基于虚拟化技术的Rocks高性能集群的建立与应用

集群是目前高性能计算机系统主要的解决方案。随着集群规模的扩大。也出现了不易安装与管理、故障率高、缺乏方便的并行程序开发调试环境等问题。本文在集群安装软件包Rocks的基础上。结合Xen虚拟化技术构建了一个高性能虚拟集群,从而简化了集群的组建与管理,并提高了系统可靠性与容错性能及并行程序开发效率。     

Rocks集群应用系统发布技术研究

Rocks集群在生命线工程、大数据和高性能计算处理方面的应用越来越广泛,但是集群应用系统的发布更新存在操作难度大、易发生错误等问题.为了解决这些问题,本文分析了RPM包发布管理工具的实现过程,研究了Roll结构,提出了Roll构建和安装发布技术,简化了集群应用系统的发布流程.实验结果表明,本文的集群软件发布技术是有效的,为Rocks集群应用系统发布提供了高效、稳定、易操作的解决方案.     

利用PBS搭建可自由扩展高性能集群研究

目前国内流行的高性能计算集群一般都是固定的资源,对于扩展都是固定的采购机器。目前各个高校机房的空闲时间都很多,存在大量计算资源浪费的情况。论文通过对PBS系统进行分析,了解其内部原理及实现方式,对空闲计算资源加以整合利用,依托河南理工大学高性能计算平台进行深入研究和探讨。     

基于集群技术构建电力系统高性能计算平台

高性能计算是解决大规模电力系统分析计算的有效途径。该文介绍如何基于集群技术构建电力系统高性能计算平台。作者以自己的构建过程为例,分析电力系统高性能计算集群的基本体系结构,从硬件、网络和软件三个方面详细解析其高性价比的构建技术。最后,运用基准测试程序(LinPACK、NPB和PMB)对这一高性能计算平台的进行测试,显示了该平台高效的并行计算性能,以及对程序可移植性的良好支持。基于集群技术构建的电力系统高性能计算平台能为真正解决大电网快速、详细的仿真计算奠定基础。     

高性能集群作业管理系统TORQUE分析与应用实现

本文介绍了高性能集群的发展和特点,以及目前流行的高性能集群的作业管理系统;分析了TORQUE作业管理系统组成及作业提交过程,并通过一个具体实现纳米材料分析的MPI并 行程序在高性能集群上运行。     

华硕服务器为中科大搭建高性能集群运算平台

为配合高校学科对高性能计算的要求，降低高校总体硬件成本，为高校直接创造价值，华硕为中科大构建了以RS161-E4／PA2为核心应用的高性能集群运算平台。该平台由16台高性能的华硕服务器RS161-E4／PA2通过高速计算网络连接到一起组成，并通过监控系统和一组集群管理软件对其进行有序管理。     

华硕服务器为中科大搭建高性能集群运算平台

众所周知，高校不仅是培养人才的摇篮，同时也是大量储存人才的宝库。大量的知识人才储备，加之众多莘莘学子满怀的创新激情，共同营造了良好的学术研究氛围，使得高校具有了很强的创造能力和探索能力。但仅仅拥有这些“人力资源”是不够的，对于科研工作来说，大量的千亿级、万亿级的计算，以及海量的信息数据存储，都需要优秀硬件设备——高性能集群运算平台来支撑。     

基于MPICH2的高性能计算集群系统研究

目前在高等学校和科研机构中对于高性能计算的需求很大,而商业的超级计算机性能虽高但价格昂贵,同时这些单位又都拥有大量普通的PC机和网络设备.为了利用现有硬件资源获取高性能计算能力,文中研究了在PC机和Linux环境下构建基于MPICH2的高性能计算集群系统的方法,搭建了一个拥有16个节点的系统并利用高性能Linpack基准测试方法进行了性能测试.测试结果表明,这种构建高性能计算集群系统的方法切实可行,是低成本获取高性能计算能力的良好途径.     

高性能集群系统架构研究

为满足日益增长的计算能力的需求，分布式计算系统得到了广泛的研究和发展。文章叙述了高性能集群系统的原理，给出了高性能服务器集群系统解决方案，并实现了4结点的集群。     

一种新的监督聚类学习方法及其在故障诊断中的应用

本文提出了一种新的监督聚类学习方法。系统根据样本特征矢量空间的整体分布和局部分布情况对样本进行监督聚类,克服了传统神经网络只是利用样本局部分布信息调节权值造成的局部最小,计算量大等问题,并实现了包括对未知模式的识别。仿真结果表明该方法是可行和有效的。     

改进的FCM聚类算法在Weka平台的应用

模糊C-均值聚类算法是目前应用最广泛的聚类算法,但其仍然存在对孤立点敏感及对初始中心点依赖等问题.为此,提出了一种改进的基于样本加权的模糊聚类算法,该算法可以更加准确的获得初始中心点且去除噪声点.同时,针对Weka系统中聚类算法的薄弱性以及聚类问题在数据挖掘领域的广泛性,本文对此平台进行二次开发并对传统FCM算法与改进算法进行研究.研究发现,改进算法使得聚类结果稳定,且能准确获得聚类结果,提高了算法准确率.     

无指导聚类在信用卡促销中的应用

当前,数据挖掘技术已经应用到社会的各个领域,包括电信业、金融业、医疗卫生、自然科学等.本文介绍了数据挖掘的两种主要策略:有指导的学习和无指导的聚类.并通过信用卡促销数据集来解释无指导聚类的过程,挖掘结果对于信用卡促销活动具有很大的指导意义.     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

重复串特征提取算法及其在文本聚类中的应用

针对Web文档的高维问题及网络新语言给现有分词系统带来的挑战,该文提出一种基于重复串的特征提取方法,可以从文本中提取有意义的特征,且对于中文无需分词。实验表明,该方法可以降低特征空间维度,同时能有效改善传统以词为特征的聚类算法的性能。     

核密度估计及其在聚类算法构造中的应用

经典数理统计学中的核密度估计理论是构造基于数据集密度函数聚类算法的理论基础,采用分箱近似的快速核密度函数估计方法同样为构造高效的聚类算法提供了依据．通过对核密度估计理论及其快速分箱核近似方法的讨论,给出分箱近似密度估计相对于核密度估计的均方误差界,提出基于网格数据重心的分箱核近似方法．在不改变计算复杂度的条件下,基于网格数据重心的分箱核近似密度函数计算可以有效地降低近似误差,这一思想方法对于构造高效大规模数据聚类分析算法具有指导意义．揭示了基于网格上密度函数近似的聚类算法与核密度估计理论之间的关系．     

一种大规模的递增聚类算法及其在文档聚类中的应用

聚类是将数据进行划分,并从中发现有用信息的一种有效手段,它在很多领域都有着非常重要的应用。K均值方法是聚类方法中较常用的一种,但对于大规模的数据,而且有计算资源和时间约束的情况下,K均值方法已不能满足要求。该文提出的CFK-means方法是一种适合于大规模数据的、快速高效的递增聚类方法,它采用了聚类特性(Clus-teringFeatures,CF)结构来表示聚类,能更有效地保留和利用聚类信息。它只需扫描数据一次即可得到聚类划分,所需的计算时间和文件交换时间数倍少于K均值方法,而且聚类的准确度和K均值方法相当。通过对仿真数据和实际文本集数据进行的对比实验证明了CFK-means方法的有效性。     

改进的聚类分析算法及其性能分析

提出了一种改进的聚类分析算法,该算法采用类似中间聚类与最终聚类分布的思想,先对密集区域进行聚类,形成了K个聚类,然后再对相对分散的自由数据进行K—means聚类,使聚类分析在迭代过程中始终沿着最优的方向进行,减小了迭代次数,提高了收敛速度。该算法融合了网格聚类与K-均值聚类的优点,并且引入了一种新的划分网格的算法和新的计算密度阀值的函数。理论分析以及实验证明,改进算法的聚类过程达到了令人满意的效果。     

改进的PCM聚类算法在图像分割中的应用

可能性C均值聚类算法（PCM）对于噪声显示了良好的鲁棒性,但是它没有考虑到像素的空间信息,在含有大量噪声的情况下,PCM算法的分割性能会大大降低。基于PCM算法,提出了一种改进的PCM算法,该算法改进了隶属度函数,新的像素点隶属度更新为其邻域隶属度的几何均值。实验结果显示新的算法能够更有效的分割图像,并显示出良好的抗噪能力。