基于朴素贝叶斯与协同过滤的分布式推荐模型研究

针对传统矩阵分解算法在处理海量数据时所面临的性能瓶颈以及大量数据的关键特征缺失问题,本文基于并行化矩阵分解算法对推荐系统效率进行提升,使用朴素贝叶斯分类算法提高推荐的准确率.首先基于TF-IDF算法构建图书评论的情感词典;然后结合朴素贝叶斯算法完善缺失关键特征的数据;最后使用并行化后的协同过滤推荐算法得到推荐结果.本文采用豆瓣读书网站上的真实图书评论数据进行实验验证,实验结果表明,分布式环境下的协同过滤推荐算法与朴素贝叶斯算法能够高效结合,显著提高推荐效率,准确度也有所提升.     

基于不规则性的并行计算方法

为了有效使用异构多核架构强大的并行计算能力,根据硬件架构的特点重新组织数据并合理调度任务的执行是非常有必要的.提出一个基于不规则性的并行计算方法,是一个融合数据并行、任务并行、管道并行的多重并行计算方法,特别适合具有动态特征执行行为和不规则数据结构的复杂算法,能够在程序运行时根据存储局部性原则和单指令多数据流（SIMD）操作机制对任务执行进行基于优先级的动态调度和数据管理,能够最大限度地有效使用CPU和GPU的硬件计算资源和存储资源.实验结果表明,该方法能够提高图形并行绘制算法关于动态执行过程和不规则数据结构构造和维护的性能.     

基于矩阵分解和评论嵌入表示的推荐模型研究

协同过滤是目前最为成功的推荐技术之一,但它只利用了评分数据,忽视了大量可以利用的用户评论。针对该问题提出了一种基于概率图的深度神经网络推荐模型,即共享表示模型(Shared representation model,SRM),并在SRM的基础上提出一种基于多任务学习思想的改进模型,即隐因子共同学习模型(Joint learning model with latent factor,LF-JLM)。LF-JLM结合了基于矩阵分解的隐因子推荐算法和doc2vec语言模型,它在doc2vec和隐因子模型的映射层使用共享的用户、商品、评论文档的向量表示,因此能够学习到具有跨任务不变性的底层特征。在Amazon数据集上对提出的两种模型与作为基线的隐因子模型和HFT模型进行了对比实验,实验结果表明:LF-JLM能够有效地抽取出评论中隐含的语义信息;与隐因子模型和HFT模型相比,该算法评分预测的均方误差分别减小了7.85%和1.19%。     

基于无线D2D网络的分层联邦学习

为了解决在无线网络中部署联邦学习面临的通信资源消耗大和设备计算资源有限的问题，提出一种基于无线设备直通(D2D)网络的分层联邦学习框架.与传统架构不同，模型训练采用分层聚合.该框架通过D2D网络进行簇内聚合，各个簇同时进行去中心化训练,从每个簇中选择一个簇头上传模型至服务器进行全局聚合.通过将去中心化学习与分层联邦学习结合，降低了中央节点网络流量.使用D2D网络中节点的度来衡量模型收敛性能，通过最大化所有簇头的度之和，对簇头选择与带宽分配问题进行联合优化，并且设计一种基于动态规划的算法求出最优解.仿真结果表明，与基线算法相比，该框架不仅能够有效地降低全局聚合的频率和减少训练时间，而且能够提高最终训练得到的模型性能.     

并行软件性能监测分析工具的设计与实现

本文详细介绍了一个可对运行在多处理机上的并行应用软件进行性能评估的软件工具包。文章首先提出了性能分析的主要任务，然后较细致地介绍了并行软件性能监测工具包的设计与实现思想。利用工具包可以对并行程序执行过程作详细分析，能够帮助算法设计人员及软件体系结构设计人员揭示系统的行为，分析影响应用软件执行效率的因素和瓶颈，据此通过改进和优化软件结构，达到充分利用某种应用软件的内在并行特征和硬件特色，提高运行效能之目的。     

入侵数据特征并行选择算法

用知识的条件粗糙熵定义了特征的相对重要性,提出了一种基于条件粗糙熵的入侵数据特征并行选择算法。算法首先将入侵数据决策表划分成多个子表,然后利用特征的相对重要性对各子表并行求解,最后以子表选出的局部特征为基础求得原决策表的约简。实验表明,该算法适用于大规模的入侵数据集,选出的特征属性不仅可以大大减少数据在存储、分析以及各组件共享中的代价,还能够保持并提高入侵分类的准确性。     

广义多线性混合效应模型

为了解决多数据集间联合特征提取时数据分布多样、集间相关性结构复杂和共享特征方法多样的问题,本文提出了广义多线性混合效应模型。作为一种非监督多数据集特征提取方法,本算法可挖掘多个数据集之间的共享信息,实现对多数据集全局、局部和个体特征的提取。本算法利用了传统的广义线性模型,使其可以处理不同分布的张量数据集;并提出了一种基于超图的关系模型。该模型利用关系矩阵可以实现对数据集间相关结构的建模;通过提出辅助模式的概念,实现了特征的自动归类。数值实验结果表明:利用本算法提取的特征不仅反映了多数据集间的共同与个体信息,并且在人脸识别和推荐系统等问题中性能优于传统算法。     

基于硬件动态指令调度的椭圆曲线并行运算

提出了一种在特征为２的有限域上并行快速实现椭圆曲线密码（ECC）点乘运算的方法，利用硬件动态指令调度技术，同时采用指令级并行和线程级并行，提高了并行运算的性能.基于该方法设计架构并监控运算部件的工作情况，在译码阶段之前动态生成点乘运算指令序列，从而通过动态指令调度消除了不能通过旁路技术或直接通路技术来避免数据冲突停顿所带来的性能损失.基于现场可编程门阵列(FPGA)的实现结果表明，利用该方法实现伽罗瓦域GF(2193)上的椭圆曲线点乘运算需要22.7 μs.     

基于孪生网络的工业缺陷弱监督视觉检测算法

工业品缺陷存在目标多尺度和随机性等特点，易导致现有的目标检测算法出现误检或漏检现象．基于卷积神经网络架构，提出一种高性能的工业缺陷视觉检测模型，记为SNDec(Siamese network detection)．采用并行权重共享的孪生网络（Siamese network, SN）将工业缺陷转化为视觉差异特征．孪生网络由并行特征提取通道构成，并以两通道的差异特征作为输出，能够在抑制同类属性的前提下，最大程度地凸显缺陷特征．结合弱监督定位算法，所提模型能够在实现高精度识别的同时，获取工业缺陷发生位置．通过引入卷积块注意力机制（convolutional block attention module, CBAM），进一步提升了模型检测精度．在真实工况采集的注塑瓶盖数据集以及公开的MVTec数据集上，将当前主流的工业品缺陷视觉检测算法（ResNet 50、1-NN、U-Student和GANomaly）与SNDec模型进行比较．结果表明，SNDec模型取得了89.2%的分类准确率和90.1%的召回率，比ResNet50模型分别提高了5.7%和3.2%．仿真结果验证了基于差异特征实现工业缺陷检...     

网络构件软件体系模型并行算法研究

基于网络和本地代码序列协调、同步运行的构件化框架,提出了网络构件系统的并行优化算法,并且给出了算法的形式化描述,讨论了并行代码构造(CCCA)算法和分布式数据流(DFDM)算法对系统性能的影响,实验数据证明,网络并行算法模型能有效地提高软件系统的性能.该并行算法为分布式软件体系结构下的本地框架和远程服务提供了一种有效耦合的方法.     

基于交替方向乘子法与深度强化学习算法的资源分配

为了研究在有限信道状态信息下,密集型网络的资源分配问题,提出了交替方向乘子法结合深度强化学习算法的模型驱动学习框架。该框架区别于数据驱动框架,能够根据具体问题进行一对一建模。针对资源分配的问题建模内容包括：将基站选择、功率和子载波分配用交替方向乘子法进行交替优化;用深度强化学习算法优化权重,求解目标函数,提高算法性能;框架利用有效信道状态信息而非多余信息,降低了通信开销;加强对最低用户服务质量要求参数的约束,可以在保证用户的体验下最大化小区频谱效率。仿真结果表明,该模型驱动学习框架在较少的迭代次数下即可收敛。     

多用户MIMO系统上行检测算法

针对多用户MIMO上行传输系统提出了两种新型的多用户检测算法．利用块对角化技术将多用户MIMO系统并行或者串行地分解为多个单用户MIMO系统,从而使得适用于单用户MIMO系统的算法可以直接应用,极大地降低了系统的复杂度．仿真结果表明,该算法能够达到与相应单用户MIMO系统相同的性能,而与传统的迫零算法相比,性能有很大的提高．此外,理论分析与实验结果表明,串行多用户检测算法性能优于并行多用户检测算法．     

基于迁移学习的天气图像识别

为提高天气图像识别的准确率,达到良好的天气图像分类效果,提出一种基于迁移学习的天气图像识别算法.该算法使用Xception图像分类算法实现网络架构,再基于迁移学习理论将模型和参数应用到天气图像识别中,并在同一数据集上与其他模型进行性能对比.实验结果表明,基于迁移学习的改进Xception模型有效解决了训练样本不足、准确...     

融合多分辨率表征的实时烟雾分割算法

针对烟雾分割领域缺乏应用于实际监控系统的实时烟雾分割算法的现况,提出高准确率的实时烟雾分割算法. 该算法利用轻量化的多分辨率卷积模块并行提取特征图,在获得丰富语义信息的同时满足实时分割的需求. 提出烟雾前景增强模块,使得烟雾像素点融合前景增强表征、避免背景信息干扰,分割准确率得以提高. 提出残差注意力模块,从通道、空间维度增强重要特征信息,抑制无效信息. 该算法在自建数据集上平均交并比为91.27%,每张图片预测时间为39.06 ms,网络权重为74.66 MB;在公开数据集上的对比结果表明,该算法综合检测性能优于其他烟雾检测算法. 该算法分割准确率高、检测速度快且模型轻量化,可以应用于实际视频监控系统.     

基于并行架构和时空注意力机制的心电分类方法

为了有效提取心电信号 (ECG) 的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型. 该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制. 使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类. 在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50%、99.61%、96.20%、98.02%和97.08%. 相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.     

一种改进的分布式搜索引擎模型

为了解决传统分布式搜索引擎存在的搜索性能问题,从索引结构、查询算法方面改进了传统模型．提出了一种非集中的高并行化搜索模型,该模型按照文档主题对索引分类,对较长的倒排记录表采用位图结构,利用多线程技术对索引节点实现并行搜索算法(multi max score heap,MMSH)．实验结果表明:改进模型中的索引分类方法与倒排表结构的位图策略,能够增强Merge层查询的针对性,降低Merge层节点的CPU和内存开销;在倒排表不能完全存入内存情况下,MMSH算法能够实现高度并行化查询,其查询效率高于经典的term-at-a-time算法,缩短了平均查找时间,提高了系统吞吐量．索引分类、位图结构以及并行查询算法能够避免查询的盲目性,改善了分布式搜索引擎的性能．     

基于多目标并行基因表达式编程的电路演化算法

为提高数字电路演化的效率和成功率,在并行基因表达式编程的基础上,对电路设计中涉及的多个目标进行了定义与量化,并针对这些目标提出基于多目标并行基因表达式编程的电路演化算法(MPGEP).主要工作包括:1)设计演化电路中的GEP编码;2)利用OpenMP设计基于通用多核处理器的并行基因表达式编程模型;3)定义和量化电路演化的多个目标,利用非支配排序和适应度共享策略来提高搜索方向的空间均匀性;4)通过数字电路演化实验证明,与传统的GP和GEP算法相比,MPGEP算法不仅进化时间减少了86.1%和31.4%,同时还能得到更简单和实用的电路,得到最优电路比率提高了50.4%和38.9%;与多目标串行电路演化算法MGEP相比,MPGEP算法的进化时间减少了48.7%;与并行电路演化算法PGEP-MC相比,MPGEP算法得到最优电路的比率提高了38.3%.     

基于粒子群优化的生物组学数据分类模型选择

针对生物组学数据普遍存在的高维小样本和样本分布不平衡问题,提出基于粒子群优化分类模型选择算法.该算法中粒子编码由样本平衡模型、特征选择模型和分类模型及超参数构成,粒子种群以达到以生物组学数据最佳分类性能为目标,通过对粒子的速度和位置进行迭代更新,得到模型组合及超参数的最优解.在8组真实生物组学数据集上的实验结果表明,所提模型选择算法能够避免人为选择所带来的主观偏差,提高最佳分类性能和稳定性.     

基于松散条件下协同学习的中文微博情感分析

传统的协同学习算法需要2个充分冗余的特征视图,而在多数情况下达不到特征充分冗余的要求,为此提出松散条件下的协同学习框架.利用支持向量机算法和长短期记忆网络（LSTM）算法分别建立基于向量空间模型的微博特征视图和基于语义相关的词向量特征视图,在2个视图上进行协同学习.针对未标注样本的选择,提出结合主动学习中的不确定策略和协同学习中的最高置信度策略的选择策略,从不同角度充分利用未标注样本中包含的信息量.实验结果表明,在中文微博情感极性研究领域,提出的选择策略与传统选择策略相比,能够提高分类器的性能,并且利用松散条件下的协同学习框架实现微博情感分析性能.     

基于响应面并行子空间设计的载人潜水器优化

为提高载人潜水器的设计效率和综合性能，确定了一型载人潜水器的设计参数，分析了学科与学科、学科与系统之间的关系，完成了基于多学科设计优化思想的载人潜水器学科分解，建立了载人潜水器结构设计矩阵。利用响应面模型建立了艇型与推进、结构等学科的学科分析模型，利用公式建立了其他学科及系统层分析模型。以艇重为目标函数，分别建立了基于响应面并行子空间设计和基于并行子空间优化的载人潜水器优化框架，可实现优化过程中的近似模型更新，以提高求解效率及精度。利用上述2个框架进行了优化求解，结果表明：相比初始方案，并行子空间设计并行子空间设计减重为7.822%、并行子空间优化减重为7.311%,但并行子空间设计在计算精度、求解效率和最优解获取的概率等方面更具有优势。