基于磁盘异或引擎的RAID-5小写性能优化

SCSI标准中已扩充了新的SCSI命令(XDWRITE，XDREAD，XPWRITE等)，用以实现高效RAID-5写操作。对“小写”操作，传统的方法需要主机或RAID控制器读入原有的校验块，通过异或计算来构造新的校验块。采用这些新的SCSI命令实现“小写”操作，不再需要读入校验块，由磁盘来进行异或运算构造出校验块。利用磁盘的异或引擎，提高了RAID-5的吞吐率，缩短了平均响应时间。     

容错磁盘阵列的性能模型

本文以排队论为工具，建立了容错磁盘阵列的Ｍ／Ｇ／１排队模型，并在此基础上分析了ＲＡＩＤ的平均响应时间，稳定数据传输率等重要性能指标；比较了同步和异步ＲＡＩＤ的性能差异，最后提出了以吞吐率作为衡量ＲＡＩＤ性能的综合指标，并给出了确定最大吞吐率的定量。     

基于EM方法的隐Markov软件可靠性模型

针对单一软件可靠性模型不能准确描述软件失效行为、无法合理准确地评估预测出软件可靠性的问题,将变点分析引入软件可靠性建模,提出了一种基于隐Markov过程的软件可靠性模型。该模型采用隐变量来描述影响软件可靠性的多种因素,通过隐变量的状态变化刻画出软件过程中各种因素的变化情况,构建出隐Markov链软件可靠性模型,并采用EM算法进行求解,通过实例分析来验证其有效性。实验结果表明,隐Markov链软件可靠性模型具有较强的变点检测能力,并能显著提高软件可靠性拟合精度。     

基于Markov模型的系统安全性和可靠性分析

建立了二乘二取二系统状态转换的Markov模型,研究了失效率、维修系数、故障检测覆盖率等参数对二乘二取二系统的安全性、可靠性和可用性的影响,证明分布式二乘二取二系统具有更高的可靠性、安全性。     

基于层次请求模型的PPMB系统性能分析

本文运用层次请求模型详细地分析了ＰＰＭＢ系统有效存储器带宽性能，推得一个用于计算有效存储器带宽的数学模型，将获得的模型与已有的模型进行了比较与分析。     

集中式磁盘阵列的性能分析

首先为集中式磁盘阵列建立了一个基本排队模型，然后通过仿真和解析两种方法对阵列进行了深入的研究。最后给出了阵列磁盘利用率与平均响应时间的仿真和解析式曲线。并特别指出了集中阵列磁盘利用率不高的缺点及其产生的原因。这些都为磁盘阵列的设计与评价提供了有力的理论依据。     

分布式磁盘阵列的性能分析

本文提出一种分布式磁盘阵列的基本结构，并用解析和仿真两种方法进行了性能分析。结果表明它在磁盘利用率与平均响应时间等方面都明显优于集中式磁盘阵列。     

基于车联网的广播MAC协议性能分析

针对车载自组织网络IEEE 802.11协议中媒体访问控制(medium access control, MAC)层一维广播性能分析模型不适用于小竞争窗口的问题,提出一种考虑了连续冻结过程(consecutive freeze process, CFP)现象的二维马尔科夫模型。将CFP映射为连续发送分组过程和连续退避冻结过程,分析得出饱和状态下节点各状态转移的概率,并推导出节点广播分组的性能表达式。仿真结果表明,与一维分析模型相比,即使是在争用信道的竞争窗口较小情况下,该二维分析模型也能很好地预测饱和状态下节点广播分组的平均时延、吞吐量和成功接收率。     

工作流系统模型的性能等价分析

讨论了基于随机Petri网的工作流系统的顺序、并行、选择、循环4种基本模型,并详细推导了这4种基本模型的性能等价公式.最后通过现实中的一个工作流实例来说明如何建立相应的随机Petri网模型,以及如何利用这些性能等价公式来计算工作流的性能参数.给出了定量分析工作流系统性能的通用方法,通过用这些等价公式不仅可以对复杂的系统进行性能等价化简,而且还可以得到性能参数的乘积解.     

基于马尔科夫链的LoRaWAN网络节点性能分析

低功耗广域网LoRaWAN(Long Range Wide Area Network)能兼顾低功耗与远通信距离,已经应用于很多领域。本文分析了LoRaWAN协议中A类节点发送数据的过程,据此建立了包含各个状态转移概率的马尔科夫模型。然后,基于SX1278芯片的相关参数对协议模型进行了仿真,并分析了LoRaWAN网络中网关回复时机、节点数量、频段数、链路质量等因素对A类节点发送数据的延时和能耗的影响。仿真结果表明,在单网关且总信道数不变的情况下,减少频段数,延后网关确认回复可以缩短节点发送数据的延时,降低节点发送数据的能耗。这对提升LoRaWAN网络性能具有很强的参考性。     

基于RAID-5结构的校验位扩展算法研究

在数据拆分的磁盘阵列中，数据如何在扩展时重新分布是一个值得研究的问题，尤其在海量存储的服务器中需要选择很好的扩展方法以减少扩展过程中的开销，避免服务的停顿。以往的研究工作都集中于数据块在扩展中的重新分布算法，并假设没有校验位的存在，没有考虑冗余信息在扩展中如何重新分布。文中给出了一种在基于RAID-5结构的扩展中校验位的扩展方法。     

Using Hidden Markov Models for the accurate linguistic analysis of process model activity labels

Many process model analysis techniques rely on the accurate analysis of the natural language contents captured in the models’ activity labels. Since these labels are typically short and diverse in terms of their grammatical style, standard natural language processing tools are not suitable to analyze them. While a dedicated technique for the analysis of process model activity labels was proposed in the past, it suffers from considerable limitations. First of all, its performance varies greatly among data sets with different characteristics and it cannot handle uncommon grammatical styles. What is more, adapting the technique requires in-depth domain knowledge. We use this paper to propose a machine learning-based technique for activity label analysis that overcomes the issues associated with this rule-based state of the art. Our technique conceptualizes activity label analysis as a tagging task based on a Hidden Markov Model. By doing so, the analysis of activity labels no longer requires the manual specification of rules. An evaluation using a collection of 15,000 activity labels demonstrates that our machine learning-based technique outperforms the state of the art in all aspects.     

Analysis of 3D Hand Trajectory Gestures Using Stroke-Based Composite Hidden Markov Models

We present a glove-based hand gesture recognition system using hidden Markov models (HMMs) for recognizing the unconstrained 3D trajectory gestures of operators in a remote work environment. A Polhemus sensor attached to a PinchGlove is employed to obtain a sequence of 3D positions of a hand trajectory. The direct use of 3D data provides more naturalness in generating gestures, thereby avoiding some of the constraints usually imposed to prevent performance degradation when trajectory data are projected into a specific 2D plane. We use two kinds of HMMs according to the basic units to be modeled: gesture-based HMM and stroke-based HMM. The decomposition of gestures into more primitive strokes is quite attractive, since reversely concatenating stroke-based HMMs makes it possible to construct a new set of gesture-based HMMs. Any deterioration in performance and reliability arising from decomposition can be remedied by a fine-tuned relearning process for such composite HMMs. We also propose an efficient method of estimating a variable threshold of reliability for an HMM, which is found to be useful in rejecting unreliable patterns. In recognition experiments on 16 types of gestures defined for remote work, the fine-tuned composite HMM achieves the best performance of 96.88% recognition rate and also the highest reliability.     

基于多模板隐马尔可夫模型的文本信息抽取算法

针对训练数据来源的多样化，提出了基于多模板隐马尔可夫模型的广本信息抽取算法。该算法利用形式的聚类方法将训练数据聚成几个类，每个类代表一个模板，在聚类的基础上利用隐马尔可丈模型进行文本的信息抽取。实验结果表明，新算法具有较高的精确度和召回率。     

Multi-Modal Dialog Scene Detection Using Hidden Markov Models for Content-Based Multimedia Indexing

A class of audio-visual data (fiction entertainment: movies, TV series) is segmented into scenes, which contain dialogs, using a novel hidden Markov model-based (HMM) method. Each shot is classified using both audio track (via classification of speech, silence and music) and visual content (face and location information). The result of this shot-based classification is an audio-visual token to be used by the HMM state diagram to achieve scene analysis. After simulations with circular and left-to-right HMM topologies, it is observed that both are performing very good with multi-modal inputs. Moreover, for circular topology, the comparisons between different training and observation sets show that audio and face information together gives the most consistent results among different observation sets.     

马尔可夫及隐马尔可夫模型在数据挖掘中的应用

随着用户对于数据挖掘的精确度与准确度要求的日益提高,马尔可夫模型与隐马尔可夫模型被广泛用于数据挖掘领域。本文阐述了马尔可夫模型和隐马尔可夫模型数据挖掘领域的应用,以及隐马尔可夫模型可解决的问题,以供其他研究者借鉴。     

MANET中节点的运动模型和性能分析

移动自组网的节点运动模型描述了节点的运动情况，采用合适的运动模型对于分析各种协议性能具有重要的意义。该文结合移动自组网络中路由协议的相关属性，提出了邻居节点比率、链路生存时间和平均链路保持时间3种评价指标，并通过大量的模拟实验分析和比较了随机行走运动模型、随机停留运动模型、高斯－马尔可夫运动模型和无边界运动模型4种运动模型，这对于考虑不同运动模型下路由协议的设计十分重要。     

马尔可夫及隐马尔可夫模型在数据挖掘中的应用

随着用户对于数据挖掘的精确度与准确度要求的日益提高,马尔可夫模型与隐马尔可夫模型被广泛用于数据挖掘领域。本文阐述了马尔可夫模型和隐马尔可夫模型数据挖掘领域的应用,以及隐马尔可夫模型可解决的问题,以供其他研究者借鉴。     

基于层叠隐马模型的汉语词法分析

提出了一种基于层叠隐马模型的汉语词法分析方法,旨在将汉语分词、词性标注、切分排歧和未登录词识别集成到一个完整的理论框架中．在分词方面,采取的是基于类的隐马模型,在这层隐马模型中,未登录词和词典中收录的普通词一样处理．未登录词识别引入了角色HMM：Viterbi算法标注出全局最优的角色序列,然后在角色序列的基础上,识别出未登录词,并计算出真实的可信度．在切分排歧方面,提出了一种基于N-最短路径的策略,即：在早期阶段召回N个最佳结果作为候选集,目的是覆盖尽可能多的歧义字段,最终的结果会在未登录词识别和词性标注之后,从N个最有潜力的候选结果中选优得到．不同层面的实验表明,层叠隐马模型的各个层面对汉语词法分析都发挥了积极的作用．实现了基于层叠隐马模型的汉语词法分析系统ICTCLAS．该系统在2002年的“九七三”专家组评测中获得第1名,在2003年汉语特别兴趣研究组(ACL Special Interest Groupon Chinese Language Processing,SIGHAN)组织的第1届国际汉语分词大赛中综合得分获得两项第1名、一项第2名．这表明：ICTCLAS是目前最好的汉语词法分析系统之一,层叠隐马模型能够解决好汉语词法问题．     

基于第二代Bandelet域隐马尔科夫树模型的图像分割

第二代Bandelet可以充分利用图像的内在几何正则性特点, 并能自适应获得图像的最优表示. 本文采用隐马尔可夫树(Hidden Markov tree, HMT)模型对图像的第二代Bandelet系数建模, 通过多尺度参数训练和基于上下文的最大后验概率进行图像分割. 为了评价本文方法的性能, 我们分别选择合成纹理图像、航拍图像和SAR图像进行实验, 并与小波域HMT模型分割方法(WD-HMTseg)和Contourlet域HMT模型分割方法(CHMTseg)进行比较说明算法的有效性. 实验结果表明本文方法不但在边缘准确性和区域一致性上有明显改进, 而且也降低了纹理图的错分概率.