基于Java的多层分布式应用结构

在Java分布式应用的三层应用结构模型,Servlet和可重用服务两种改进模型的基础上提出了多层应用结构模型。与上述其它模型相比,多层应用结构模型能够较好地符合分布式企业应用的实际需要,克服了以往模型的低效率、慢响应和难以存取本地资源等不足之处。文章详细描述了多层应用结构模型中各层的结构与功能。     

基于树型结构的MapReduce并行模型

MapReduce是Google提出的一种分布式计算模型,已在海量数据处理领域得到了广泛的应用。提出一种基于树型结构的新型MapReduce并行模型。该模型适合于利用Internet或Intranet环境下不可靠的桌面PC资源进行海量科学数据分析。该模型以P2P的形式将计算节点进行组织,模型的底层采用了P2P-MPI框架,采用基于消息传递的模式来实现MapReduce应用层。在MapReduce应用层的实现中,在Map阶段采用广播的形式来分发数据块,在Reduce阶段建立反向二叉树来实现有效的结果合并和化简。将提出的MapReduce模型与现有主流MapReduce模型进行了比较,结果表明,基于树型结构的MapReduce并行模型在容错性能方面具有较优的性能,且系统简单,易于应用开发。     

基于区分服务的蛛网结构应用层多播模型

提出一种高效的蛛网结构的应用层多播模型,该模型以环形结构为基础,具有混乱情况下自愈性强、传输数据速度快等优点;在数据转发时根据实际应用采取push或pull的策略,同时取消了分层多播模型中的层中控制节点,降低了结构的复杂性;并根据网络状况动态优化系统的拓扑结构.通过仿真试验得知,应用该模型的应用层多播其性能得到提高.     

信息大系统的信息集成结构模型设计与实现

该文根据信息系统集成中信息集成的特点及主要内容,提出了一种基于Intranet／Internet的信息集成总体结构模型和信息集成分层结构模型,并给出了相应的应用设计和实现的例证。     

基于策略的对象存储文件系统管理模型研究

基于对象存储文件系统结构特点和策略管理思想,提出了对象存储文件系统管理的一般模型.定义了两种策略结构,并通过分析对象存储文件系统节点状态转换逻辑关系,给出了管理策略订制的理论依据.模型及其管理策略订制方法在Lustre对象存储文件系统中得到应用,效果良好.     

生物化学分子数据库分析和设计研究

讨论了在新药物发现与设计中化学分子数据库的设计和应用这一较新的应用领域,通过对分子数据库结构和特征的分析,提出了一种可行的数据库的设计模型,分析了模型中的各个模块的结构和功能,讨论了数据冗余的处理和数据库的管理,并提出了一些有待解决的问题。     

面向对象模型对复杂结构知识的表示方法

传统关系型数据库在表示专家系统中具有嵌套、递归等复杂结构的知识时遇到了困难。对此，本文提出了一种采用对象模型的解决方案。该方案在关系数据库的基础上使用映射原理实现了一种面向对象的模型，利用该模型可以较好地在数据库中表示各类复杂结构的知识。该方案已经在地震预报专家系统中得到应用，并取得了较好的效果。     

信息大系统的信息集成结构模型设计与实现

该文根据信息系统集成中信息集成的特点及主要内容,提出了一种基于Intranet/Internet的信息集成总体结构模型和信息集成分层结构模型,并给出了相应的应用设计和实现的例证。     

簇结构移动自组网络中基于推荐的局部信任模型

在移动自组网络中,许多应用都依赖层次结构的支持。簇结构是移动自组网络中应用最为广泛的层次结构。论文针对移动自组网络信任管理中存在的问题,结合簇结构网络的特点,提出一种基于本地邻居推荐的局部信任模型,并对该模型进行了数学分析和模拟实验。分析及模拟结果表明,该信任模型能够有效地提高簇结构网络的连通性与吞吐量,同时通信开销与计算开销均不高,具有较好的工程可行性。     

PDM中产品变量结构及变量化配置管理的研究

本文在传统产品结构模型的基础上,定义了一种适用于系列产品管理的统一的产品变量结构（PVS）模型,基于模型提出了变量化配置管理（VCM）技术,并给出了一个应用实例。     

支持向量回归与常用近似模型的非线性预测性能比较研究

为降低计算成本和提高优化效率,工程实践中广泛应用近似模型拟合或预测非线性系统响应是研究的前沿与热点。引入支持向量回归方法,通过典型数值案例对比分析其与多项式响应面、kriging和径向基函数的非线性预测性能。利用箱线图直观的证明支持向量回归的非线性预测性能明显优于多项式响应面、kriging和径向基函数,且支持向量回归的预测精度对DOE的依赖性最弱,体现出良好的稳健性能,进一步验证了支持向量回归适用于非线性系统响应的近似建模。     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

基于聚类算法的支持向量回归建模的新策略

针对支持向量机对时变的样本集采用单一模型建模困难的问题，提出了一种新的学习策略．首先，使用自组织映射(SOM)神经网络和k-means聚类算法对初始样本集合进行聚类．然后，针对每个聚类数据集合，通过最优加权组合不同核函数的支持向量回归模型建立最终的模型．实验表明，采用这种学习策略的建模精度要优于单一支持向量回归建模方法．     

Incorporating feature selection method into support vector regression for stock index forecasting

Stock index forecasting is one of the most difficult tasks that financial organizations, firms and private investors have to face. Support vector regression (SVR) has become a popular alternative in stock index forecasting tasks due to its generalization capability in obtaining a unique solution. However, the major limitation of SVR is that it cannot capture the relative importance of independent variables to the dependent variable when many potential independent variables are considered. This study incorporates feature selection method and SVR for building stock index forecasting model. The proposed model uses multivariate adaptive regression splines (MARS), an effective nonlinear and nonparametric regression methodology, to identify important forecasting variables. The obtained significant predictor variables are then served as the inputs for the SVR model. Experimental results reveal that the obtained important variables from MARS can improve the forecasting performance of the SVR models. Moreover, the MARS results provide useful information about the relationship between the selected predictor variables and stock index through the obtained basis functions, important predictor variables and the MARS prediction function. Hence, the proposed stock index forecasting model can generate good forecasting performance and exhibits the capability of identifying significant predictor variables, which provide valuable information for further investment decisions/strategies.     

An adaptive surrogate model based on support vector regression and its application to the optimization of railway wind barriers

This study provides evidence supporting the use of the update strategies for the support vector regression (SVR) model. Firstly, the fitting and interpolation method (FIM) is presented to select SVR parameters, and three infill strategies are adopted to search for update points. Secondly, the infill strategy and parameter selection method are illustrated by test functions that illustrate their dependability. The distribution of update points, the sample density and the proportion of update points are discussed. Finally, the adaptive SVR surrogate model is applied to optimize the protective effect of railway wind barriers. The result shows that the parameter selection method has high stability. On the whole, the accuracy of the adaptive SVR model using a suitable infill strategy will be improved with an increasing proportion of update points if the final number of training points is identical. The optimization result shows an optimal porosity of 0.117 when the height of the railway wind barrier is 2.05 m (full scale).

     

利用组合核函数建立VSV系统回归预测模型

利用支持向量回归机(SVR)建立了飞机巡航阶段发动机可调静子叶片系统(VSV)的回归预测模型.在利用SVR进行建模时,核函数的选用尤为关键,核函数有局部核函数和全局核函数,利用单一核函数训练模型易出现过拟合或欠拟合问题.为解决核函数的选用难题,避免训练过程中出现模型过拟合或欠拟合问题,提出了组合核函数.通过对单一核函数的组合,组合核函数兼具全局核函数和局部核函数的优点.最后,利用粒子群算法(PSO)对模型进行参数寻优优化,结果表明:相较于单一核函数,采用组合核函数的模型训练时间更短,模型精度更高.     

面向时序预测的支持向量回归参数选择方法

支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.     

基于EMD和SVR的混合智能预测模型及实证研究

针对非平稳、非线性时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出一种新的基于经验模式分解和支持向量回归的混合智能预测模型。经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,对各预测分量进行加权组合,得到原始序列的准确预测值。实证研究表明对于非平稳、非线性时间序列的预测,不论是单步预测还是多步预测,该模型均能取得很好的预测效果。     

Training primal twin support vector regression via unconstrained convex minimization

In this paper, we propose a new unconstrained twin support vector regression model in the primal space (UPTSVR). With the addition of a regularization term in the formulation of the problem, the structural risk is minimized. The proposed formulation solves two smaller sized unconstrained minimization problems having continues, piece-wise quadratic objective functions by gradient based iterative methods. However, since their objective functions contain the non-smooth ‘plus’ function, two approaches are taken: (i) replace the non-smooth ‘plus’ function with their smooth approximate functions; (ii) apply a generalized derivative of the non-smooth ‘plus’ function. They lead to five algorithms whose pseudo-codes are also given. Experimental results obtained on a number of interesting synthetic and real-world benchmark datasets using these algorithms in comparison with the standard support vector regression (SVR) and twin SVR (TSVR) clearly demonstrates the effectiveness of the proposed method.     

Stochastic support vector regression with probabilistic constraints

Support Vector Regression (SVR) solves regression problems based on the concept of Support Vector Machine (SVM). In this paper, we introduce a novel model of SVR in which any training samples containing inputs and outputs are considered the random variables with known or unknown distribution functions. Constraints occurrence have a probability density function which helps to obtain maximum margin and achieve robustness. The optimal hyperplane regression can be obtained by solving a quadratic optimization problem. The proposed method is illustrated by several experiments including artificial data sets and real-world benchmark data sets.