大麻种子含油量及油脂脂肪酸组成分析

为探明大麻种子油开发利用价值,采取索氏抽提法和气相色谱法对大麻种子含油量、脂肪酸组成及其相关性进行了研究与分析。结果表明:大麻种子含油量较高,最高达36.10%,其中超过34.20%的品种达5个;大麻种子油主要由棕榈酸、硬脂酸、油酸、亚油酸、γ-亚麻酸和α-亚麻酸等组成,其中不饱和脂肪酸含量为86.89%~98.79%,均值达89.50%;大麻种子油多不饱和脂肪酸含量丰富,均值达77.05%,其中亚油酸含量超过59%的有4个品种;亚麻酸含量均值达19.90%,其中α-亚麻酸大于20%的品种达5个。相关分析表明,大麻种子含油量与油中亚油酸、α-亚麻酸存在负相关,与油酸和γ-亚麻酸呈正相关,其中与α-亚麻酸达显著水平。综合分析可见,大麻种子油具有较高含油量和丰富不饱和脂肪酸,其亚麻酸含量明显优于大多食用植物油的,具有较好开发利用前景。云麻6号的亚油酸和α-亚麻酸及云麻4号的γ-亚麻酸含量均极为丰富,显著高于其他品种,表明这两个品种在开发相应高脂肪酸保健食品、特种植物油和品质育种研究等方面具有重要应用价值。     

基于概率的大数据查询系统——Probery

针对大数据环境下完整性查询时间代价消耗过高的问题,提出了一种采用近似完整性查询方法的系统——Probery。Probery所采用的近似完整性查询方法不同于传统的近似查询,其近似性主要体现为数据查全的可能性,是一种新型的数据查询方法。Probery首先将存入系统的数据划分为多个数据分段;然后,根据概率放置模型将各个数据分段的数据存储在分布式文件系统中;最后,对于给定的查询条件,Probery采用一种启发式查询方法进行概率查询。通过与其他主流的非关系型数据管理系统的查询性能进行比较,对Probery进行验证,Probery在损失8%查询完整性的情形下,查询时间较HBase相比节约了51%,较Cassandra相比节约了23%,较MongoDB相比节约了12%,较Hive相比节约了3%。实验结果表明,Probery可以适当地损失查询完整性来提高数据的查询性能,具有较好的通用性、适应性和可扩展性。     

云数据管理系统能耗基准测试与分析

云数据管理系统是一种新兴的数据管理系统.为了研究云数据管理系统的能耗优化,实现"绿色计算",首先要定义能耗的度量模型和基准测试方法,分析系统的能耗特点.目前云数据管理系统的基准测试主要集中在性能方面,对能耗方面的评估和优化工作很少;对测量仪器、测试手段、测试用例以及能耗基本规律的研究存在空白.文中提出了一种能耗的度量模型和数学表达;定义了一组数据装载、查询和分析用例来测试云数据管理系统的能耗;设计了系统能耗的测量方法;分析了若干云数据管理系统在执行数据装载、读取、查询、聚集和连接等操作时的能耗特征,提出了通过降低"等待能耗"而进行云数据管理系统的能耗优化.大量实验数据证明,尽管云计算被认为是一种绿色计算,但文中测试的云数据管理系统在能耗方面差异较大,需要对部分系统进行进一步的优化.     

工业数据仓库设计方法及其在质量分析中的应用

提出一种建立工业数据仓库的基本方法,并结合某大型钢铁企业的具体情况,给出一种数据仓库系统的实现方案,讨论了数据仓库在企业产品质量分析中的应用。实践证明,数据仓库可为企业的经营管理提供全面、准确的数据,可在改进产品性能,提高产品质量方面发挥重要作用。     

交通网络中出现阻塞路径情况下增量路径查找算法

目的解决车辆在行驶过程中,在原路径出现阻塞的情况下,如何增量查找最优路径．方法在A^＊算法基础之上,采用当前点增量更新、阻塞点增量更新等策略查找最优路径,并通过对不同策略查询结果的比较,得出最佳方案．结果该算法减少了遍历的交通网络节点数量,当阻塞点远小于路径总长时,受影响的集合远小于原数据集合．结论实验表明,该算法在有阻塞路径的情况发生时,具有更高的查询效率和更少的磁盘访问次数,满足了实际应用的需求．     

基于Web的实例扩展与属性值扩充方法

实例扩展与属性值扩充是Web抽取与集成领域中的一个重要研究课题,将Web数据列表和实例建模成二分图,根据扩展实例的质量分数,对扩展集合进行迭代更新直到扩展集合的质量分数最大,且扩展集合不再更新来实现实例的扩展。同时,为了完善扩展实例的属性信息,对结构化数值属性或离散属性进行抽取,提出了基于整数线性规划的属性值扩充方法。实验表明,与以前的方法相比,本方法能更好地处理含有噪声数据的Web网页,并提高了抽取的准确率和召回率。     

大图数据上顶点驱动的并行最小生成树算法

最小生成树(minimum spanning tree,MST)是图论中最为经典算法之一.基于MST结构的聚类、分类和最短路径查询等复杂图算法,在效率和结果质量方面均有显著提高.然而,随着互联网的迅猛发展,图数据规模也变得越来越大,包含千万甚至上亿个顶点的大图数据越发常见.因此,如何在大图数据上实现查询处理和数据挖掘算法已成为亟待解决的问题之一.除此之外,由于大图数据的动态性特征,如何动态地维护算法结果也势必成为最受关注的问题之一.针对目前集中式的最小生成树算法无法解决海量和动态图数据的问题,首先提出了分区Prim(partition Prim,PP)算法,基于此提出了顶点驱动的并行MST算法——PB(PP Boru。vka)算法,并论证了PB算法的正确性.另外,基于MapReduce和BSP框架实现了PB算法.针对只删除动态图特征,提出了MST维护算法,以实现高效的增量计算.对提出的计算和维护算法进行了代价分析和比较.最后,使用真实和模拟数据集,验证了PB算法和维护算法的有效性、高效性和可扩展性.     

IncSNN——一种基于密度的增量聚类算法

基于密度的聚类算法是一类重要的聚类算法,能发现任意形状的簇,但由于它的时间复杂度较高,因此设计有效的增量更新算法是一个重要研究方向.在SNN算法的基础上,提出一种基于密度的增量聚类算法-IncSNN.该算法将所更新对象的空间进行划分,定义了基于该划分的最近邻居的概念,进而确定了受影响对象的集合,当算法更新时,只需要对受影响的数据进行处理.由于受影响对象的集合远小于原数据集合,因此显著提高了算法的效率.实验结果验证了IncSNN的有效性.     

基于面向对象技术构建多维数据模型

在关系数据库中单表、星型模式或雪花模式之上建立一个逻辑结构，把要分析的数据及相关属性抽象成主题、立方体、事实、、维层次和度量等对象，相关的处理过程抽象成对象的行为，并介绍利用XML文档存储多维数据模型对象的信息方法及立体方体的创建过程，实现了多维数据模型的对象化，有利于OLAP及数据挖掘。     

云计算环境下的大规模图数据处理技术

随着社交网络分析、语义Web分析、生物信息网络分析等新兴应用的快速增长,对亿万个顶点级别大规模图的处理能力的需求愈加迫切,这是当前高性能计算领域的研究和开发热点.文中结合云计算的特点,从图数据管理与图数据处理机制两个方面,综述了云计算环境下进行大规模图数据处理的关键问题,包括图数据的存储方式、图索引结构、图分割策略、图...