基于压缩因子的宽度学习系统的虚拟机性能预测EI北大核心CSCD

在基于基础设施即服务的云服务模式下,精准的虚拟机性能预测,对于用户在众多资源提供商之间进行虚拟机租用策略的制定具有十分重要的意义.针对基于宽度学习系统(Broad learning system,BLS)的预测模型存在许多降低虚拟机性能预测准确性和效率的冗余节点,通过引入压缩因子,构建基于压缩因子的宽度学习系统,使预测结果更逼近输出样本,能够减少BLS的冗余特征节点与增强节点,从而加快BLS的网络收敛速度,提高BLS的泛化性能.     

基于lasso和elastic net的宽度学习系统网络结构稀疏方法

本文提出了一种基于lasso和elastic net的宽度学习系统(BLS)网络结构稀疏方法, 将标准BLS目标函数中的 L2范数分别替换为lasso和elastic net, 利用这两种正则化技术来约束网络输出权重, 衡量每个网络节点输出权重对 预测的影响程度, 将多余的节点进行剔除, 提高了网络结构的稀疏性. 通过对一些回归数据集进行实验, 可以看到 本文提出的方法在不损失预测精度的前提下, 同时简化了网络结构.     

一种具有快速跟踪能力的改进RLS算法研究

为了改善固定遗忘因子BLS(Recursive least-square)算法在时变系统中的跟踪性能,提出了一种改进的BLS算法.改进的BLS算法结合了可变遗忘因子的BLS算法和自扰动BLS算法,既克服了固定遗忘因子RLS算法中跟踪速度和参数失调的矛盾,而且也避免了当参数估值趋向于参数真值时,卡尔曼增益趋于零,从而BLS算法失去对时变系统的跟踪能力的问题.最后,在MATLAB平台下,对改进后的RIS算法进行了仿真验证.仿真结果表明,算法具有较快的收敛速度和跟踪速度以及较小的稳态误差.     

基于小波包分解和宽度学习的轴承故障检测

针对真实环境中复杂变工况情况下轴承故障检测问题,提出一种基于小波包分解（Wavelet Packet Decomposition,WPD）和优化宽度学习系统（Broad Learning System,BLS）的轴承故障检测方法（简称WBLS）。首先,小波包分解非平稳时变轴承信号,提取尺度系数和小波系数作为二维的时频特征;其次,将二维时频特征输入BLS网络和具有增量学习的BLS网络映射成特征节点和增量节点,借助伪逆计算BLS网络的权重;最后,将特征节点、增量节点拼接与权重同时输出,完成BLS网络训练,进行测试分类。通过在CWRU公开数据集上的实验结果表明,基于WBLS的方法分类准确率为97.67%,网络训练耗时9.62 s,说明该方法能在保持较优分类准确率的同时,快速完成训练,节省大量时间。     

随机特征映射的四层神经网络及其增量学习

提出了一种基于随机特征映射的四层神经网络(FRMFNN)及其增量学习算法.FRMFNN首先把原始输入特征通过特定的随机映射算法转化为随机映射特征存储于第一层隐藏层节点中,再经过激活函数对随机映射特征进行非线性转化生成第二层隐藏节点,最后将第二层隐藏层通过输出权重连接到输出层.由于第一层和第二层隐藏层的权重是根据任意连续采样分布概率随机生成的而不需要训练更新,且输出层的权重可以用岭回归算法快速求解,从而避免了传统反向传播神经网络耗时的训练过程.当FRMFNN没有达到期望精度时,借助于快速的增量算法可以持续改进网络性能,从而避免了重新训练整个网络.详细介绍了FRMFNN及其增量算法的结构原理,证明了FRMFNN的通用逼近性.与宽度学习(BLS)和极限学习机(ELM)的增量学习算法相比,在多个主流分类和回归数据集上的实验结果表明了FRMFNN及其增量学习算法的有效性.     

基于数据分布特性的代价敏感宽度学习系统

宽度学习系统(broad learning system,BLS)作为深度神经网络的替代框架,具有快速自适应模型结构选择和在线增量学习能力,被认为是知识发现和数据工程领域中一种极具前途的技术.传统的BLS主要应用于数据分 布均衡且误分类代价相同的模式分类任务,但大多数实际应用的数据是非均衡分布的,如网络入侵监测、医疗诊断、信用卡欺诈检测等.基于此,提出一种基于数据分布特性的代价敏感BLS(data distribution-based cost-sensitive-BLS,DDbCs-BLS),解决数据分布不均、误分代价不同的模式分类任务.DDbCs-BLS在充分考虑数据统计分布特性的基础上寻找代价敏感型BLS分类器的最佳分类边界,保证少数类样本信息不被丢失,从而提高BLS在各类数据集上的模式分类性能.在多种公共数据集(包括均衡和不均衡数据集)上进行大量的验证性和对比性实验,结果表明DDbCs-BLS能有效确定分类边界线的最佳位置,无论是在均衡数据集还是在不均衡数据集上均能获得更好的分类性能.     

基于深度学习的仿生集群运动智能控制

宽度学习系统(BLS)是一种基于RVFLN的高效增量学习系统,具有快速且精度高的特点.为了实现BLS对时间序列的精确预测,结合回声状态网络(ESN)的储备池结构,提出一种基于池计算的宽度学习系统(RCBLS).该系统通过在强化层引入简单环型储备池连接,以并行的储备池代替原系统中的前馈连接,使RCBLS具有一定的回声状态特性且方便设计.同时,应用增量学习保证了系统的实时性能.基于MSO时间序列预测问题,针对不同规模数据样本分别研究不同储备池结构RCBLS的性能.结果表明:多储备池结构的RCBLS大大提高了模型的泛化能力和稳定性.     

一种基于BLS签名的优化公平交换协议

公平交换协议是构造电子商务系统的最基本工具。BLS短签名是双线性密码学中应用最为广泛的密码元件之一。基于BLS短签名,提出了一种优化公平交换协议,并分析了其安全性与运行效率。     

针对BLS短签名的故障攻击

BLS短签名是基于双线性对构造的数字签名方案,与传统ECDSA签名方案相比具有签名长度短的优势。目前,椭圆曲线密码的故障攻击已经得到深入研究,而基于双线性对构造的密码故障攻击研究则较少。针对BLS短签名的安全问题,从故障攻击的角度进行分析,通过将现有的适用于二元扩域椭圆曲线的无效曲线故障攻击方法推广到三元扩域,从而对BLS短签名方案实施攻击。仿真实验结果表明,在具备单比特故障注入的条件下,该方法只需导入1次单比特的故障即可以较大的概率破解BLS短签名的密钥。     

支持5个9——凌华推出高可靠性刀片服务器

凌华科技已推出了9U高、符合PICMG 2.16及PICMG 2.9规格的6UCompactPCI刀片服务器平台cPCIS-3300BLS,并可提供99.999％的高可靠性。cPCIS-3300BLS遵循6UCompactPCI服务器标准,包含12个节点插槽、2个光纤插槽、3个CompactPCI的后备电源模块、及1个选配的CMM(Chassis Management Module)槽。该产品支持热插拔架构,主要适用在媒体网关、多任务用途交换、智能网络、高效能影像处理运算、巨量平行科学运算等要求具有高排错能力、高扩充性及高可靠度的领域。与一般电信设备外观相似的cPCIS-3300BLS遵循NEBS Level 3安装要求,且在电源插座上备有无融丝开关(magnetic circuit breaker)保护,其前面板的电源开关外层保护设计可避免系统因人员操作误触而导致突然关机。     

Discriminative graph regularized broad learning system for image recognition

Broad learning system (BLS) has been proposed as an alternative method of deep learning. The architecture of BLS is that the input is randomly mapped into series of feature spaces which form the feature nodes, and the output of the feature nodes are expanded broadly to form the enhancement nodes, and then the output weights of the network can be determined analytically. The most advantage of BLS is that it can be learned incrementally without a retraining process when there comes new input data or neural nodes. It has been proven that BLS can overcome the inadequacies caused by training a large number of parameters in gradient-based deep learning algorithms. In this paper, a novel variant graph regularized broad learning system (GBLS) is proposed. Taking account of the locally invariant property of data, which means the similar images may share similar properties, the manifold learning is incorporated into the objective function of the standard BLS. In GBLS, the output weights are constrained to learn more discriminative information, and the classification ability can be further enhanced. Several experiments are carried out to verify that our proposed GBLS model can outperform the standard BLS. What is more, the GBLS also performs better compared with other state-of-the-art image recognition methods in several image databases.     

Breakout local search for the multi-objective gate allocation problem

The problem of assigning gates to arriving and departing flights is one of the most important problems in airport operations. We take into account the real multi-criteria nature of the problem by optimizing a total of nine gate allocation objectives that are oriented both on convenience for airport/airline services and passenger comfort. As far as we are aware, this is the largest number of objectives jointly optimized in the GAP literature. Given the complexity of the considered problem, we propose a heuristic approach based on the Breakout Local Search (BLS) framework. BLS is a recent variant of the Iterated Local Search (ILS) with a particular focus on the perturbation strategy. Based on some relevant information on search history, it tries to introduce an appropriate degree of diversification by determining adaptively the number and type of moves for the next perturbation phase. Moreover, we use a new memory-based greedy constructive heuristic to generate a starting point for BLS. Benchmark instances used for our experiments and comparisons are based on information provided by Manchester Airport.     

基于局部敏感判别宽度学习的高光谱图像分类

宽度学习系统(BLS)以其良好的学习性能与泛化能力,在高光谱图像(HSI)分类中得到了广泛应用。然而宽度学习系统仅关注各类样本的可分性,忽略了样本之间的相对关系以及所蕴涵的判别信息,在一定程度上限制了宽度学习系统在高光谱图像分类任务中的性能。为此,提出一种局部敏感判别的宽度学习系统(LSDBLS)方法。该方法通过引入局部敏感判别分析考虑标记样本的判别信息与数据样本的局部流形结构,通过标记样本构建类内图和类间图来表征数据样本之间的相对关系。在此基础上,将类内图和类间图引入到宽度学习系统的目标函数中,通过最小化类内图以及最大化类间图,使得同类样本尽可能地聚集,不同类的样本尽可能地远离,增强LSDBLS对数据特征的判别能力。通过在三个HSI数据集上的实验结果表明,LSDBLS取得了良好的效果。     

Asymptotic stabilization of the bilinear time-invariant system via piecewise-constant feedback

Sufficient conditions for the asymptotic stabilization in a preassigned domain of the nonhomogeneous bilinear system (BLS) via piecewise-constant feedback are given, based on those for an auxillary BLS with additional control in the drift term. Application to the swing equation is also discussed.     

依托BLS签名的基于身份盲签名方案

依托Boneh等人提出的签名(BLS签名)算法、BLS签名的盲生成算法和BLS签名的聚合算法,提出了一种高效的基于身份盲签名方案。该方案具有轮复杂度最优的特点,即盲签名的生成协议只需用户和签名者依次发送一次信息。它的安全性基于one-more CDH假设,而其他方案则依赖于一个更强的假设--ROS假设。另外,它还具有计算效率高,签名长度短等特点,特别适合电子现金、网络投票等具体应用。     

时空相关的短时交通流宽度学习预测模型

针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。     

基于特征层密集连接与注意力机制的宽度学习系统及其在锌浮选过程的应用

本文针对宽度学习存在计算消耗资源大、计算过程冗余数据较多等问题,提出了一种基于特征层密集连接与注意力机制的宽度学习系统(DCA-BLS),并利用其建立锌浮选过程快粗槽底流品位在线预测模型.首先将宽度学习系统的特征层不同窗口进行密集连接,引入弹性网络进行稀疏化处理,利用注意力机制处理特征节点,获得不同特征节点的权值,再将加权后的特征节点与输入的数据相结合,共同作为增强层节点的输入,使模型更为紧凑.在公共数据集和锌泡沫浮选数据上将DCA-BLS与其他预测算法进行了对比实验,实验结果表明,本文提出的方法训练时间短,且相较于其他所比较方法具有更高的准确率.     

双正交小波的提升构造研究

文章系统研究了提升格式与小波滤波器支撑长度、线性相位、消失矩等性质的关系;提出了提升格式构造同时满足短支撑、对称性和任意阶消失矩双正交小波的一般算法;给出了最佳提升格式(Best Lifting Scheme,BLS)的定义以及在该算法下诸多已有双正交小波的构造方法.此外,文中首次构造了一系列性质优美的双正交小波--最佳提升格式小波(BLS Wavelet,BLSW)奇数阶系列,列出了BLSW的部分性质并将其应用到图像非线性逼近上.实验表明,性质上的优势体现在应用上,部分BLSW具有突出的逼近能力.