基于CDN的流媒体系统性能优化技术的研究与实现

在充分了解CDN网络的基础上,结合内容分发网络技术的特点.着重研究了CDN网络的负载均衡技术和内容分发技术,分析了其实现策略,并结合校园网流媒体点播系统的具体环境,提出了整体负载和本地负载相结合的均衡方法,描述了内容分发法中的热节目和冷节目分发的实现过程.     

基于空气压力模型的CDN负载均衡算法

内容分发网络是提高网络服务响应速度和服务质量的服务器加速技术,本文提出了一种基于空气压力模型的CDN负载均衡算法.实验结果表明,当节点负载不均衡达到一定的阀值时,该算法能有效地实施节点间的负载迁移,证明了该算法的有效性.     

综合负载变化和分发代价的负载均衡方法研究

业务流程执行系统为业务流程管理的核心组成。针对该系统的应用场景及其中的负载均衡问题,提出了一种基于负载变化和分发代价的负载均衡方法——LVDCB（Load Variety and Distribution Cost Based algorithm）。该算法采用测度LVDC来进行服务节点的选择。LVDC测度综合考虑当前节点的负载变化情况和其与代理服务的网络变化状况,不断进行自适应调整。与原有的服务负载均衡算法相比,所需信息量更少,同时考虑了服务实例所处的网络变化情况。模拟实验表明,算法具有良好的负载均衡效果。     

EJB集群系统负载均衡策略的研究与实现

分析了常用EJB集群系统的设计方法与负载均衡算法,设计了一种软件Proxy系统,并针对常用算法的不足提出了一种基于BP神经网络的负载均衡算法。该算法具有较强学习能力、容错性强和自适应能力强的特点。仿真实验证明,基于该算法的集群系统具有较好的适应能力和伸缩性。     

基于LVS＋KEEPALIVED的高可用负载均衡研究与应用

本文针对网络服务商普遍面临的的高并发访问量导致响应速度迟缓的问题进行分析,研究了基于LVS（Linux虚拟服务器）和KEEPALIVED（交换机制软件）的高可用负载均衡的原理,实现了一个可伸缩的、高可用的并具有容错容灾能力的负载均衡系统,该系统采用VS/DR的模式搭建,系统基于IP层和基于内容请求分发的负载平衡调度解决算法,将这些算法在Linux内核中进行实现,并对系统的高可用和负载均衡进行实验,实验证明,该负载均衡系统能对客户的请求进行分流,能有效减轻单个服务器的负载压力.     

自适应动量项BP神经网络盲均衡算法

为了消除数字信号在传输过程中产生的码间串扰,使得接收端能够正确解调,对信道畸变进行有效补偿,在基于动量项BP神经网络盲均衡算法的基础上,提出一种能够自适应调节BP神经网络动量项的盲均衡算法.该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势.仿真实验结果表明,该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法.     

VoD集群中基于Zipf定律的负载均衡算法

VoD服务器集群负载均衡策略主要涉及文件备份与分发两方面.现有大部分算法只是孤立地考虑其中一个方面,针对这种不足,提出一种负载均衡优化模型,综合考虑了VoD系统文件的备份与分发.提出了基于Zipf-like分布定律的备份算法和最小负载优先分发算法,增大了点播文件的备份率和减小了集群负载不均衡度.利用VoD文件点播率服从Zipf-like分布的特点,将不同文件按照不同优先级分组,降低了算法执行的复杂度.最后仿真实验结果表明了其正确性.     

基于因子分析的动态负载均衡算法

随着互联网的不断发展、用户数量的急剧增长,互联网中出现了网络拥塞、服务器负载过重、响应时间过长等严重问题,其中负载均衡算法是影响服务器集群整体性能的一个关键因素。运用统计学中的因子分析理论,提出了一种基于因子分析的负载均衡算法。该算法利用因子分析法计算出综合负载,并用这个指标帮助负载均衡器选择合适的服务器,均匀地将用户的请求进行分发,从而达到整体上较好的负载均衡。     

内容分发网络请求路由研究

内容分发网络的出现解决了传统"尽力而为"的IP网络与当前多种新应用需求之间的矛盾。请求路由是内容分发网络的一个核心技术,它通过有效定位服务资源,可使用户快速有效地得到内容或服务,实现全局负载均衡。一直以来,请求路由都是学术界和工业界关注的热点,但目前还没有系统地归纳和总结该领域的发展现状。为致力于这项工作,深入研究了请求路由的相关算法和机制,并结合当前内容分发网络面临的复杂环境及需要服务的各种应用,对该领域有待进一步研究的方向和可能的解决方案给出一些建议。     

遗传优化神经网络算法在信道盲均衡中的应用

在信道盲均衡问题的研究中,根据BP神经网络的信道肓均衡算法存在收敛速度慢,易陷入局部极小值的缺陷,导致信道肓均衡效果差,信道误码率高.为克服BP神经网络的缺陷,提高均衡道肓均衡效果和降低误码率,利用遗传算法全局搜索能力强的优点对BP神经网络的缺陷进行改进,提出一种基于遗传神经网络的信道盲均衡算法.采用BP神经网络构建信道分类器,通过遗传算法优化神经网络权值,最终实现盲均衡.仿真结果表明,相对于传统BP神经网络盲均衡算法,遗传神经网络算法收敛速度快,误码率降低,能获得更好的收敛特性和均衡效果.     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

基于神经网络的脱机中文签名鉴别系统的研究

将神经网络与签名识别相结合,利用前向多层神经网络的反向传播算法（即BP算法）,采用Matlab神经网络工具箱构建用于特征识别的三层前向神经网络,同时使用了基于Gabor和Zernike相结合的特征提取方法,最终识别出待识别的手写签名。实验结果证明识别率可达到93.70%以上,证明了该方法的有效性。     

基于混合遗传神经网络的百米跑成绩预测方法

在遗传算法(Genetic ALgorithm)与BP(Back Propagation)网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法,并把这种方法用于运动员百米跑成绩预测。与BP算法和LM(Levenberg Marquardt)算法相比,基于混合遗传算法的神经网络不仅有较快的学习速度和较好的学习精度,而且网络的泛化能力(Generalization Ability)得到了很大提高。     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。     

基于模糊模式识别的超圆神经网络模型

模糊模式识别是模糊集理论研究中的重要方向,神经网络是数据挖掘中的一种常用方法。超圆神经网络的学习时间和网络模型理解性都优于BP神经网络,它能以较少的数据量蕴涵同样的信息量。文章依据超圆神经网络模型思想,提出了一种新的基于模糊模式识别的神经网络模型算法,该算法继承了超圆神经网络的优点,能有效地对样本进行学习。     

基于GA、BP神经网络和多元回归的集成算法研究

遗传算法、BP神经网络和多元回归是目前应用比较广泛的数据挖掘算法,它们各俱优点,同时也存在诸多无法避免的缺陷。该文在前三者的基础上,提出一种BP网络与多元回归模型融合的杂合BP网络,并采用遗传算法优化杂合BP网络的初始权值,有效地避免几种方法在单独使用时存在的缺陷。验证实验结果表明：新方法所建立的模型在收敛速度、精度和...     

基于粒子群优化的灰色神经网络组合预测模型研究

灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型(PSO-GMNN)。仿真实验结果表明,新预测模型的预测精度高于BP神经网络、灰色神经网络和灰色预测模型,同时也表明了该方法的有效性和可行性。     

基于模糊BP神经网络的模拟电路实时故障诊断

以进行模拟电路实时故障诊断为主要目的,对BP神经网络故障字典法进行了深入研究,针对传统BP算法收敛速度慢、易产生局部最优等不足,采用神经网络与模糊理论相结合的方法,根据模式识别原理实现模拟电路故障的实时诊断。实验结果表明:该算法在网络收敛速度和识别精度上较传统的BP算法均有明显的改善。     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.