关联规则挖掘算法Apriori的研究改进

在关联规则挖掘领域有很多算法,其中最经典的是Apriori算法,该算法可找出所有的频繁项集,并发现项目间的关联关系,但是执行效率却很低。针对经典Apriori算法中存在的I/O过重,产生频繁项集,计算量过大等问题,提出了一种Apriori的改进方案I_Apriori,通过减少扫描数据库次数,降低候选项集计算复杂度以及减少预剪枝步骤计算量等途径提高了算法的执行效率。对比分析了Apriori和I_Apriori算法,I_Apriori算法计算复杂度更低,同时进行了对比实验,结果表明相比于Apriori算法,I_Apriori算法执行效率更高。

一种新型的云任务调度算法研究

云计算具有弹性、保证服务质量和按需的资源配置模型等特征,通常用于处理大批量的计算任务,因此任务调度策略对资源使用效率起着至关重要的作用.考虑到任务的数量和到达服务器的时间不确定性,并且用户对任务的执行往往有一定的期望(如任务优先级、执行时间等),如何合理地分配计算资源,最大程度满足用户的服务质量需求是一个值得研究的问题.为此,提出了一种新型的云环境下QoS-aware服务质量感知的任务调度算法(QTS),该算法结合贪心算法的思想,并加入了任务完成满意度模型作为任务调度的评价依据.通过扩展CloudSim仿真平台进行实验,将QTS与RR调度、Max-Min和Min-Min调度比较,结果表明,QTS是一种有效的任务调度算法.

饱和-非饱和土壤中溶质的溶解-结晶二相模型初探

目前溶质运移的模型主要采用水动力弥散方程来实现,但水动力弥散方程不能考虑到溶解在地下水中的溶质因为溶解-沉淀作用形成结晶而积聚在土壤中的事实,这部分结晶相溶质不能直接通过水动力弥散作用而随地下水迁移。将土壤中的溶质分解成溶解相溶质和结晶相溶质,试图对溶质在随地下水-土壤水分运动而迁移,并同步沉积、释放的动态变化过程进行定量化的描述,建立起更为合理的地下水中溶质迁移和积聚的动态数学模型。

Karhunen-Loeve展开在土性各向异性随机场模拟中的应用研究

研究了Karhunen-Loeve(简称KL)展开在土性参数随机场模拟中的应用,分析了KL展开的特点,针对不规则区域和任意类型协方差函数提出了积分方程的Galerkin数值解法,模拟了土壤渗透系数各向异性随机场。分析结果表明:较低阶Karhunen-Loeve展开能够较好描述随机场的空间结构,与转动带法相比,KL展开法在模拟随机场的各向异性特性方面更具优势;与谱展开法相比,KL展开法具有更优的收敛性。

区域饱和-非饱和多孔介质的溶质运移简化模型

在迭代求解区域饱和-非饱和拟三维渗流模型的基础上,建立区域溶质运移简化模型。该模型将溶质运动在非饱和带简化为一维垂直运动,饱和带简化为二维剖面运动,在非饱和带与饱和带分别形成对流_弥散方程,并通过维持近饱和带溶质质量守恒组成统一的系统,采用有限单元法数值处理技巧,在同一个矩阵方程中求解饱和与非饱和含水层的浓度变化。该模型无需迭代计算,大大减少工作量,为求解区域溶质运移问题提供了新方法。算例验证表明,区域溶质运移简化模型技术可行,结果可信。

一种由土壤剖面含水率估算土壤水力参数的方法

根据瞬时剖面法的基本思想,提出一种利用剖面土壤含水率数据推求土壤水力参数的方法。可依据不同时间和深度的土壤含水率数据,得到土壤剖面不同深度处的土壤水分通量;根据van Genuchten模型描述的土壤负压及非饱和水力传导度与土壤含水率的关系,建立水分通量和土壤水分参数间的关系,并采用非线性最小二乘法估计最优土壤水力参数。文中应用软件HYDRUS-1D模拟12种土壤所得数据和田间尺度试验数据验证了方法的实用性。结果表明,该方法预测精度较高,可以方便地应用于均质土壤水力参数的估算。

再生水灌溉条件下氮磷运移转化实验与数值模拟

利用二维饱和-非饱和土壤氮磷运移转化模型nitrogen-2D对污水灌溉试验的实测数据进行了分析,结果证明所提出的模型可以较好的描述土壤中的水分运动和氮的转化运移过程,土壤含水量及铵态氮剖面模拟值与实测数据吻合程度较好.用检验过的数学模型模拟了不同污水灌溉方案下土壤及地下水中不同形态氮及磷的变化情况,分析了不同灌溉方案下土壤的氮磷平衡和农田养分平衡状况,结果表明:适度的污水灌溉,硝态氮和无机磷不会淋溶出1.5m土层,不会对地下水造成氮磷污染;施入土壤的铵态氮,由于有较强的吸附性,不易被作物直接吸收,49%转化成硝态氮,作物根系吸收以硝态氮为主,氮肥当季利用率为23.3%;反硝化是进行污水灌溉时旱地土壤氮素的主要损失形式,约占施入氮量的12.6%.

增强云服务可信性的研究

结合自治愈机制与AOP技术,提出了一种增强云服务的可信性框架.该框架从云服务的逻辑实现层面来增加其可信性,以"可插拔"的形式动态配置云服务的可信策略.通过失效注入的方式进行仿真实验,结果表明该框架有效地降低了云服务失效的概率,增强了云服务的可信性.

基于可控多样性生成对抗网络的水环境遥感影像场景分类方法

利用深度学习进行高分辨率遥感影像场景分类可以获得较高精度。深度模型通常需要大量的高质量的训练样本,然而,一些应用的样本数量本身就较少且缺乏多样性,同时受限于成本一些工作难以收集大量样本;空间信息单一且数量较少的样本集导致深度模型易于拟合于特异特征,从而降低分类能力。通过引入张量生成器T构建在空间结构与细节上具有多样性的二维描述张量,并根据二维描述张量生成遥感场景影像,提出一种基于可控多样性生成对抗网络的水环境遥感影像场景分类方法(CD-GAN),最后引入UC-Merced和AID两个遥感场景分类数据集进行5种不同方法的对比实验。结果表明:该遥感影像场景分类方法(CD-GAN)可提高原始样本集在空间特征和结构上的多样性,促进CNN在训练过程能够发现场景的关键空间特征,并将分类精度最高达到95.0±0.4。