云计算下分布式大数据智能融合算法仿真

当前分布式数据融合算法存在网络能耗高、数据融合后网络节点生存期较短等问题,提出基于估计机制的分布式大数据智能融合算法。对于连续不确定的数据流,通过滑动时间窗口细分数据。并在滑动时间窗口中依据网格法将数据划分至各网格中,于各网格中通过信息熵对正常数据进行筛选,采用局部异常因子对于剩余可能是异常的数据进行判断,根据判断结果将异常数据剔除。利用分布式网络参数以及数据特性和变化规律判断最优分簇规模。利用最优分簇结果对数据簇头的生成区域进行限定,将数据节点剩余能量估计当作簇头选取的依据,选择某区域内剩余能量较大的数据节点作为簇头。将在异常数据剔除结果中采集到的正常数据传输至簇头节点,完成分布式数据智能融合。实验表明,上述算法平均网络能耗为32nJ/bit,网络节点存活期较长。所提算法具有较强的可实践性,是一种可靠且科学的数据融合算法。

物联网中服务信息质量优化管理仿真研究

对互联网中服务信息质量的管理,能够高效提高物联网服务质量。对互联网中服务信息质量的优化管理,需要将服务体系结构周期离散化,计算出单位阶跃响应系数向量,完成服务信息质量管理。传统方法定义网络拓扑基本结构,计算网络总体能量消耗均衡分布状态,但忽略了服务信息阶跃响应系数的计算,导致管理效果不理想。提出基于概率的物联网中服务信息的质量优化管理方法。给出网络环境变化的动态性,将体系结构按采样周期离散化,计算出无时滞和有时滞的服务信息的单位阶跃响应系数向量,以服务信息均方稳定为优化目标对服务信息的各个模块进行聚类,进行物联网中服务信息的质量优化管理。实验结果表明,所提方法设计的服务信息管理效果明显,为物联网技术的飞速发展奠定了结实的基础。

基于CDIO和混合式教学的商业智能应用课程教改探索

商业智能应用课程是大数据时代产生的一门新兴交叉的课程.针对该课程的特点,将CDIO工程教学理念和混合式教学方式融合到教学过程,进行课程教学改革探索.

探讨CDIO模式在民办院校工科教学改革中的应用

教育是每个时代每个国家的立国之本,教育强则国强。为了能够培养出适合新时代、新科技快速发展的人才,全世界教育界人士都在不断的研究适合时代发展的新的培养目标和方法。适合新工科教学的CDIO模式就是在这样的背景下提出的。本文在认真学习了CDIO模式理念的基础上结合民办院校的实际教学经验,探讨如果把这种教学模式落实到具体的教学工作中。

基于聚类边界提取的支持向量机算法

传统的支持向量机都是训练大规模的数据样本,需要花费较多的时间,这使得支持向量机的应用受到了限制,为了较好的推广,提出了一系列优化算法,比如支持向量预提取方法[1]、边界样本选取以及改进的各种算法,提高了训练的准确性、泛化能力、训练效率。提出了在聚类后删除纯簇的方法提取边界样本点,在此基础上又提出了采用改进的聚类算法在聚类后删除纯簇提取边界样本点的方式得到新的训练样本,再利用支持向量机训练分类器。实验验证了此方法不仅提高了训练的效率,而且提高了分类的准确率。