谱聚类欠取样下自编码网络不平衡数据挖掘

不平衡数据集的应用领域日益广泛,需求也越来越高,为提升整体数据集的分类准确率,以谱聚类欠取样为前提条件,构建一种自编码网络不平衡数据挖掘方法.把聚类问题转换成无向图多路径划分问题,通过无向图与标准化处理完成谱聚类,经过有选择地欠取样处理多数类数据集,获取分类边界偏移量,利用学习过程是无监督学习的自编码网络,升、降维数据,获取各维度隐藏特征,实现各层面的数据高效表示学习,根据最大均值差异与预设阈值的对比结果,调整自编码网络,基于得到的分类界面,完成不平衡数据挖掘.选用具有不同实际应用背景的UCI数据集,从中抽取10组数据作为测试集,经谱聚类欠取样处理与模拟实验,发现所提方法大幅提升少数类分类精度与整体挖掘性能,具有较好的适用性与可行性.     

基于深度学习的管道纱线及其颜色检测

为了保证自动换筒系统中的纱线自动打结机能够正常运行, 需要对管道吸取的纱线进行检测. 纱线纤细、种类繁多且颜色各异, 传感器方法难以胜任, 使用图像处理的方式较为合适. 但是对于纱线检测问题传统的图像处理方法复杂且检测准确率低, 难以解决纱线种类多、尺寸不一以及颜色多等问题, 故本文提出了一种基于Inception v4中Inception-ResNet-A块进行改进的多尺度深度可分离卷积块组成的网络来检测管道中的纱线. 其中改进的多尺度深度可分离卷积块采用3×3卷积核的深度可分离卷积层代替Inception-ResNet-A块中3×3传统卷积层并去除了其中的一些1×1卷积层, 简化卷积块的计算量以及参数量, 此外还结合了残差网络ResNet的方法进行通道融合,防止特征丢失. 试验结果表明, 该网络模型具有非常好的泛化能力以及辨识效果.     

面向列的内存访问研究综述

在大规模、数据量密集的特定应用场景下,以行存储访问数据的方式弊端日益凸显,逐渐不能满足数据高速访问的性能需求,数据亟需更加高效的传输和处理方式.因此,拓展新的内存访问方式,并且同时兼容行、列方向的访问对提升访问效率、降低整体功耗、节省内存空间有着重要意义.本文围绕动态随机存储和非易失性存储两个方面来详细介绍实现列方向的内存访问方式,重点分析了存储单元的结构设计以及实现列向存储访问过程.最后,对内存两种不同访问方式进行了比较和总结,并且对行列访问的内存数据库、数据挖掘、数据加密算法、实时系统的应用场景进行了展望.     

基于模糊强化学习和果蝇优化的WSN数据聚合算法

在无线传感器网络中,传感器的能量时有限的,如果传感器的能量耗尽,那么无线传感网络的鲁棒性和寿命就会大大降低.因此,提出了基于模糊强化学习和果蝇优化的数据聚合机制,以最大限度地延长网络寿命,并进行高效数据聚合.首先,网格聚类用于簇的形成和簇头的选择,接着评估各个网格簇所有可能的数据聚合节点,然后采用模糊强化学习选取最佳数据聚合节点,最后利用果蝇优化算法动态定位整个无线传感网络的数据汇聚节点.仿真结果表明,提出的数据聚合方案在能耗和网络鲁棒性方面优于对比方案.     

基于Sentinel-1和MODIS数据反演农田地表土壤水分—以REMEDHUS地区为例

土壤水分是陆地生态系统和水循环的重要状态变量,在植被生长监测、农作物产量评估等研究中均发挥着重要作用。为了消除植被散射的影响,进而实现农田地表土壤水分的高精度反演,以时间序列Sentinel-1影像及MODIS产品为实验数据,基于高级积分方程模型和比值植被模型的耦合模型,通过采用不同光学植被参数和VH交叉极化后向散射系数,分别对农田植被散射贡献进行表征,消除植被散射的影响,进而实现土壤水分的高精度反演。结果表明：当利用VH极化进行参数化植被散射贡献时,标定的耦合模型,虽然可消除对光学植被参数的依赖并较好地模拟Sentinel-1卫星观测,但土壤水分反演结果效果欠理想,相关系数R最大仅为0.54;与VH极化相比,利用光学植被参数表征植被散射贡献时,土壤水分整体反演效果较理想,R最大达到0.79,但光学植被参数反演结果在不同站点存在显著的空间差异性,R介于0.07~0.79之间。因此,在未来研究中可尝试将雷达数据与光学数据协同反演,以期在消除植被散射影响的基础上,实现植被覆盖区域土壤水分的高精度反演及动态变化监测。     

一种不透水面精细制图新方法及其在城市SDGs指标评估上的应用

城市不透水面是城市化程度的重要指示器,也是城市环境的重要敏感因子。联合国提出的城市可持续发展SDG11.3.1指标——城市土地使用率与人口增长率之比（LCRPGR）需要有效监测土地城镇化与人口城镇化关系。针对其监测与评估中高分辨率和高精度城市用地产品缺失,以及低纬度地区城市可持续发展研究较少的问题。基于Google Earth Engine平台,提出一种多时相升降轨SAR与光学影像等多源数据融合的不透水面提取方法,提取了2015年和2018年10 m分辨率印度不透水面。根据人口格网界定城市范围,将范围内不透水面面积与城市人口进行耦合,用于指标计算。研究结果表明：①精度验证结果显示,两期产品总体精度（OA）高于91％,Kappa系数高于0.82,R²值分别为0.85和0.86,并与其他产品细节对比,证明了方法的有效性;②印度总体不透水面面积由2015年的47 499.35 km²增加到2018年的49 944.69 km²,城市平均LCRPGR为0.76,表明其城市人口城镇化大于土地城镇化,城市可持续发展面临挑战。结合空间分析,印度城市可持续发展水平存在南北差异、东西差异以及沿海与内陆的差异。     

INTER-VMM:融合虚拟机选择和放置的虚拟机迁移模型

低能量消耗与物理资源的充分利用是绿色云数据中心构造的两个主要目标,需要采用虚拟机迁移模型来完成优化,为此提出了融合虚拟机选择和放置的虚拟机迁移模型INTER-VMM（Interrelation approach in virtual machine migration）。INTER-VMM设计了云数据中心的基于多维物理资源约束的能量消耗模型,是一种将主机负载检测、虚拟机选择及放置结合起来考虑的虚拟机迁移策略。在虚拟机选择中采用HPS（High CPU utilization selection）选择法,选择超负载物理主机上CPU利用率最高的一个虚拟机,让其进入候选迁移虚拟机列表中。在虚拟机放置中采用空间感知分配（Space aware placement, SAP）放置法,考虑了充分利用物理主机空余空间使用效率的方法。仿真结果表明,INTER-VMM比近几年来常见的虚拟机迁移策略具有更好的性能指标,对云服务提供商具有很好的参考价值。     

基于双迭代聚能量字典学习的数据压缩算法

针对基于稀疏表示（Sparse representation,SR）的数据压缩压缩率低、重构精度低等问题,本文提出一种基于双迭代的聚能量字典学习算法,把高维信号映射到低维特征空间,当低维特征空间保留高维原始信号越多的特征时,高维信号从低维特征空间中恢复出来的精度越高。为了使低维字典保留高维字典更多的主成分,本文提出了一个新的变换,被命名为?变换,能提升高维字典的能量集中性。除此之外,针对高维字典与低维字典的耦合关系,建立了双循环迭代训练,增加字典的能量集中性与字典的表达能力。实验表明,相比于传统算法,本文提出算法字典学习收敛速度提升了3倍以上。此外,该方法可以得到较高的压缩比和更高质量的重构信号。     

基于改进的花授粉算法的虚拟机分配策略

构造绿色云数据中心的两个主要目标是低能量消耗与物理资源利用效率的充分利用,为此需要采用虚拟机分配策略来完成优化。本文提出了基于改进花授粉算法的虚拟机分配策略（Flower pollination algorithm based virtual machine allocation, FPA-VMA）。FPA-VMA中一朵花或一个配子就对应于虚拟机映射到物理主机分配优化问题中的一个解;并且描述了云数据中心云客户端的资源请求模型和多维物理资源的能量消耗模型。FPA-VMA在花授粉的动态切换概率阶段的策略可以平衡全局最优解搜索和局部最优解搜索之间的切换,同时改善资源分配的全局收敛能力。真实的虚拟机数据的访问测试结果标明：FPA-VMA比常见的虚拟机分配优化策略有更低的能量消耗和更高的物理资源利用效率。     

一种面向跨项目软件缺陷预测的特征过滤与实例迁移框架

在跨项目软件缺陷预测中,源项目与目标项目的特征关联度与实例分布差异性是影响预测模型性能的主要因素。本文从特征过滤与实例迁移2个角度出发,提出一种跨项目软件缺陷预测框架KCF-KMM(K-medoids Cluster Filtering- Kernel Mean Matching)。在特征过滤阶段,该方法基于K-medoids聚类算法来筛选特征子集,过滤与目标项目关联度低的特征。在实例迁移阶段,通过KMM算法计算源项目与目标项目实例间的分布差异度,以此分配每个训练实例的影响权重。最后,结合目标项目中少量有标注数据建立混合缺陷预测模型。为了验证KCF-KMM的有效性,本文从准确率和F1值的角度出发,分别与经典的跨项目软件缺陷预测方法TCA+、TNB和NNFilter相比,KCF-KMM的预测性能在Apache数据集上可以分别提升34.1%、0.8%、21.1%和14.4%、3.7%、10.6%。