分布式数据库系统中数据分布模型的研究与建立

本文分析了分布式数据库系统中,数据分段与分布等问题,提出了动态调整数据分布的算法,并给出了详细的论述。     

基于Agent的数据分布和数据转换模型的研究

以实际的分布式数据库应用系统为背景，讨论基于Agent技术，解决系统集成中数据的动态再分布与异种数据库之间的数据格式转换等问题。     

基于AR模型的动态模糊聚类算法

与传统的硬划分聚类相比,模糊聚类算法(以FCM为例)对数据的比例变化具有鲁棒性,能够更准确地反映数据点与类中心的实际关系,目前已得到广泛应用.然而对于时序基因表达数据来说,传统的聚类算法往往不能充分利用到数据中时间上的动态关联信息.因此可以在模糊聚类算法的基础上引入自回归(AR)模型,将时序基因表达数据作为一组时间序列进行动态的聚类分析.这样不仅可以充分利用到时序基因表达数据的内部自相关性,并且可以进一步利用隶属度函数对AR模型的预测过程进行模糊化调整,从而得到更为理想的聚类结果.     

基于模糊聚类的网格信任模型研究

由于网格的开放性和复杂性,对网格的安全提出了更高的要求.在网格信任模型中,采用模糊聚类的方法对网格中的实体进行信任等级和推荐采纳系数的划分;计算推荐信任引入蚁群算法更加全面的反映出推荐信任.通过仿真实验,该模型能够有效的遏制恶意节点对网格信任模型带来的影响,提高了网格信任模型的安全性.     

基于模糊聚类的模糊神经网络控制

对于复杂的非线性离散系统,提出将模糊聚类算法同神经网络相结合,使用衡量聚类有效性的S函数确定模糊规则数目,进而确定模糊神经网络的结构;控制器的设计应用LMI方法。以典型的非线性系统二级倒立摆为例,在Matlab中进行仿真实验,结果表明,基于聚类算法的神经网络控制能够在较大范围的初始状态下使系统获得稳定。     

基于模糊聚类的水文元数据挖掘算法研究

本文提出面向动态库容演算系统海量数据的基于模糊聚类的水文数据挖掘算法。通过基于模糊K聚类（FCM）的元数据挖掘技术,有效的完成了海量水文数据规范化后的语义学的归并和整合问题,为元数据的进一步利用奠定了基础。     

基于模糊聚类的模型神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构,仿真研究证明该方法是有效的和可行的。     

基于模糊聚类神经网络的化工过程预报模型研究

本文提出了在化工过程预报中的模糊聚类神经网络模型,该模型具有提取典型数据、优化模糊规则及优化参数的优点,在化工过程预报实验中与传统方法相比预报结果的精度提高,计算时间缩短。     

基于聚类和遗传算法的解释性模糊模型设计

提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法。定义了模糊模型的精确性指标,给出了模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型;采用多目标遗传算法优化模糊模型;为提高模型的解释性,在遗传算法中利用基于相似性的模糊集合和模糊规则的简化方法对模型进行约简。采用该方法对Mackey-Glass系统进行建模,仿真结果验证了该方法的有效性。     

一种用于数据分布管理的模糊分组方法

该文介绍了一种有效的数据分布管理方法——模糊分组方法．为了提高数据分组精度、数据包过滤率和有效数据包接收率,控制匹配次数,该方法在模糊关联空间法基础上增加了模糊一致关系权值分配机制和基于格子的预分组．通过在飞行仿真系统中使用并与传统方法比较,说明模糊分组方法不仅在不同规模仿真环境中能够保证稳定的数据包过滤率及较高的有效数据包接收率,而且可有效控制匹配次数．     

分布式密度和中心点数据流聚类算法的研究

分析分布式数据流聚类算法的基本框架结构,针对CluStream算法对非球形聚类效果不佳提出一种基于密度和中心点的分布式数据流聚类算法DDCS-Clustering(Distributed Density and Centers Stream Clustering)。该算法应用密度、中心点与衰减时间窗口,在分布式环境下对数据流进行聚类。实验结果表明,DDCS-Clustering算法具有较高的聚类质量与较低的通信代价。     

一种基于微簇的分布式聚类算法

由于信息化的不断拓展,一方面数据广泛分布于不同的部门,各部门需求在不泄漏自身数据的情况下进行充分合作;另一方面由于数据量的巨大,集中式的运算已经很难满足各种应用的需求。在这一个背景下,分布式数据挖掘已经成一个研究的热点,通过将系统划分为中心节点和边缘节点,分层管理并减少数据交流给系统带来的负担;文章还将给出微簇的定义,并在边缘节点中进行算法的描述。实验说明在保证各部门的数据不泄漏的情况下,分布式算法具有跟集中式的K-means算法相近的准确率,说明算法具有可行性和有效性。     

基于分布式构件的媒体流模型研究

本文提出一个分布式媒体流应用模型DCMM，DCMM以构件和软件代理技术为基础，形式化地定义了媒体流应用系统的软件体系结构，即组成系统的构件和构件之间的交互关系，在该模型中，媒体流应用构件描述与底层协议相分离，实现了媒体流应用的体系结构与网络平台的无关性，该模型允许构件之间以多种方式交互，允许动态地选择网络传输协议，因此具有较好的灵活性。     

基于流数据的模糊聚类算法

对流数据进行有效聚类是一个吸引研究者很大注意力的问题.传统的聚类挖掘算法只能适用于纯数值属性数据或纯分类属性数据,很难适用于混合属性的数据.针对混合属性数据的特点,在借鉴AcluStream算法的基础上,提出了一种模糊聚类算法.算法对流数据的相异度分类度量,定量属性使用欧氏距离和曼哈坦距离度量,定性属性可以采用hamming距离度量.模糊聚类算法的主要步骤有两步:第一步,运用最小距离聚类算法进行聚类,构成一个初始类.第二步,对基于最小距离聚类算法进行聚类所得到的初始簇,运用密度聚类方法进行聚合或分割,使得聚类集合稳定.实践证明:该算法是快速地有效的.     

基于环境一致性的分布式并行数据更新协议

为了保证服务器节点完全对等的分布式并行数据库系统更新结果一致性,提出基于数据环境一致性的分布式并行更新协议DEC-DP2PC(Distributed and Parallel 2PC Based on Data-Environment-Consistency),对经典2PC(two phase commit)在执行条件、表决内容和次数、全局提交和撤销定义等方面进行了针对性改进。性能分析和测试表明,DEC-DP2PC可有效过滤数据副本分布和版本号等数据环境信息不一致情况下事务的执行,减少全局数据环境一致性维护开销和降低系统平均响应时间。     

基于Petri网的分布式多媒体同步模型研究

Petri网作为一种描述系统行为的形式化工具,在各类多媒体系统中有着较多的应用,尤其擅长于描述多媒体的同步问题,出现了诸如OCPN（对象组合Petri网）等多媒体同步模型,然而,这些模型却不足以处理分布式环境中的多媒体同步问题。本文提出了一种新的扩充Petri网模型并分析了其模型化的能力和性质,利用该模型可以较好地解决分布式环境中的多媒体同步问题。     

基于图数据库的RDF数据分布式存储

RDF数据模型具有天然的图结构,因此以图结构存储可以避免RDF逻辑数据模型到物理数据模型的转换。基于图数据库的RDF数据分布式存储方案,重点讨论RDF图数据流分割、图数据库分布式扩展、SPARQL查询语言转CYPHER图形查询语言等。实验对比了基于Neo4j图数据库与基于MySQL关系型数据库的RDF数据存储方案的处理性能,并验证了RDF图数据流分割算法的有效性。     

利用Web Service保证分布式数据库数据一致的方法研究

随着分布式数据库系统的广泛应用,如何实现多个数据库之间的数据一致已成为系统可靠运行所要解决的重要问题.提出了一种基于Web Service的数据一致性维护方法,它不仅适用于各种分布式数据库,也可应用于相互独立的多个数据库.     

基于改进GSA的数据聚类机制

数据聚类是大数据分析的基本手段,传统聚类方法易于陷入局部最优.针对这一问题,提出一种基于改进引力搜索机制GSA的数据聚类算法.定义一种适合于引力搜索进化的聚类解编码方式.为了衡量不同聚类解的差异,设计一种基于汉明距离的引力搜索粒子距离度量方法,有效衡量数据对象在各维度属性上的不同.同时,在粒子速度更新方面,引入加速因子...