城市旧居住区环境年代渐进式改造模式探索——结合城市大规模改造模式对比分析

随着城市进程的加快,城市更新活动也大规模展开,在整个改造过程中,往往采取的是大规模"推倒重建"模式,尤其是对城市中旧居住区的更新,更是依赖于巨额的商业性房地产投资的活动而进行的.由于更新的目的和利益有所偏颇,导致这样的更新难免会跟着房地产开发的脚步来进行,导致城市中大片建成居住区外迁,却不论其修建的年代和尚可使用的年限.这种大规模改造对于城市中所特有的居住文化结构模式是一种极大的破坏,取而代之的是大量的商业办公大楼的涌入,这种单一的模式化的城市结构,破坏了一个大城市应有的居住环境的年代性.从这个角度出发,探讨城市中居住环境在改造的过程中应该以年代发展为基础,结合不同年代的居住者的需求来进行城市居住环境的更新.     

基于Fenchel对偶的核Logistic回归并行学习算法

给出了一种大规模核Logistic回归的并行学习算法.利用凸优化中的Fenchel对偶定理, 将核Logistic回归的优化原问题转换成对偶空间的优化问题,再利用块更新迭代方法, 可以独立地在部分数据集上进行分类器训练.设计了一个简单的客户机--服务器并行计算模式, 每个客户机对部分数据优化子问题,在一次优化结束后,服务器根据各客户机传递的信息修正各子问题目标函数. 在标准数据集的实验结果表明了基于Fenchel对偶的核Logistic回归并行学习算法的可行性.     

基于混合变量动态分组的大规模多目标进化算法

变量分组是解决大规模多目标优化问题的有效途径。针对混合变量分组存在的问题,文章提出基于混合变量动态分组的大规模多目标进化算法来对混合变量进行更精确的分组,通过控制变量分析中个体非支配排序后第一层的个体数与采样数的比例来挖掘混合变量的动态特征。本文算法MOEA/DVA-F与其他三种经典的大规模多目标进化算法一同在LSMOP1~LSMOP5测试问题上进行IGD性能测试,实验结果表明,MOEA/DVA-F算法具有较好的收敛性和多样性。由此表明MOEA/DVA-F算法是一种有前途的大规模多目标进化算法。     

大规模无线网桥传输技术研究

由于传输传输过程中信号的离散程度较高,导致在有限的传输信道内,接收端接收信号的误码率较高,为此,提出5.8G无线网桥传输技术研究。在对信号发射进行调制阶段,采用了全电子学OOK技术,将开关调制器作为载体,通过建立直流分量和调制信号之间的关联关系约束信号的调制幅度,实现信号的收敛,利用载波功率与边带调制信号功率的关系确定调制终点后,采用差分ECP结构实现对信号传输过程的控制。在测试结果中,设计传输技术中在频衰减为-5dB,发射功率为30.0dBm条件下的误码率低于10-12,在频衰减为-15dB,发射功率为20.0dBm条件下的误码率低于10-10,满足通信系统的误码率阈值要求。     

基于流式分析的大规模网络重叠社区发现算法

为了提高在大规模网络中发现社区的效率,提出一种基于流式分析的大规模网络重叠社区发现算法(Streaming-based Overlapping Community Detection algorithm,SOCD).算法对网络中的边进行流式处理,每次只处理一条边且每条边仅被处理一次.根据节点的度、节点对社区的贡献度以及节点移动前后社区间连边数量的变化等信息对节点进行划分.在人工合成网络和真实大规模网络上的一系列实验表明,SOCD算法在时间消耗和内存占用上具有较大的优势,比传统方法快10倍以上,且具有较强的鲁棒性,能够在线性时间和空间复杂度下高效、准确地挖掘网络中的重叠社区结构.     

计算机统一设备架构加速外部计算机断层图像重建

外部计算机断层成像(CT)重建主要用于重建管状物(如管道)的管壁截面图像,具有重要的实际意义。外部CT重建算法中,带子区域平均图像总变差最小的凸集投影(SA-TVM-POCS)重建数值算法可以得到高质量的CT图像,可用于管道的无损检测。但由于在实现过程中计算量较大,阻碍了其在一些时间要求较高环境中的应用。计算机统一设备架构(Computer Unified Device Architecture, CUDA)是近几年发展起来的解决高强度计算的有效工具之一,该文利用CUDA的高强度并行计算性能,提高外部CT问题SA-TVM-POCS算法的速度,从而增加该算法的应用范围;为充分利用CUDA其高强度数据级并行计算能力,该文改进了SA-TVM-POCS算法的实现过程以适应CUDA的并行计算架构。实验结果表明,该文方法可以在重建图像质量没有下降的情况下,加速比达到20倍以上;所以,利用CUDA可以加快SA-TVM-POCS算法的计算速度。     

用并行计算从基因表达数据构建大规模基因调控网络

为解决大规模基因调控网络构建算法精度不高、计算时间过长的问题,提出一种从基因表达数据分析出发,并行计算和阈值限定相结合的新算法来构建大规模基因调控网络。该算法中基因间交互强度值采用条件互信息值度量,并行计算采用GPU与CPU相结合的CUDA与Open MP架构。综合数据集的运行结果证明该算法较新的构建算法(如贝叶斯模型算法和微分方程模型算法)相比,在构建大规模基因调控网络时有更高的运算精度和更短的运行时间。     

显示导向型的大规模地理矢量实时可视化技术

对大规模地理矢量要素进行实时可视化是当今地理信息科学领域面临的一个严峻挑战。在现有地理矢量要素可视化方法中,随着数据规模的增长,计算规模也急剧扩大,这导致尽管使用了高性能计算技术,仍很难应对大规模地理矢量要素的实时可视化。基于此,文中提出了一种基于显示导向型计算的地理矢量要素可视化技术。该技术从显示角度出发,将每个用于屏幕显示的像素点作为独立的计算单元,根据用户浏览地理矢量要素时屏幕显示的区域及分辨率确定待计算的像素点范围,通过直接计算每个像素点的值来生成最终的显示结果。该技术使得可视化的计算规模仅依赖于屏幕显示的像素数量,具有对数据规模不敏感的优点,可用于支持大规模地理矢量要素的实时可视化。实验结果表明,显示导向型地理矢量可视化技术可用于支持亿级矢量数据的实时可视化绘制。     

大规模MIMO信号检测IPIC算法的深度学习网络

针对在大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中,信道硬化现象减弱时最小均方误差(Minimum Mean Square Error, MMSE)检测算法及Richardson、Jacobi等迭代检测算法检测性能退化严重的问题,提出了一种深度检测网络,称为IPICNet,将深度学习技术和迭代并行干扰消除(Iterative Parallel Interference Cancellation, IPIC)检测算法结合。在IPICNet中,将IPIC检测算法的迭代过程展开为深度网络,并在此基础修改网络架构和添加可训练参数,同时对网络中需要使用的投影函数和损失函数进行了讨论和设计。实验结果表明,训练完成的IPICNet能有效提升IPIC检测算法的检测性能并在信道硬化现象不明显的MIMO系统中稳定工作。     

基于数据结构可视化布局算法研究

为有效满足规模和密度快速增长的图数据对可视化结果可读性的需求,本文主要对数据结构可视化的布局算法进行了研究,针对大规模图数据完成了基于模块分析的可视化方法的构建,首先对LPA(Label Propagation Algorithm,标签传播算法)社团发现算法进行改进,再据此完成对大规模图数据的划分,分析划分后各模块的结构模式并将其抽象为节点,最后通过力引导算法的使用完成对处理后模块的布局及模块结构模式信息的展示,有效实现了大规模图数据的可视化处理过程,为进一步处理加工数据提供支撑。