置每个粒子的个体极值Pbest和全局极值gbest。
第三步 根据式（11） 计算每个粒子的适应值。
第四步 按照适应值的大小对粒子进行排序， 将排序前p的粒子， 根据式（8）和（9） 更新速度和位置值。对于排在p以后的那些粒子， 使用遗传算法的交叉和变异算子进行更新。
第五步 根据更新后的粒子再次计算适应度值， 确定粒子的个体极值Pbest和全局极值gbest。
第六步 判断是否满足迭代次数要求：如果是， 就转向第七步；否则转向第三步。
第七步 输出最优粒子的最优位置。
5 实验分析
5.1 数据集
拟南芥和水稻的miRNA数据下载自miRNA数据库miRBase （版本号21）[16]， 它包含了427条拟南芥miRNA成熟体。拟南芥mRNA数据下载自拟南芥数据库TAIR[17]。水稻的mRNA数据下载自Ensembl Genomes数据库（http：//）。本文使用的正样本来自一些文献中搜集的实验验证的拟南芥miRNA靶基因交互数据[18-22]， 共101条。实验验证的水稻的miRNA靶基因交互数据共30条。因为实验验证的负样本数据缺乏， 因此一些负样本按照下面的步骤生成。
根据拟南芥miRNA中碱基比例PU=0.29， PC=0.19， PA=0.26， PG=0.26， 300个人工的miRNA（30nt）已经生成[23]，用这些生成的miRNA产生负样本。用psRNATarget[24]产生这些人工的miRNA的靶基因。最后， 1311条负的调控关系已经生成。miRNA与其靶基因的序列特征一般包括自由能、结构和位置方面的特征， 本文采用文献[25]的方式提取48维特征。在水稻数据集上采用同样的方法生成负样本。因为需要样本数据中有miRNA与mRNA的交互的靶位点信息， 利用psRNATarget工具得到的调控关系作为测试集。
5.2 数据预处理及参数设置
实验中， 由于正负样本的比例不平衡， 负样本的比例大于正样本的比例， 结果会出现较高的假阴性。本文采用经典的SMOTE方法解决样本的不平衡问题。SMOTE算法是一种过采样算法， 基本思想是通过合成的方法产生新的少数样本。合成的方法是对每个少数类样本a， 计算a与少数类样本之间的欧氏距离， 选取k个最短的距离作为其最近邻， 文中的k值为5。然后从它的最近邻中随机选择样本b， 然后在a和b之间的连线上随机选一点作为新合成的少数类样本M， 如式（12）所示， 其中u是一个介于0～1的随机数，并不是简单地进行复制。使用数据挖掘工具Weka[26]将连续属性值进行离散化处理， 以间距0.1为分割， 分成10份， 离散化后小于0.1的值都看作0， 0.1～0.2的值都看作0.1， 依此类推。
算法中的遗传概率p， 从0.1～0.9， 以0.1为步长连续取不同的值进行实验， 最终选取一组准确率最高时的p值作为最终的结果。
本文采用了3种分类性能评价指标， 分别是准确率、F值和受试者工作特征（Receiver Operating Characteristic， ROC）曲线面积。其中：
准确率=（TP+TN）/（TP+TN+FP+FN）
F值=（2*TP）/（2*TP+FP+FN）
ROC曲线是显示分类器真正率和假正率折中的一种图形化方法。在一个ROC曲线中， 真正率（True Positive Rate， TPR）沿y轴进行绘制， 而假正率（False Positive Rate， FPR）显示在x轴上， 沿着曲线每一点对应于一个分类器归纳的模型。ROC曲线面积是曲线下方的面积， 其取值范围为0～1。
其中：TP、TN、FP、FN分别表示真阳性、真阴性、假阳性和假阴性。
表1按照不同的p值选出不同的特征子集， 根据不同的特征子集采用支持向量机进行训练， 使用10倍交叉验证得到在拟南芥数据集上不同p值时的准确率、F值和ROC面积。本实验中， p值最终选择的是0.2。最大迭代次数Maxiter=100， 惯性权重的最大值和最小值分别是1.4和0.4。种群的大小N为特征的个数48， 遗传算法的交叉概率c=0.7， 变异概率m=0.01。
5.3 结果分析
本文方法PSOGARS与基于粗糙集和粒子群优化的特征选择方法（Feature Selection based on Rough Sets and PSO， PSORSFS）[27]、粗糙集软件（ROSETTA）[28]等算法进行比较分析。ROSETTA中采用的是利用遗传算法得到的属性约简方法。然后使用支持向量机对每种算法得到的特征子集对应的样本子集进行分类， 采用10折交叉验证比较这三种算法的性能。因为使用粗糙集软件一共得到了4个不同的属性约简子集， 文中取它们的平均值进行比较。表2为三种方法在拟南芥数据集上的性能比较。
使用同样的方法在水稻数据集上进行实验， 结果如表3所示。
从表2和表3中可以看到， 虽然三种方法约简后的特征个数相同， 但是本文方法的准确率略高于其他两种方法。对于拟南芥数据集来说， 分类的准确率， F值和ROC面积都比PSORSFS高5%， 比ROSETTA高1%。在水稻数据上， 比PSORSFS高1%， 比ROSETTA高8%。
5.4 网络构建
根据构建的分类模型， 得到miRNAmRNA的调控网络。图1给出了部分的调控关系。miR156调控的AT1G27360、AT3G57920、AT1G35515等大部分均有GO术语GO：0006355。AT1G35515也具有相同的生物过程， 因此， 它们很可能同时被相同的调控因子调控。这里， 实验验证的miR157的靶基因都具有同样的GO标签， 而预测的AT2G42200也有相同的GO标签。同时被miR156和miR157预测A8T3G18217拥有的GO标签GO：0035195和GO：0006355都是GO标签GO：0010467的后代， 所以它们很可能也有相同的功能， 被同样的调控因子调控。表4给出了这些实验验证的以及预测的miRNA的靶基因的GO术语及其功能。
6 结语
基于粗糙集理论， 本文将粒子群优化算法与遗传算法相结合， 提出了一种新的构建调控网络的方法。考虑到miRNA与其靶基因之间的序列信息， 提取序列之间的关系， 构造特征向量， 混合粒子群和遗传算法选择最优的特征子集， 使用SMOTE算法解决样本不平衡问题。使用支持向量机进行实验， 采用10折交叉验证来衡量模型的准确性。结果表明， 该方法可以有效地预测调控关系。今后， 可以考虑结合其他种类的生物学数据， 提高预测的准确率。
参考文献：
[1] RUVKUN G. Glimpses of a tiny RNA world[J]. Science， 2001， 294（5543）： 797.
[2] MADHAMSHETTIWAR P B， MAETSCHKE S R， DAVIS M J， et al. Gene regulatory network inference： evaluation and application to ovarian cancer allows the prioritization of drug targets[J]. Genome Medicine， 2012， 4（5）： 1-16.
[3] 亓慧，王文剑，郭虎升.一种基于特征选择的SVM Bagging集成方法[J]. 小型微型计算机系统， 2014， 35（11）： 2533-2537.（QI H， WANG W J， GUO H S. An SVM bagging ensemble learning algorithm based on feature selection[J]. Journal of Chinese Computer Systems， 2014， 35（11）： 2533-2537.）
[4] CHAWLA N V， BOWYER K W， HALL L O， et al. SMOTE： synthetic minority oversampling technique[J]. Journal of Artificial Intelligence Research， 2002， 16（1）： 321-357.
[5] PAWLAK Z. Rough sets[J]. International Journal of Computer & Information Sciences， 1982， 11（5）： 341-356.
[6] 常犁云， 王国胤， 吴渝. 一种基于Rough Set理论的属性约简及规则提取方法[J]. 软件学报， 1999， 10（11）：1207-1211. （CHANG L Y， WANG G Y， WU Y. An approach for attribute reduction and rule generation based on rough set theory[J]. Journal of Software， 1999， 10（11）： 1207-1211.）
[7] 石云， 孙玉芳， 左春. 基于Rough Set的空间数据分类方法[J]. 软件学报， 2000， 11（5）： 673-678. （SHI Y， SUN Y F， ZUO C. Spatial data classification based on rough set[J]. Journal of Software， 2000， 11（5）： 673-678.）
[8] PAWLAK Z. Imprecise Categories， Approximations and Rough Sets[M]. Boston， Massachusetts： Kluwer Academic Publishers， 1991： 9-26.
[9] PAUL S， MAJI P. Rough set based gene selection algorithm for microarray sample classification[C]// ICM2CS 2010： Proceedings of the 2010 International Conference on Methods and Models in Computer Science. Piscataway， NJ： IEEE， 2010： 7-13.
[10] KENNDY J， EBERHART R C. Particle swarm optimization[C]// Proceedings of the 1995 IEEE International Conference on Neural Networks. Piscataway， NJ： IEEE， 1995：1942-1948.
[11] EBERHART R C， KENNEDY J. A new optimizer using particle swarm theory[C]// Proceedings of the 6th International Symposium on Micro machine and Human Science. Piscataway， NJ： IEEE， 1995： 39-43.
[12] HAYESROTH F. Review of "Adaptation in Natural and Artificial Systems by John H. Holland". The University of Michigan Press[J]. ACM SIGART Bulletin， 1975， 53： 15.
[13] LI L， WANG L， LIU L. An effective hybrid PSOSA strategy for optimization and its application to parameter estimation[J]. Applied Mathematics and Computation， 2006， 179（1）： 135-146.
[14] YE B， ZHU C， GUO C， et al. Generating extended fuzzy basis function networks using hybrid algorithm[C]// Proceedings of the Second international conference on Fuzzy Systems and Knowledge Discovery. Berlin： SpringerVerlag， 2005： 79-88.
[15] 张进， 丁胜， 李波. 改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法[J]. 计算机应用， 2016， 36（5）：1330-1335.（ZHANG J， DING S， LI B. Improved particle swarm optimization algorithm for support vector machine feature selection and optimization for parameters[J]. Journal of Computer Applications， 2016， 36（5）： 1330-1335.）
[16] GRIFFITHSJONES S， SAINI H K， VAN DONGEN S， et al. miRBase： tools for MicroRNA genomics[J]. Nucleic Acids Research， 2008， 36（1）： 154-158.
[17] SWARBRECK D， WILKS C， LAMESCH P， et al. The Arabidopsis Information Resource （TAIR）： gene structure and function annotation[J]. Nucleic Acids Research， 2008， 36（Database issue）： D1009-D1014.
[18] ADDOQUAYE C， ESHOO T W， BARTEL D P， et al. Endogenous siRNA and miRNA targets identified by sequencing of the Arabidopsis degradome[J]. Current Biology， 2008， 18（10）： 758-762.
[19] ALLEN E， XIE Z， GUSTAFSON A M， et al. MicroRNAdirected phasing during transacting siRNA biogenesis in plants[J]. Cell， 2005， 121（2）： 207-221.
[20] GERMAN M A， PILLAY M， JEONG D H， et al. Global identification of MicroRNAtarget RNA pairs by parallel analysis of RNA ends[J]. Nature Biotechnology， 2008， 26（8）： 941-946.
[21] LIANG G， HE H， YU D. Identification of nitrogen starvationresponsive MicroRNAs in Arabidopsis thaliana[J]. PloS One， 2012， 7（11）： e48951.
[22] ALLEN E， XIE Z， GUSTAFSON A M， et al. Evolution of MicroRNA genes by inverted duplication of target gene sequences in Arabidopsis thaliana[J]. Nature Genetics， 2004， 36（12）： 1282-1290.
[23] SAETROM O L A， SNVE O L A， SAETROM P. Weighted sequence motifs as an improved seeding step in MicroRNA target prediction algorithms[J]. RNA， 2005， 11（7）： 995-1003.
[24] DAI X， ZHAO P X. psRNATarget： a plant small RNA target analysis server[J]. Nucleic Acids Research， 2011， 39（Web Server issue）： W155-W159.
[25] MENG J， SHI L， LUAN Y. Plant MicroRNAtarget interaction identification model based on the integration of prediction tools and support vector machine[J]. PloS One， 2014， 9（7）： e103181.
[26] HOLMES G， DONKIN A， WITTEN I H. WEKA： a machine learning workbench[C]// Proceedings of the 1994 2nd Australian and New Zealand Conference on Intelligent Information Systems. Piscataway， NJ： IEEE， 1994：357-361.
[关键词]模糊粒化；小波神经网络；股指区间预测
[DOI]101.3939/jcnkizgsc20162.71.1.3
1引言
随着股票市场的逐渐完善和发展，投资金融理财产品成为越来越多的家庭和个人的选择，股票就是其中重要的一种理财产品。近年来，人工神经网络是人工智能领域兴起的研究热点，并且凭借其优秀的非线性逼近和泛化能力在金融市场得到了广泛的应用。王文波等人进行了基于EMD 与神经网络的中国股票市场预测[1]，任崇岭等人进行了基于小波神经网络的短时客流量预测研究[2]，以上研究表明神经网络在股票市场上有较好的实际预测效果并获得了广泛的应用。潘晓明等人通过采用遗传算法的神经网络集成建立了一种股票市场预测模型。[3]刘沛汉等基于遗传算法优化进行了神经网络的光伏电站短期功率预测[4]等，上述研究结果表明遗传算法在优化神经网络进行预测，降低误差方面有显著作用。
传统神经网络预测多得到股指点的预测，但是股票市场随机性较大，投资者往往更希望得到股指在未来一段时间的波动区间作为投资参考。因此，文章通过将股指开盘数据模糊粒化，然后在小波神经网络基础上建立一种新型的股指区间预测模型，并使用遗传算法优化模型参数，获得更高的精度，预测未来一段时间内股指波动范围，为股市投资者提供投资参考。
2模型的建立
2.1信息粒化
1979年，LAzadeh教授提出了“信息粒化”（Information Granulation）的概念。信息粒化就是通过一定的划分准则，将原始数据中难以辨别，或者具有特定功能相似的数据聚集成多个集合，构成一个个信息粒，这种信息处理的方式称之为信息粒化。一般形式如下：
2.2基于遗传算法和BP学习的小波神经网络预测
2.2.1遗传算法的使用
遗传算法（Genetic Algorithm）是一种模拟生物进化机制的算法，具有较好的收敛性、极高鲁棒性和广泛适用性，可有效提高模型预测精度。因此，文章采用全局搜索能力较好的遗传算法优化网络参数，步骤如下。
2.2.2小波神经网络的建立
小波神经网络是在BP神经网络基础上，以小波基函数作为隐含层节点传递函数，信号前向传播的同时误差反向传播的神经网络。文章选取Morlet母小波基函数作为隐含层小波基函数：
采用梯度修正算法高模型的预测精度、使预测输出更接近期望输出，修正过程如下：
3实证分析
文章选择我国股票市场中的上证指数作为研究数据。文章选取201.4 年1.2月2.2 日至2016 年3 月16 日的300 个交易日的上证指数开盘数据进行预测，数据源于新浪财经。将300个开盘数据每4 天划分成一个数据粒，划分成75个数据块，隶属函数的参数即对应模糊上界，模糊中值和模糊下界。文章使用模糊下界和模糊上界作为股票指数所在的区间。
以股指分块数据的上界为例，选取前72个数据作为神经网络的训练集，后3个数据作为测试集。文章选取前6个数据作为小波神经网络的输入。隐含层节点的数目可根据经验公式[KF（]m+n[KF）]+α 计算，其中α 是取值0～10之间的常数，经过多次尝试隐含层节点为1.3时效果最好，输出层节点个数为1，文章的小波神经网络结构为6-1.3-1。
用遗传算法计算小波神经网络测初始状态，这里文章基于Matlab的Gatbx遗传算法工具箱进行编写。具体的参数设置为：①个体数目：50；②最大遗传代数：20；③变异概率：005；④交叉概率：08；⑤代沟：09。
采用梯度下降法训练小波神经网络，梯度下降训练具体参数如下：（1）小波神经网络权值学习速率η1=002；（2）小波基函数伸缩、平移因子学习速率η1=001；（3）小波神经网络最大迭代次数为600次。训练结果和训练误差如下。
利用训练好的小波神经网络得到2016年3月1日～3月16日的模糊上界的预测值。类似地，对上证指数模糊中间值以及模糊下界进行相同的处理方式，可以得到具体的股指预测区间为[2.73.6，2.889]、 [2.705，2.877]和[2.74.3，2.960]。2016年3月1日～2016年3月16日股指区间预测结果和实际股指图如下所示。
由上图可以看出，2016年3月1日―2016年3月16日一共1.2个交易日的数据几乎全部属于小波神经网络预测区间，并且模型预测区间波动较小，预测较为精确。模型可以较好地预测股票指数在没有重大政策影响的情况下的波动情况。
对于模型预测误差，本文采取均方根误差（RMSE），平均绝对百分比误差（MAPE），最大绝对误差百分比（MaxAPE）这三项指标来进行衡量。按照如下计算公式计算得到预测结果误差并得到计算结果：
4结语
文章提出了一种基于模糊粒化和遗传算法优化的小波神经网络股票指数区间预测模型。该模型通过对上证指数开盘数据进行模糊粒化，建立一个基于遗传算法优化的小波神经网络，并对未来几日的上证指数进行预测。实际结果表明，这一预测模型可以较好地预测未来4日上证指数的波动区间，并且具有较高的预测精度，可以作为股票投资者的一种投资参考，有效地规避风险，从而获取更大的收益。
参考文献：
[1]王文波，等基于EMD与神经网络的中国股票市场预测[J].系统工程理论与实践，2010，30（6）：102.7-103.3.
[2]任崇岭，等基于小波神经网络的短时客流量预测研究[J].科学技术与工程，201.1，1.1（2.1）：5099-5.103.
[3]潘晓明，等基于遗传算法神经网络集成股票市场预测研究[J].广西师范学院学报，2007，2.4（1）：77-83.
[4]刘沛汉，等基于遗传算法优化神经网络的光伏电站短期功率预测[J].水电能源科学，2016，3.4（1）：2.1.1-2.1.4.
关键词；一体化高清网络、Linux操作系统、安防监控系统、网络监控综合管理平台
中图分类号： G250 文献标识码： A
一、一体化高清网络监控综合管理平台基本概况
大华DSS7016综合监控管理平台可视为一款硬件化一体机，采用Linux操作系统及专业定制的硬件平台，支持4核CPU，标配4G内存(最高支持16G)。该机支持安装带面板锁的液晶屏，既可保护存储数据不被恶意破坏，又可通过液晶屏对系统信息进行显示、平台参数配置等操作。打开液晶屏面板，可看到正面上侧左端为开机键及状态指示灯，中间是连接液晶屏的数据插口，右侧则是两个便于鼠标等USB设备插拔的USB接口，而主体部分即为抽拉式设计的硬盘架，支持安装16个SATA0、SATA1标准硬盘(单硬盘最大容量为4TB，其中一个用于存储数据库，也可通过IP SAN扩容)。
再转到后面板，看到接口设计简洁，下端从左到右依次为支持热插拔的100V～240V宽电压电源、4个100/1000Mbps自适应以太网口(支持冗余、网口均衡绑定或独立千兆网口应用)、VGA本地输出插口、2个USB插口、1个e-SATA扩展插口、2个HDMI高清输出口以及4个绿色接线柱。
DSS7016平台一体机单台设备支持管理最大设备数为500台(最大视频接入量为5000路)，网络交换总能力为1800MB/S，支持任意500路D1@2Mbps码流/250路720P@4Mbps码流/125路1080P@8Mbps码流网络视频交换输出，同时支持500路D1@2Mbps码流的转发与存储并发处理，可处理1000个用户同时在线请求(注册数达1万个)。高效的处理性能，使得基于该硬件平台的软件在接入量、流媒体转发、存储三个关键性能上都得到了极致的发挥。当项目接入量比较大时，可选择以下两种架构部署的模式：
堆叠模式：在主模式DSS7016基础上，通过增加从模式DSS7016，增加系统的媒体转发能力、媒体存储能力以及设备接入能力，在此模式下，支持最大10级堆叠，可实现最大10000路视频或1500个设备的接入和管理;
级联模式：在主模式DSS7016基础上进行系统级联，实现资源共享，该模式最大支持5级级联，可实现最大20000路视频或3000个设备的接入和管理。同构化架构在这个526mm×485mm×135mm大小的服务器中，集成了前端视频设备管理、多硬盘管理、大容量视频存储、电子地图、视频监视和回放、流媒体转发等多种系统功能。同时，得益于高性能的网络转发传输技术，实现了大数据量的视频数据综合业务处理，提供了高清视频、安全存储、高速转发等功能。
此种同构化架构技术，使得平台的搭建更为简单和快捷，系统部署也更灵活、简便(图1)。除传输网络层和设备接入层外，该平台还划分为数据层、服务管理系统层、应用系统层以及用户界面层(提供设置用的B/S和日常管理用的C/S客户端)，形成一款高效的信息整合、业务管理与决策支持平台。通过单设备即可实现用户管理、设备管理、组织管理、录像管理、报警设置、系统设置、日志管理、实时监视、云台控制、录像回放、报警通知、视频上墙、语音对讲、电子地图等功能
产品概述
嵌入式Linux一体机，30*24小时稳定运行
支持1000M流媒体转发和384M本地存储
支持本地硬盘RAID 0、1、5
支持700M IP-SAN扩展存储
支持500设备和2000路前端管理接入
支持双机热备和负载均衡
支持本级20个堆叠和上下5级级联部署
支持GIS地图（Baidu、SuperMap）
支持ONVIF、GB/T28181标准协议的设备接入
支持IVS-B/PC等智能设备接入
支持平台SDK开发包
支持前液晶板系统服务状态显示和系统基本参数设置
技术参数
二、港口安防监控现状和需求
秦皇岛港口杂货公司是河北港口集团管辖的大型散杂货码头综合公司，包括多个散杂货码头泊位，多个大型货物存储场地，商检动植物检疫散粮筒仓系统，海关监管仓库，具备停靠多艘大型船舶同时综合作业的能力。
在不同时期分别建设了不同功能安防监控系统，各个安防监控系统自成体系，独立监控管理各自的监控范围的区域，资源不能共享。
随着社会信息化进程的快速发展，信息技术的应用已逐渐渗透到人类生存、活动的各个领域。在竞争已达白热化的某些领域，生产经营管理的高效性、实时性直接影响到公司企业的生产效益和成本控制。作为公司的生产作业也必须适应这一变化趋势的要求，也就是说港口的建设、管理应该向着信息化、智能化的方向发展――建立智能化港口。
视频监控是安全防范和生产监控体系的核心，可有效对各区域实行实时监控。整个视频监控系统的重点在于对生产区域、公共区域以及卡口周界的监控。从现代化管理的角度出发，监控系统在实现安全防范的同时，也能在管理方面发挥巨大作用。
因此，需要整合公司现有安防监控资源，建设一个系统的统一的安防监控管理系统。
三、监控综合管理平台在港口中的应用
1、监控系统建设目标和要求
分布式控制
满足分布式监控需求，监控内的用户向监控系统的资源提出控制要求时，能够依据系统设置的权限，进行资源分配。
集中网管
系统内所有网络视频管理平台系统主机都可以在不同地方，但使用软件实现远程诊断和管理。
大容量、分布式的实时直播
在有限网络资源环境一下，多个用户可同时在线观看系统内任意网点的实时视频资料。
灵活简便的操作方式
采用网络视频，系统授权用户可以直接在电脑上利用图形化界面软件对各设备进行操作，进行各种控制和处理，友好的图形化软件界面使得对视频监控系统的各项操作更加简单易行，也可以在计算机网络内进行操作管理。
容量、分布式的存储结构，管理查询检索方便
用户可以按照时间，视频源，告警联动视频源，等等条件检索录像资料；或者自定义条件检索录像资料。采用数字化录像可以做到“所看即所录”，回放清晰度和实时调看时完全一样，录像资料的可利用性非常高，而且可以直接利用各种图像处理软件对图像进行加工，转存和处理。
监控数据占用资源少
将图像数字化以后，图像信号和别的数字信号没有区别，可以直接在各种现存网络上运行，在远程及主干传输上，不像传统的监控系统需要专门布线建立专门的传输通道。且经过数字化压缩后，每一路图像占用的带宽比模拟视频要小得多，可以更加充分的利用现有带宽。
结构灵活
由于网络的拓扑结构是灵活多样的，基于网络的视频也同样具备结构灵活的特点。不再像传统的视频监控系统那样，必须设定成星型拓扑。在网络的任何一个节点上都可以随意的增加视频工作站和服务器，对模拟信号进行汇聚。而增加一个分控不再需要像传统的监控系统一样需要重新布线，只需要在网络所遍及的地方相关的电脑上安装软件即可实现对前端图像的调阅和控制。
易于和其他系统集成
数字化后的图像可以直接在电脑上操作和管理，可以通过软件接口很方便的和其他相应系统集成。
该系统建成后，能对区域内目标实行24小时不间断的摄像监控，并进行现场图像存储，一次达到30天之久，并备份保存。可进行突发事件的实时监控、摄录，提供视听资料证据，为警方破案，园区保安现场应急处理提供技术上的支持。对案发后的犯罪活动可以查找犯罪现场，锁定并跟踪追击目标嫌疑人，为保护企业安全提供及时信息，为打击犯罪提供第一手资料。为港口安全生产作业提供有力支持。
2、监控综合管理平台在港口杂货公司安防监控中应用
在本项目中，充分考虑到视频监控联网项目的系统需求，提出了一套完整的高可用性解决方案。本次解决方案主要分为前端系统方案、监控中心、存储方案和监控中心平台四大部分，其中视频监控联网平台是本项目的核心系统。
购物车(0)
