多区域大规模迭代计算框架应用研究

大数据环境下迭代计算是近年来的研究热点。文章基于大数据环境中的数据分散性、数据分区存储性、全集-局部数据分析的相对性等特点,提出基于Spark的多区域大规模的迭代计算框架,并给出多区域迭代计算框架和原生Spark框架的性能对比。该框架能够对广分布的大数据分区多级进行迭代分析,优化算法的执行过程,缩短算法的执行时间,可以很好地适用于中国联通多层级组织机构对通信数据分析的需求,对于迭代算法的运行框架优化具有积极的指导和实践意义。

迭代计算与金融大数据分析

大数据环境下迭代计算是近年来的研究热点,而迭代计算则是分析大数据的重要工具。文章综述迭代计算的现有研究,提出迭代计算在金融大数据领域的应用。阐述迭代计算模型和计算框架可以运用到实际应用领域,优化算法的执行过程,缩短算法的执行时间,对于大数据的应用具有积极的指导和实践意义。

一种基于元启发式策略的迭代自学习K-Means算法

类内误差平方和最小化的聚类准则求解是NP难问题,K-Means采用的迭代重定位方法本质上是一种局部搜索的爬山算法,因此聚类结果对初始代表点的选择非常敏感,只能保证局部最优。为此,引入元启发式策略,通过建立评估函数对K-Means初始代表点和目标函数之间的依赖关系进行近似,然后利用近似评估函数指导新的初始代表点的选择,构成一种迭代自学习框架下的K-Means算法。实验表明算法可以很好地克服K-Means对初始代表点的依赖性,获得较高质量的聚类结果。

改进的迭代卡尔曼滤波及其在全球导航星系统/惯导紧组合中的应用

为改善GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)紧组合中非线性滤波器的稳定性和精度,基于Backtracking线搜索(BLS)方法提出一种新型的迭代容积卡尔曼滤波方法(BLS-ICKF)。首先建立Sigma点滤波方法的迭代框架,采用阻尼Newton迭代改善状态初始误差较大时的滤波更新精度,同时,为提高组合系统状态预测过程的鲁棒性定义了一种简化的迭代更新结构。实验和仿真结果表明,BLS-ICKF牺牲较小的时间复杂度较CKF的航向角误差减少约59%。

社会治理共同体建设何以持续推进?——一个迭代“结构—过程”分析框架

社会治理共同体建设是国家治理现代化的重要内容。已有研究多从宏观结构与微观过程两个维度展开探讨,很少将结构与过程统一起来考察,忽视了社会治理共同体建设持续推进的问题。文章在“结构—过程”范式基础上构建迭代“结构—过程”分析框架,以此框架透视A县实践经验,探究社会治理共同体建设持续推进的机制。研究发现:社会治理共同体建设是一个不断在“破”中“立”的动态发展实践,遵循“一阶结构—突破过程—二阶结构—深化过程等”的迭代式持续推进逻辑。这种政治社会结构与主体行动过程之间的互促性迭代升级,蕴含着国家与社会动态适应的新型关系,构成治理共同体建设不断走向深入的密码。文章拓展了“结构—过程”范式在时空维度上的运用,初步解开了治理共同体建设何以持续推进的密码,可为深化社会治理共同体实践探索提供理论依据和经验借鉴。

融合词、句层级信息的抽取式摘要优化框架

提出一个混合的抽取式摘要优化框架,在优化单词层级信息的同时,将句子层级信息作为优化约束。在约束条件下,该优化框架迭代地进行摘要文本中单元的替换,得到不断逼近目标函数的最优解。与传统方法对比,该框架在DUC数据集上获得ROUGE评测的高分,证明了该框架的有效性。

有限维Hilbert空间中一类框架与紧框架的构造

通过推广调和框架,引入一般准调和框架与正规迭代式框架.每个正规迭代式框架均可通过一个正规的矩阵和一个初始向量生成;然后,根据正规迭代式框架的性质,得到正规迭代式框架以及紧的正规迭代式框架的构造方式.

面向互联网资源的医学命名实体识别研究

医学信息提取的第一步在于命名实体识别,然而公开医学语料的缺乏使得这项工作困难重重。已有的研究大都建立在少量人工标注的文本之上,不具备很好的推广性。互联网作为大量数据的聚集地,可以从中进行医学知识的提取。针对互联网资源规模大,结构化程度低,缺乏标注等特点,提出了一种迭代式框架来对其加以利用。使用融合通用模型和领域词典的方法对文本进行标注,缓解了领域不同带来的精度降低问题。使用在线方法来构建模型,避免了迭代中对模型进行整体重构。在命名实体识别模型中融入了词法特征、词缀特征、词长特征等,提高了模型的识别能力。提出了一种启发式的模型压缩方法,增强模型的可用性。实验结果表明,所提出的策略是有效的。

基于主动学习先验的半监督K-means聚类算法

基于迭代框架的主动半监督聚类框架(IASSCF)是一个流行的半监督聚类框架。该框架存在两个问题:其一,初始先验信息较少导致迭代初期聚类效果不佳,进而影响后续聚类结果;其二,每次迭代只选择信息量最大的一个样本标记,导致运行速度慢、性能提升慢。针对这两个问题,设计了一种基于主动学习先验的半监督K-means聚类算法。该方法包含初始化阶段和迭代阶段。初始化阶段主动选择代表性较高的节点集合,并基于代表节点集合构建各类的先验节点集合和约束先验集合。迭代阶段,每次迭代包含三步:1)基于当前约束先验集合,利用约束半监督聚类算法PCK-means对数据进行聚类;2)依据当前聚类结果,主动选择每个簇中最具价值信息的未标注样本点;3)利用选择样本点扩充先验节点集合及约束集合。迭代此过程至达到收敛阈值。实验结果表明,与基于原IASSCF框架的半监督K-means聚类算法相比,所提算法运行速度更快,性能更优。

一种基于改进的暗通道先验的运动模糊核估计方法

传统的暗通道先验已成功地运用于单一图像去模糊问题,但是,当模糊图像具有显著噪声时,暗通道先验无法对模糊核估计起到作用.因此,得益于分数阶计算能够有效地抑制信号的噪声并对信号的低频部分进行增强,将分数阶计算理论与模糊图像的暗通道先验相结合,提出一种基于改进的暗通道先验的运动模糊核估计方法.首先,结合最大后验估计算法与分数阶暗通道先验,构建出运动模糊图像的核估计模型;其次,利用半二次方分裂法解决模型的非凸问题;最后,根据粗糙-精细的策略,利用多尺度迭代框架估计出准确图像的模糊核,进而利用非盲去模糊的方法求解清晰图像.实验结果表明:在有无显著噪声的模糊图像中,所提出的算法虽然所需计算时间较长,但是能够获得较为准确的模糊核,并且能够减少图像噪声以及振铃伪影,提高清晰图像估计的质量;此外,对于不同类型的模糊图像,所提出的算法也同样适用.