基于云计算的大数据自动分类系统的实现路径

网络技术在逐渐发展完善的过程中,系统数据量逐渐增多,传统的大数据自动分类系统在软硬件设计上较为单一难以满足需求,据此本文对大数据自动分类系统进行了研究,主要以云计算技术为基础,完成了系统硬件结构的整体设计,主要由数据采集器与处理器及自动存储三个模块组成,并对其进行了详细的介绍,然后完成系统的软件设计,提取频域特征数据,主要依据时域特征提取数据的算法。通过对比实验验证结果表明本文所设计的系统资源占用率低,在较小的内存消耗上保证了数据库较大的内存,使数据自动分类的速度及精准度得以显著提高,从而使系统的分类性能功能满足实际多元化的需求。

一种基于改进粒子群算法优化BP神经网络的预测方法

粒子群优化算法作为一种新型的算法由于具有原理简单、收敛速度快且易于实现的优势等成为学术界的专家学者关注的热点问题。文介绍了BP神经网络和粒子群算法两种预测方法,提出了基于改进改进粒子群算法的BP神经网络的基本算法及操作流程。

大数据环境下无线通信关键技术研究

无线网络作为现代信息技术的产物,已经广泛地应用到人们生产生活的多个领域,无线通信技术实现了数据、图像、话音等业务的传输。随着大数据时代的到来,人们对网络的多元化服务提出了更高的期望。文章对现代化无线通信技术的发展现状进行阐述,分析大数据环境下无线通信技术发展所面临的挑战,针对大数据环境下无线通信技术的发展与完善提出合理化建议。

基于Hadoop的NoSQL数据库安全探讨

针对当前云计算平台下的数据库安全问题,文章以NoSQL非关系型数据库中最为典型的HBase数据安全为背景,提出在采用传统的基于Hadoop安全机制方法外,还必须强化HBase的安全,从而才能更好地实现对非关系型数据库的安全保障。

认知学徒制网络教学模式探索与实践

以认知学徒制理论为基础,结合网络学习环境,以学生为主体,教师为主导,通过"宏观三层面网络教学设计模式、五环节网络教学任务开发模式、微观五步骤网络教学实施模式",最后形成网络环境下的策略设计,为今后解决相关的实际问题提供了借鉴,对实际工作具有指导性的意义。

引入Logistic混沌映射的连续蟑螂算法应用于函数优化问题

通过模拟蟑螂的觅食行为,提出用于解决函数优化问题的连续蟑螂算法(continuous cockroach swarm optimization,CC-SO).算法模拟了蟑螂的群居、巢穴不固定、爬行轨迹杂乱无章等生物特性.通过食物车在解空间内抛洒食物,吸引蟑螂向食物爬行完成搜索.在巢穴分配和食物抛洒环节引入了Logistic混沌映射,增强了巢穴和食物在解空间内分布的随机性和遍历性.仿真实验显示,与API和PPBO算法相比,CCSO算法在求解精度、收敛速度、寻优率等方面均提高显著.

基于认知学徒制的高职网络教学模式研究

本文根据信息时代对高职学生的要求,在深入分析现有高职教学模式弊端和明确网络教学模式的设计原则的基础上,制定基于认知学徒制的"四阶段"网络教学模式,以达到提高高职学生学习质量的目的,从而为社会培养高技能、应用型人才打下坚实的基础。

改进的CSO算法应用于连续优化问题

针对连续优化问题,提出了一种改进的CSO算法。该算法思想借鉴了物学领域的"瀑布效应"原理,通过Fg(foodglo-bal)投射食物,吸引具有简单智慧和行为规则的蟑螂在解空内爬行,完成搜索。实验结果表明,改进的CSO算法寻优率高、收敛速度快,尤其是搜索到了LevyNo.5测试函数的"新解"。

新的仿生优化算法:食物车-蟑螂群优化算法

提出一种新的仿生优化算法——食物车-蟑螂群优化算法。该算法模拟蟑螂的觅食行为,通过食物车在解空间定义域内抛洒食物,吸引蟑螂向食物爬行,完成搜索。在求解过程中通过巢穴变迁、平等搜索和食物筛选等策略加强全局搜索和局部搜索能力,提高算法收敛速度。仿真实验结果表明,该算法寻优率高,收敛速度快。

连续域问题的CSO算法性能研究

介绍了基本蟑螂算法(CSO)的算法思想,并通过改进基本的CSO算法得到可应用于连续优化问题的CSO算法.分析了改进后算法的性能,实验证明:CSO算法在种群规模较小的情况下,可以快速收敛到一个高精度的解.

认知学徒制在高职网络教学环境中的应用研究

本文在深入分析现认知学徒制基本框架和明确网络教学环境设计原则的基础上,制定基于认知学徒制的网络教学环境设计过程,以促进和深化教学改革,达到提高高职学生学习质量的目的。