基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

基于Spark并行SVM参数寻优算法的研究

针对传统支持向量机(SVM)参数寻优算法在处理大样本数据集时存在的寻优时间过长,内存消耗过大等问题,提出了一种基于Spark通用计算引擎的并行可调SVM参数寻优算法。该算法首先使用Spark集群将训练集以广播变量的形式广播给各个Executor,然后并行化SVM的参数寻优过程,并在在寻优过程中控制Task并行度,使各个Executor负载均衡,从而加快寻优速度。实验结果表明,本文提出的参数寻优算法,通过设置合理的Task并行度,可以在充分使用集群资源的同时提高最优参数的寻找速度,减少寻优时间。     

建筑结构与控制系统并行设计研究

针对随机激励下的以结构参数为变量、以控制输入力最小化为优化目标的建筑结构和控制系统并行设计问题,设计了一种基于线性矩阵不等式工具的并行优化算法。该算法在以下2个方面突破了现有算法的局限性:①将质量矩阵纳入优化变量,拓宽了优化范围;②采用凸化势能函数处理将控制引入结构设计导致的非凸约束,大大降低了算法复杂度。算例分析显示该算法能有效提高建筑结构的设计效能。     

基于Nginx的Web服务器性能优化研究

动态负载均衡算法能最小化并行集群中应用服务的响应时间或执行时间,并且对解决高度并行系统中不可预测负载估计问题至关重要。通过加权最小连接算法与upstream机制相结合,提出一种动态反馈负载均衡算法,解决Nginx负载均衡的动态反馈问题,提高了负载均衡分配的准确性。压力测试结果表明,该算法能避免因动态负载信息采集而引入影响整体性能的通信负载开销,提高算法可行性,减小Web服务器平均响应时间并提升正确响应率,为服务器性能优化提供新的解决方案。     

基于LMI的建筑结构与控制系统并行算法设计

针对随机激励下的以结构参数为变量、以控制输入力最小化为优化目标的建筑结构和控制系统并行设计问题，设计了一种基于线性矩阵不等式工具的并行优化算法．该算法在以下两个方面突破了现有算法的局限性：将质量矩阵纳入优化变量，拓宽了优化范围；采用凸化势能函数处理将控制引入结构设计导致的非凸约束，大大降低了算法复杂度．算例分析结果显示该算法能有效提高结构设计效能．     

PC集群的构建与并行计算性能评测

在现有实验室条件下,利用10台微机和高速以太网构建基于Linux的小型同构PC集群,并对软件配置过程进行详细描述.利用系统进行计算圆周率的并行程序编制,根据运行结果对系统的性能进行评测.结果表明：系统在充分利用现有硬件资源基础上获得了较高的计算速度,同时具有较好的并行加速比和并行计算效率.利用这种方法构建集群是低成本获取高性能计算的有效途径,为今后的并行计算研究提供一个较好的开发平台.     

Oozie工作流在Mahout分布式数据挖掘中的应用

针对现有数据挖掘软件不支持用户有序、动态地按需定制并行数据挖掘算法,且不能充分利用计算集群的能力,分析了 Hadoop技术及其多种数据处理组件,提出应用 Mahout分布式数据挖掘算法库和 Oozie 工作流技术在 Hadoop 中构建数据挖掘工作流的方法,并设计实现了一个聚类工作流实例。实验结果证明,该方法简单,且能有效地组织数据挖掘流程。     

基于三维标量场的光线投射并行体绘制算法

针对大规模三维标量场相关算法计算量大且数据绘制速度慢、不能满足用户实时需求的问题,在研究和总结三维标量场和体绘制关键技术的基础上,对体绘制的原理进行了深入探讨,重点研究了体绘制中的光线投射算法。利用集群多节点的并行优势,对体绘制的光线投射算法进行了改进,采用MPI并行编程模式,成功地将该算法运行于PC集群环境中,并应用于三维城市建模,充分发挥了集群的高性能计算,大大提高了绘制效率。实验结果表明,该算法具有良好的并行效率和可视化效果。     

新型上行链路非码本预编码的传输方法

提出了新型上行链路非码本预编码传输方法,可用于局域网或广域网无线通信系统中.本方法包含发送端基于几何均值分解预编码算法和接收端正交三角(QR) 分解的混合并行干扰消除/串行干扰消除(PIC/SIC)检测算法两部分.本传输方法克服了现有上行链路码本预编码复杂以及反馈码本序号占用信道资源的缺点,在几何均值分解预编码基础上,对QR分解的混合并行干扰消除/串行干扰消除检测算法进行了分析和仿真.仿真结果表明几何均值分解预编码结合接收端QR分解的混合PIC/SIC检测算法性能较好、复杂度较低,有利于应用于无线局域网上行接收端的信号检测.     

一种基于集群的栅格图像分割算法的研究

阐述了当前栅格图像处理存在的问题,针对集群环境下空间信息的并行存取与处理的研究与应用,分析了栅格图像的分割方法,并提出了一种分割栅格图像的Kc算法.其基本思想是在集群各计算节点上通过Kc值与TK=μK ασK比较,并行处理图像的不同对象.根据该算法设计了实验,通过实验验证了Kc算法能够加快图像处理的速度.     

基于混合PAES的置信规则库推理算法

目前对置信规则库（BRB）的研究主要是关于BRB系统的参数或结构的单目标优化。然而,BRB系统中提高推理准确性和减少系统复杂度往往是两个相互冲突的目标。因此,设计合适算法来寻找到两个目标上的最优解具有重要意义。鉴于此,该文提出基于混合Pareto存档进化策略（M-PAES）的置信规则库推理方法（M-PAES-BRB）,通过最小化系统的均方根误差和系统复杂性来寻找到近似的Pareto最优前沿。该算法采用了改进型M-PAES算法来构建多目标优化模型,通过重组和变异操作生成候选解。该文选取两个标准时间序列,Mackey-Glass和Box-Jenkins作为实验数据,对M-PAES-BRB的可行性及有效性进行分析。实验结果表明,相比于模糊规则库的多目标优化方法（FRBSs）,该文方法的推理准确性更高,同时系统复杂度更低。     

模拟退火与蚁群混合并行算法解旅行商问题

求解TSP问题的智能优化算法主要包括蚁群算法和模拟退火算法等,这些算法求解TSP问题的速度比传统的精确求解算法有很大改进,但在问题的求解空间逐渐增加时,串行执行速度往往还是无法满足人们的需求.针对此问题,研究了蚁群算法、模拟退火算法以及两者的混合算法的并行实现方法,建立了PC机群实验平台,基于MPI环境对蚁群算法、模拟退火算法以及混合算法的并行算法进行了测试.根据理论研究和实际测试的结果,比较了并行算法和传统串行算法的性能差异,总结了利用PC机群系统求解旅行商问题的并行求解的可行性,得出了关于并行效率等方面的一些有意义的结论.     

基于微分竞争学习的参数估计器

推导了基于微分竞争学习的参数估计器（ＤＣＬＰＥ），为解决没有统计先验信息、线性或非线性观测过程以及待估参数属于多类统计模式的参数估计问题提供了一种有效方法．应用实例仿真验证了ＤＣＬＰＥ的全局搜索寻优与自适应参数估计能力     

飞机载荷谱实测数据并行统计处理算法

针对飞机载荷谱数以万亿计的实测数据,为了提高统计处理运行效率,提出了飞机载荷谱实测数据处理的并行算法。本文对载荷谱实测数据处理模型进行了多级并行化分析,在此基础上论述了粗粒度、中粒度、细粒度级并行处理方式,建立了两种并行处理算法——基于机型数据流的粗粒度与中粒度并行数据处理算法和基于某起落数据流的中粒度与细粒度并行数据处理算法。在小规模对称多处理器(Symmetrical multi-processors,SMP)集群运算平台下进行比较测试表明,可大幅地提高载荷谱数据处理运行效率,在8核运算环境下,最高能获得5.82的加速比,为飞机载荷谱实测数据处理研究领域进行大规模科学计算和提高数据处理效率提供了新的技术途径。     

海量数据上挖掘关联规则的并行算法

针对目前关联规则挖掘算法中数据库规模很大时算法执行时间太长的问题。指出了并行计算是解决该问题的一个有效方法。利用新提出的可以忽略仅仅在少于1／4的结点机上的局部频繁项集，给出了一种新的并行随机抽样方法，并利用机群并行计算机的自治能力和I／O高度并行的特点，提高了抽样算法对海量数据的处理能力和效率。理论分析和实验数据显示，该算法的加速比接近于处理机的个数p，通信复杂性为处理机的个数p的对数，具有良好的扩展性和海量处理能力，且精确度较高。     

基于统计学习的自适应文本聚类

针对文本数据的高维性和稀疏性从而使传统的聚类算法在文本聚类应用中的表现不能让人满意的问题,通过计算文档相似度矩阵,在聚类过程中动态地统计学习已划分和未划分文本集合的相关信息,探测剩余未划分的数据集中的与已划分类簇覆盖度较小的最大密集区域,逐步生成预定数目的初始聚类中心集合,最后将剩余文档划分到最相似的初始聚类中心集合完成聚类,从而有效地减小了划分聚类算法对初始聚类中心的敏感性。算法中的一些阈值参数均通过在聚类过程中动态地对数据集进行统计学习得到,避免了多数聚类算法通过经验或实验设定阈值参数的盲目性,在不同     

Sparse Bayesian learning in ISAR tomography imaging

Inverse synthetic aperture radar(ISAR) imaging can be regarded as a narrow-band version of the computer aided tomography(CT). The traditional CT imaging algorithms for ISAR, including the polar format algorithm(PFA) and the convolution back projection algorithm(CBP), usually suffer from the problem of the high sidelobe and the low resolution. The ISAR tomography image reconstruction within a sparse Bayesian framework is concerned. Firstly, the sparse ISAR tomography imaging model is established in light of the CT imaging theory. Then, by using the compressed sensing(CS) principle, a high resolution ISAR image can be achieved with limited number of pulses. Since the performance of existing CS-based ISAR imaging algorithms is sensitive to the user parameter, this makes the existing algorithms inconvenient to be used in practice. It is well known that the Bayesian formalism of recover algorithm named sparse Bayesian learning(SBL) acts as an effective tool in regression and classification,which uses an efficient expectation maximization procedure to estimate the necessary parameters, and retains a preferable property of the l0-norm diversity measure. Motivated by that, a fully automated ISAR tomography imaging algorithm based on SBL is proposed.Experimental results based on simulated and electromagnetic(EM) data illustrate the effectiveness and the superiority of the proposed algorithm over the existing algorithms.     

Novel robust approach for constructing Mamdani-type fuzzy system based on PRM and subtractive clustering algorithm

A novel approach for constructing robust Mamdani fuzzy system was proposed, which consisted of an efficiency robust estimator(partial robust M-regression, PRM) in the parameter learning phase of the initial fuzzy system, and an improved subtractive clustering algorithm in the fuzzy-rule-selecting phase. The weights obtained in PRM, which gives protection against noise and outliers, were incorporated into the potential measure of the subtractive cluster algorithm to enhance the robustness of the fuzzy rule cluster process, and a compact Mamdani-type fuzzy system was established after the parameters in the consequent parts of rules were re-estimated by partial least squares(PLS). The main characteristics of the new approach were its simplicity and ability to construct fuzzy system fast and robustly. Simulation and experiment results show that the proposed approach can achieve satisfactory results in various kinds of data domains with noise and outliers. Compared with D-SVD and ARRBFN, the proposed approach yields much fewer rules and less RMSE values.     

多标签AdaBoost算法的改进算法

针对多标签AdaBoost系列算法,以尽量减小算法的学习错误率为目的,提出了对其进行改进的两种思路。基于改进思路构造出了改进的多标签AdaBoost算法。一种思路是修改算法的样本分布调整策略,破坏现有AdaBoost算法中样本分布的均匀性,以确保增加每一个弱分类器都能降低学习错误的上界估计,从而实现对多标签AdaBoost算法的改进。另一种思路是训练弱分类器时兼顾后续待学习的弱分类器对学习错误的影响,克服现有算法在训练弱分类器时只考虑当前的弱分类器对学习错误的影响,而完全忽略后续待学习的弱分类器对学习错误的影响这一现象,从而改进多标签AdaBoost算法。理论上,对于改进多标签AdaBoost算法,增加每一个弱分类器都能进一步降低学习错误。理论分析和实验结果均表明了提出的改进算法有改进效果。     

高维小采样数据集的贝叶斯网络结构学习算法

现有的贝叶斯网络结构学习算法都需要对高维数据项集进行大量地计算,极大地影响了算法的可靠性、健壮性以及精确度,同时高维计算也耗费了大量时间,为了解决这个问题,提出基于特征选择技术贪婪贝叶斯网络结构学习算法。理论分析表明,本算法在效率上优于现有算法,实验结果也表明,对于高维相对小采样数据集,本算法在精度上也优于大多数算法。