基于鲸鱼优化算法的贝叶斯分类器研究与应用

朴素贝叶斯分类器的条件独立性这一假设称为“朴素贝叶斯假设”,其限制了朴素贝叶斯分类的适用范围和分类准确率,为了解决问题,本文提出用改进的鲸鱼优化算法来优化朴素贝叶斯分类器,并对算法进行应用研究。改进的鲸鱼优化算法使用禁忌搜索机制来跳出算法寻优时候易陷入局部最优的误区。为了削弱朴素贝叶斯分类器独立性假设,通过改进的鲸鱼优化算法自动搜索分类器的属性全局性权值,从而提升了加权贝叶斯分类器的运算的准确率。试验证明,相比较传统的朴素贝叶斯分类算法,本文优化后的加权贝叶斯分类算法具有更精准的分类结果。最后提出将改进后的属性加权贝叶斯分类器应用到“移动云”建设的方案。     

一种基于Openstack的虚拟机高可用方案

针对openstack的高可用性问题,目前大部分的研究都集中在控制节点的高可用上,对于虚拟机的高可用研究较少。已有的虚拟机高可用方案存在无法适应多种故障场景、无法针对单个虚拟机粒度进行故障处理等问题。本文提出了一种基于openstack的虚拟机高可用方案,方案使用控制组件和agent组件,配合不同故障的检测逻辑,实现多种故障场景下的虚拟机高可用。同时方案还引入了自治组概念,解决了agent组件故障或管理网故障场景下,agent组件无法继续进行故障检测、上报的问题。     

快速搜索与发现密度峰值聚类算法的优化研究

CFSFDP是基于密度的新聚类算法,可聚类非球形数据集,具有聚类速度快实现简单等优点。CFSFDP需人工尝试确定密度阈值dc且对一个类中存在多密度峰值的数据无法进行准确聚类,为解决该缺点,本文提出基于近邻距离曲线和类合并优化CFSFDP（简称 NM-CFSFDP）的聚类算法。首先,算法用近邻距离曲线变化情况自动确定密度阈值dc;然后,用本文提出自动确定dc的CFSFDP对数据聚类;最后用本文计算dc值的方法指导类的合并,引入内聚程度衡量参数解决了类合并后不能撤销的难题,从而实现对多密度峰值数据的正确聚类。通过实验对比,NM-CFSFDP算法确实比CFSFDP算法具有更加精确的聚类效果。