数据流上高效计算子空间Skyline的算法

流数据处理和多维空间中子空间上Skyline的计算是近年来数据管理与数据挖掘领域的研究热点.此前相关工作只专注于滑动窗口上Skyline的维护问题,未涉及到滑动窗口中子空间Skyline的计算.文中提出了一个基于网格索引的高效维护滑动窗口上Skyline的算法,以此为基础采用自顶向下的方式通过两个阶段增量式地返回目标子空间上的结果;开发的多个剪枝策略和启发式优化方法显著地提高了全空间Skyline的维护以及子空间Skyline的计算效率.理论分析和实验结果表明:与同类算法相比,文中提出的StreamSubsky算法以极少的时间开销就能输出第一个结果,并且算法具有良好的可扩展性.

高效处理分布式数据流上skyline持续查询算法

基于非共享策略,围绕着降低系统反应延迟与通信负荷的目标,提出了一种分两阶段渐进求解的分布式算法BOCS(based on the change of skyline),并对算法的关键实现环节,如协调站点与远程站点间的通信、skyline增量的计算等进行了系统优化,使算法在通信负荷与反应延迟上达到了较好的综合性能.理论分析证明,在所有基于非共享策略的算法中,BOCS算法通信最优.大量的对比实验结果也表明,所提出的算法高效、稳定且具有良好的可扩展性.

RISQ:一种高效处理概率数据流上Skyline查询的算法

多维空间的Skyline分析在多标准决策领域有着广泛的应用。以往的工作仅关注确定数据集或数据流上的Skyline处理,而概率数据流上的Skyline查询未被研究过。基于"可能世界"的语义,提出了一种以R#树为索引的高效处理概率数据流上Sky-line查询的算法RISQ(R#-tree indexed Skyline query)。通过预淘汰机制和最小化概率补偿等策略来提高算法的性能。

基于POD的尾流激励叶片气动力降阶模型

提出了本征正交分解法方法建立叶片气动力降阶模型,快速分析叶片气动特性。采用计算流体力学得到气动力快照矩阵,然后利用本征正交分解法获得尾流激励下的叶片气动力基,从而建立尾流激励下的叶片气动力降阶模型并完成气动力数据重构。分别采用周期信号和正弦信号作为输入,采用计算流体力学和气动力降阶模型方法计算叶片气动力,结果显示:采用本征正交分解法降阶模型得到的叶片气动力与计算流体力学计算得到的气动力结果基本一致。证明了基于本征正交分解方法的气动力降阶模型能够快速精确分析尾流激励下的叶片气动力。

基于神经网络的尾流激励叶片气动力辨识方法

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学(computational fluid dynamics,CFD)方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP(back propagation)神经网络和线性自回归神经网络(onlinear auto-regressive with exogenous input neural network,NARX),建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明:基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。