均衡相似程度和紧密程度的局部社区发现算法

基于局部扩展优化的社区发现方法因能有效揭示网络的社区结构、划分结果稳定等,备受关注.然而在这类方法中,如果种子节点选择不当、社区扩展过程中节点合并不当都会降低划分结果的合理性.此外,由于采用贪婪的扩展策略,其收敛速度受到了制约.针对以上问题,提出了均衡相似程度和紧密程度的局部社区发现算法.该算法利用节点间的相似程度和连接紧密程度构建种子社区,从种子社区出发以迭代的方式进行扩展直至收敛;在社区扩展过程中引入了一种两级筛选机制,利用该机制将在相似程度和连接紧密程度两方面优势均衡的多个节点合并到当前社区.通过构建种子社区和引入两级筛选机制提高社区划分结果的合理性.在社区扩展过程中引入合并策略,以优化算法收敛速度.在多个数据集上的对比实验证明了本文方法的正确性和有效性.

加权模块度增量引导下的层次社区发现算法

模块度优化层次社区发现算法可以快速挖掘网络中不同密度的社区,对研究网络的功能和演化机制具有重要意义.然而,由于在迭代过程中仅合并模块度增量最大的社区,其收敛速度受到了制约;此外,在社区合并过程中过度强调社区之间的连接强度而忽略了社区之间的相似性,其划分结果的准确度也受到了制约.针对以上问题,提出了加权模块度增量引导下的层次社区发现算法.该算法引入了社区相似度权重,并结合模块度增量构建加权模块度增量,通过优化加权模块度增量划分层次社区;同时,在社区划分过程中引入可调合并阈值,动态调整每轮迭代中合并的社区数量,以优化算法的收敛速度.在不同规模的真实数据集和人工数据集上的实验结果验证了本文方法的正确性和有效性.

一种适用于Hadoop MapReduce环境的数据预取方法

为解决由Reduce任务引起的远程数据访问延时和资源竞争导致的系统性能问题,提出了一种基于预调度的数据预取方法.该方法通过预取数据来隐藏由Reduce任务引起的远程数据访问延时,通过控制与Reduce任务相关的资源分配来减少由其引起的资源竞争.此方法已在Hadoop-0.20.2中实现.实验结果表明,与缺省的Hadoop MapReduce及Hadoop Online Prototype相比,该方法可将系统性能提高10%以上.

同构Hadoop环境作业执行时间计算方法

执行时间是作业调度的重要参考因素之一。通过分析Hadoop MapReduce环境作业的执行特征,提出了以map任务和reduce任务执行时间为输入,估算作业执行时间的方法。该方法在一定假设条件下,借助作业预执行来获取map任务和reduce任务的执行时间。实验结果表明,该方法估算作业执行时间的误差率小于7%。

一种优化的标签传播方法

社区发现是复杂网络分析领域的一项重要研究内容,而标签传播算法因在分析复杂网络时具有时间复杂度低等优点,获得广泛关注.但标签传播算法中的随机策略降低社区划分结果的稳定性和效率.为解决随机策略引起的问题,提出了一种优化的标签传播方法.该方法引入标签权重,并与标签一起组成二元组,根据标签二元组、节点间的联系度等因素为节点分配初始化标签;同时,在标签传播过程中,根据节点间的联系度等因素进行标签更新.实验结果证明了该方法的有效性和有用性.

基于SIR的Device-to-Device移动社交网络信息传播模型

智能移动设备的迅速普及在加快移动社交网络发展的同时,也给底层通信网络带来了沉重的负担。为了缓解底层通信网络的负担,越来越多的社交网络应用开始采用Device-to-Device技术传播信息。本文以Device-to-Device移动社交网络为研究对象,首先分析该网络中用户参与信息传播的特点,然后在传染病模型的基础上构建适合此网络特点的信息传播模型,并利用该模型分析真实Device-to-Device环境中的信息传播过程。结果表明,Device-to-Device移动社交网络中的信息传播与基于Internet的社交网络中的信息传播有相似之处;但是,由于Device-to-Device移动社交网络存在较大的传播时延,信息在该网络中需要较长的时间才能达到传播高峰。

一种Device-to-Device移动社交网络中的热点文件预测方法

随着信息技术的蓬勃发展,移动社交网络越来越受到人们的关注,尤其是对移动社交网络中的热点分析.以基于Device-to-Device技术构建的移动社交网络为研究对象,从网络规模、文件分享特征以及用户影响力等方面入手,提出一种预测该类社交网络中热点文件的方法.该方法从信息和用户的角度出发,通过量化文件重要性、文件敏感性、用户参与力和用户影响力四个指标,利用多元线性回归方法建立预测模型,并在真实数据上验证了方法的有效性.

《操作系统》实验教学方法研究

为了完成《操作系统》实验,学生往往过度关注实验步骤而忽略了实验步骤与实验目的甚至是课堂教学内容之间的联系,达不到通过实验验证理论、加深对理论理解的目的。为解决这一问题,本文提出了《操作系统》实验课若干改进措施,并积极在实验课上落实这些措施。通过实践发现,这些措施可以提高学生实验的积极性、促进学生在实验过程中积极思考并主动联系理论知识。

Device-to-Device移动社交网络多维度用户影响力分析方法

本文主要关注以文件共享为目标的D2D移动社交网络中的影响力分析,提出了一种基于文件类型的多维用户影响力计算模型,并依据该模型对真实网络中的用户影响力进行了评价分析.分析结果表明:1)用户对不同类型文件的影响力不同;2)用户的影响力值成长尾分布.

基于PUSH机制的任务调度方法

为降低Hadoop Map Reduce环境中任务的数据访问延时进而提高系统性能,提出一种基于PUSH机制的任务调度方法。该方法根据输入数据分布,主动将任务推送到存储其输入数据的节点。当任务在这些节点执行时,可以直接从本地磁盘读取数据,从而避免远程数据访问延时。该方法已在hadoop-0.20.2中实现,并在真实集群中进行验证。研究结果表明:与原有调度方式相比,该方法可将作业执行时间平均降低8%,在最好情况下可降低14.3%。

一种线束端子显微图像全自动分割方法

线束是电子设备中广泛使用的接线部件,其质量可以通过测量线束的内径、外径等数据进行分析。本文使用水平集方法分割线束端子显微图像外径和内径轮廓。为处理粘连,首先设置图像的RGB空间,然后将其转换至Lab空间,再用水平集方法分割其外径轮廓。分割内径轮廓时,根据线束端子显微情况图像的颜色特点,将其转换至Lab空间,以增强黄蓝信息之间的差异,使用水平集方法进行分割,后使用数学形态学方法进行处理,得到最终的内径轮廓。实验结果表明,本文方法可以同时获得较好的线束端子显微图像外径和内径轮廓,有利于后续的数据提取和质量检测。

一种高效的无证书三方密钥协商协议

对于目前提出的无证书三方密钥协商方案大都使用了耗费时间的对运算,具有较大的计算量,根据离散对数(DL)问题并以公钥密码学理论为基础,设计出一个不用到对运算的无证书三方密钥协商协议,该协议解决了基于身份的密钥协商中的密钥托管的问题。经过安全性证明和效率比较表明该协议有较高的安全性和效率。

《操作系统》理论教学的三点思考

《操作系统》是计算机专业的核心课程,在专业课程体系中地位非常重要。本文从《操作系统》课程的特点出发,分析了学生在课程学习过程中存在的问题,提出了将抽象知识具体化、将枯燥理论生动化的教学思路,并探讨了利用主线将操作系统知识系统化的教学方法。

基于随机相遇的频繁项集挖掘方法

频繁项集挖掘是关联规则挖掘的重要内容,而现有的频繁项集挖掘算法在数据库扫描和复杂数据结构构建方面消耗过多的时间,效率较低。为克服现有频繁项集挖掘算法的不足,提出了基于随机相遇的频繁项集挖掘算法。在随机相遇过程中,不断从原始事务集中随机挑选两条事务,将其交集作为新事务集中的元素,通过计算新事务集中最小支持度与原事务集中最小支持度的关系,将在原事务集上的频繁项集挖掘转化为在新事务集上的频繁项集挖掘,算法的时间复杂度和空间复杂度大大降低。由于随机样本蕴含原始数据集的主要统计特性,新事务集具有原事务集的统计特性,通过调整参数,算法在新事物集上挖掘结果的准确度可以得到保证。并利用一个零售超市的交易数据对该算法的有效性进行了测试。测试结果表明,该算法能将挖掘速度提升数十倍,同时挖掘结果的准确度和其它算法相差不大。

低对比度cDNA图像分割的局部水平集方法

互补脱氧核糖核酸(cDNA)微阵列是一项广泛应用的技术,该技术现被应用于同时研究数千个基因的表达水平.样点分割是c DNA微阵列图像处理技术中的关键环节.微阵列图像动态范围较高,部分区域对比度较低且包含噪声,因此给分割带来一定难度.本文首先使用规则网格技术,将微阵列图像划分成单个子图像.为了增强对比度,将子图像归一化后在每个网格内使用C-V模型和水平集技术进行分割.为消除噪声造成的干扰,使用样点面积先验知识作为标准,得到最终的样点位置.实验结果表明,与相关算法相比本文算法具有一定的优势.

改进Adaboost下BP神经网络并行化训练方法

大规模数据分类时借鉴了大量小规模数据分类的思想,但需要解决两个问题:大规模条件下算法收敛速度及准确性问题.BP算法(反向传播算法)以其良好的非线性逼近能力、泛化能力以及实用性成为了人工神经网络训练算法中应用最为广泛的算法同时使用BP算法训练易陷入瘫痪,收敛速度较慢,算法易陷入局部极小值,造成网络的正确率低下的问题.为了将BP算法用于大规模数据分类问题,本文通过引入Adaboost算法,并对其进行改进以适应BP神经网络在大数据量情况下的应用,改善其性能.基于SPARK平台的实验表明,本文提出的算法具有良好的并行加速性能,且具有较高的分类准确率.

一种基于标签传播的重叠社区发现算法

针对COPRA算法因在标签更新过程采用随机策略而导致的重叠社区划分结果不稳定问题,本文对COPRA算法进行了改进,提出了一种简单的重叠社区发现算法.该算法仍采用同步的方式传播标签,但只在以边缘节点为中心的桥梁节点群内进行标签传播,以此提升发现重叠社区的速度.该算法还引入了节点连接社区强度,利用其降低标签更新过程中的随机性.此外,引入节点连接社区强度,还可以防止标签的过度传播.在真实网络和人工合成网络上的实验结果验证了本文方法的正确性和有效性.

Spark下BP神经网络并行化算法研究

BP算法(反向传播算法)以其良好的非线性逼近能力、泛化能力以及实用性成为了人工神经网络训练算法中应用最为广泛的算法。但同时使用BP算法又存在收敛速度较慢、易陷入局部极小值等问题。为了将BP算法用于大规模数据分类问题,采用MapReduce思想,将大数据集切分成若干小的数据集来并行加速处理,同时引入Bagging算法的思想来综合并行结果,提高分类的准确率。通过在各个节点上根据子数据集独立地训练各个BP神经网络,直至各网络收敛,再将各节点上的网络收集起来进行集成,形成最终的分类器。基于Spark平台的实验表明,本文提出的算法具有良好的并行加速性能,且具有较高的分类准确率。

基于相干性的多聚焦图像融合算法

为提高多聚焦图像的融合效果,提出一种基于相干性的融合算法。该算法对源图像进行离散小波变换,利用高频小波系数构造结构张量矩阵,通过矩阵特征值定义反映局部几何信息的相干性并建立融合策略。实验结果表明,该算法得到的融合图像在主观视觉效果和客观量化指标方面均有良好的表现,提高了融合的视觉效果。

Hadoop作业执行时间在线计算方法

在Hadoop MapReduce环境中,如果能预知作业的执行时间,就可在资源分配、任务调度以及负载均衡过程中作出更合理的决策,改善系统性能.在分析Hadoop MapReduce作业执行模式后,提出了一种作业执行时间在线预测方法.该方法在结合历史信息的基础上,可根据作业在不同阶段的执行进度在线预测执行时间.该方法已在Hadoop-0.20.2中实现,并在一个包含19个节点的Linux集群中进行了验证.实验结果表明,在最好情况下,根据该方法预测的执行时间和真实执行时间的误差约2%.