GBS算法在一类特殊自由曲面造型中的应用

提出了用电火花加工创成整体涡轮的流道曲面电极加工面造型的问题,首次将外推法中的GBS算法应用于电极曲面的造型过程中,设计得到了无干涉电火花精加工电极加工面,用算例证明了所提出算法的可行性及有效性。

GBS外推法在电火花加工中的应用研究

首先提出了用电火花创成加工整体涡轮的流道曲面中电极加工面造型的问题 ,接着引入外推法中的GBS算法 ,解决了电极曲面的造型问题 ,设计了无干涉电火花精加工电极加工面 。

Dynamo架构中全局状态表维护算法研究

针对现有Dynamo式云存储架构中,节点间全局状态表一致性维护算法收敛时间长、通信代价高的问题,文中提出了一种基于种子节点的Gossip(Gossip Based on Seed nodes,GBS)算法。该算法采用分层思想,将节点分为种子节点层和普通节点层,通过分层,缩小了Gossip传播随机域,减少收敛时间;通过普通节点定期向随机的种子节点报告策略,解决了Gossip传播后期由于随机带来的大量重复交互问题。通过仿真实验,证明了GBS算法在降低收敛时间的同时,有效地降低了通信开销,提高了维护效率,具有很高的稳定性和可靠性。

基于改进CART算法的M-learning过程中知识掌握程度预测

传统CART运算对连续属性处理效率比较低,为此花费较长的运算时间,此外传统CART运算对小量样本数据建立模型不稳定,预测精度不高.为了使用CART运算能高效准确预测M-learning过程中对知识点的掌握程度,本文对CART运算进行改进,首先利用Fayyad边界提高对连续属性最优阀值所用的计算效率,减少分割点个数,减少运算时间.其次对小量样本数据进行基于GB算法的CART建模,多次迭代弱预测器成为较强的预测器,使得小样本数据模型建立更加稳定,提高预测精度.最后实验表明,改进的CART算法对M-learning过程中对知识点的掌握程度的预测,对连续属性处理的速度更快,预测正确率更高,能够提供给学生和教师强有力的决策支持.

基于Gradient Boosting算法的ERMS辐射数据预测

影响核辐射监测站点辐射监测HPIC剂量率实时数据准确性的组成因素多且复杂,如自然因素的降雨、温湿度、风向及太阳辐射等,客观因素的设备异常及放射性状况等;以致在实际应用中发现辐射监测状态异常时,很难分析出是什么原因导致的监测数据偏离.结合ERMS海量历史辐射序列监测数据,深入挖掘降雨、温湿度、气压、风向、太阳辐射天顶方向电子量及周边各站点辐射数值等特征因子集,基于Gradient Boosting算法(简称GB算法)建立起HPIC剂量率辐射数据的在线预测模型,有效融合自然特征因子,降低了自然因子对HPIC剂量率辐射监测数值异常的分析及判读的干扰作用,提高了对ERMS辐射异常发现的辅助判断能力及维保效率.

改进格鲁布纳基法

针对布切伯格等算法中存在的不足之处 ,采用取最高项进行约简、对多项式组彻底约简和根据秩的大小选取基组等措施对这些算法进行改进 ,从而形成本文的改进格鲁布纳基法。与现有算法相比 ,本文提出的方法以较少的计算工作量得到与原多项式组 (PS)等价的格鲁布纳基 (GS)或便于求解的三角型组 (TS)。