低内存占用采摘作业机器人设计——基于分类器和top-k优化算法

为了提高采摘作业机器人的智能识别和自主作业能力,对路径规划大数据背景下的监测数据进行实时处理,并降低计算和通信过程中占用的内存,提出了一种基于K邻近和top-k的数据分类及低内存占用优化算法。利用该算法可以将机器人路径规划的各个节点数据进行筛选,依据K邻近算法对路径进行优选,调整实时监控数据的分类结果和数据处理流程,从而使数据更新可以不依赖于网络通信,只将少部分数据进行通信传输,有效减轻了通信负担。以机器人的采摘作业为实验对象,对优化算法进行了实验验证,结果表明:采摘机器人采用实时监测数据分类器可以对大量的数据进行有效地筛选,从而降低了通信负担,提高了内存的利用率和采摘作业的效率。

基于Top-k查询算法改进的储存与NSDL调度算法研究

针对Top-k查询算法的缺陷,提出一种基于磁盘存储的NSDL调度算法,并将NSDL算法扩展为近似的Top-k查询算法——ANSDL。对NSDL算法和传统DG算法进行I/O开销比较实验,从实验结果来看,NSDL算法具有更高的查询效率和查询精度,而ANSDL算法则在一定的条件下进一步提高NSDL算法的查询效率。

基于Top-k查询算法的图书自整合信息快速检索方法

针对传统自整合信息检索方法在对图书自整合信息进行检索时,存在检索结果不准确和效率低的问题,提出一种基于Top-k查询算法的图书自整合信息快速检索方法.首先利用Top-k查询算法对去噪后的自整合信息进行匹配,然后建立自整合信息快速检索模型,根据词意的重要性对图书自整合信息进行快速检索.仿真实验结果表明,该方法检索性能较好,缩短了整体运行所需时间,提升了检索效率,且检索结果更准确.

无线传感器网络中能量高效的Top-k监测算法

传感器节点由于电源能量耗尽的原因经常失效或废弃,因此研究无线传感网的高能效查询处理算法具有重要意义.Top-k监测返回k个最大(或最小)的感知值及相应的位置信息,可以帮助用户检测异常事件并定位发生异常事件的位置,对于用户具有重要的实际意义.已有的Top-k查询处理算法致力于返回精确或近似的查询结果,通信能量开销较高.以最小化网内通信开销的期望为优化目标,提出了基于过滤器的Top-k监测算法.首先,提出了过滤器的健壮性并给出了通信开销模型;其次,根据期望的均值内涵和感知数据的时空相关性,给出了过滤器失败概率的计算公式;最后,以最小化通信开销的期望为优化目标,证明了健壮的过滤器的最优阈值,并提出了基于过滤器的Top-k监测算法(filter based Top-k monitoring algorithm,FTM).理论分析和实验结果验证了该算法的正确性以及低能耗性.

基于Top-k(σ)的无线传感器网络异常数据检测算法

异常数据检测在基于无线传感器网络的环境监测系统中起着十分重要的作用,不仅有助于对传感器网络健康状况的监测,而且能够及时发现外部环境发生的突发事件(如森林火灾、环境污染等).通过对top-k算法的改进,提出了一种基于top-k(σ)的无线传感器网络异常数据检测算法.不同于top-k算法,该算法根据传感器节点采集到的数据分布规律,构造合适的数据网格,将多维数据归一化处理后置入相应的网络单元.然后通过增设距离阈值σ来重构PC列表(populated-cells list).除了对每个单元格及其邻域内的数据点个数分别进行排序,还计算不同数据子集之间的欧氏距离,并与阈值σ的比较,确认数据子集与正常值集合的偏离程度,从而提高检测结果的准确性.通过MATLAB仿真实验发现,距离阈值σ的选取对算法效果具有较大的影响,当σ∈[2.5,3]时,top-k(σ)算法在维持较高检测率的同时,最大程度地降低误报率.当取σ=3时,对于给定的5个数据集,top-k(σ)算法的检测率平均达到了93.70%,比top-k算法平均提高了4.94%,误报率则比top-k算法平均降低了4.48%.

基于Top-k查询算法的图书馆电子资源分类搜索方法

为在严格遵循分类查询规则的基础上,快速得到待查找的图书馆电子信息参量,提出基于Top-k查询算法的图书馆电子资源分类搜索方法。以分类模板作为底层查询模式,通过分析数据查询确定性的方式,得到准确的电子资源排名函数,实现基于Top-k查询算法的电子资源特性分析。在此基础上,连接搜索服务器,借助信息索引模型,实现对分类节点的兴趣化代理处理,完成基于Top-k查询算法的图书馆电子资源分类搜索方法的顺利应用。对比实验结果表明,与传统CID引擎索引器相比,应用新型分类搜索方法后,电子信息参量的查询等待时间缩短至0.48 ms,而分类精准度却提升至90%,能够在满足Top-k查询规则的同时,实现对图书馆电子信息参量的快速查找。

分布式网络中的一种高效top-k求解方法研究

提出了一种新的算法,来解决在分布式的环境中top-k求解问题(求出全局数值最大的前k名)。之前的研究,例如TA、TPUT、HT算法,都会消耗大量的带宽。KLEE算法虽然能够大大地减少带宽的消耗,却不能给出精确解。而提出的算法FT由于添加了一个预处理阶段并且使用了histogram bloom技术,即能有效地减少带宽的消耗,又能给出精确解。实现了FT和相关的算法,并进行了全面的比较。比较是建立在真实的数据集和根据不同情况合成的数据集的基础上的。实验结果显示FT在带宽消耗上面,相对于其他算法有很大的改进和优势。

基于改进蚁群算法的应急救援路线选择

应急救援路线的选择关系到应急救援的成败,合理有效地选择应急救援路线对挽救生命和财产具有重要意义,其属于组合优化问题。针对蚁群算法求解速度慢、算法稳定性差、易出现早熟或停滞等缺陷和应急救援路线选择的特点,主要研究了改进蚁群算法在应急救援路线选择中的应用并根据实际应用提出了应急救援路线选择的蚁群算法的数学模型,为城市应急救援路线选择提供了有效的解决方案。通过实验证明该模型可以应用到解决应急救援路线选择问题方面,具有快速、高效的特点。

空间资源索引与top-k查询研究

以空间资源索引结构R-tree为基础,考虑人们对空间资源能力指标的要求,利用道路网络模型进行空间距离的计算,提出了一种包含能力维度信息的空间资源索引结构和top-k查询算法,并与传统遍历算法进行对比实验,验证了查询算法的有效性。

基于信息增益的高维数据的异常检测算法

针对加权信息熵异常检测算法在高维数据检测中存在精度无法保证的问题。本文针对高维数据提出了一种基于信息增益的异常检测算法。首先运用信息增益方法结合Top-k算法选取待检测数据集前M个属性用于降维;其次,选取两点直径距离尽量远的K个中心点的K-means算法进行聚类降低迭代次数,最后得到一个高维数据的异常检测算法。实验结果表明,在数据维度删减的情况下,比加权信息熵算法的召回率与精确率分别提高53.65%和29.49%。能够有效的检测出高维数据中的异常点。

移动社会网络信息传播模型构建与top-k节点挖掘

在移动社会网络中挖掘出有影响力的top-k节点,对于移动运营商作出新产品或服务战略营销决策至关重要。针对移动社会网络的特点,提出一种充分考虑移动社会网络特点的信息传播模型以及基于该模型的top-k节点挖掘算法。实验证明,该方法能准确高效地定位移动社会网络中的活跃节点,这对于移动运营商作出营销决策起着至关重要的作用。

微博个性化标签图形化RTM模型Gibbs采样推荐

为提高个性化标签推荐方法性能,提出基于Gibbs采样推理的微博个性化标签隐含关系主题模型(Relation Topic Model,RTM)推荐算法.首先,利用图形化形式对微博中的潜在局部信息进行表达,对用户主题分布为代表的用户进行top-k相似用户发现,然后计算出现在这些用户中的所有标签的频率,并推荐与用户最相关的标签.其次,为挖掘潜在主题信息,利用带惩罚项的增强型余弦相似度RTM模型对微博标签进行命名,大大提高联合建模对潜在主题生成标签的影响,并可发现全局标签和主题之间的关系;最后,通过真实的实验结果显示,所提推荐方法要优于选取的TF-IDF、RTMSA等几种经典标签推荐算法,验证了算法有效性.

数字图书馆联盟中概率数据集成系统上的top-k查询

联盟数字图书馆(DLF)可以为用户提供一次请求访问多个数字图书馆资源的途径。一个查询提交后,会产生若干带有概率的重写形式,采用top-k算法可以获得最近似的k个结果。在传统的top-k算法中,同时考虑依据偏好形成的得分函数与概率直接的关系,那么,在一个DLF中,最终用户就会获得结果中最符合其偏好且概率最高的结果。通过完善数字图书馆联盟DLF的概率的信息集成模型,在进行模式的自动映射时,会产生几种候选的模式对应关系,提交查询时,会按照各种映射形式形成多个查询的重写形式,采用树结构来阐述opt_U-kRanks查询时,如果定义tm为在排序位k时的概率,那么,通过条件的设定,可以快速评估tm是否是在位置上的适合的解,从而实现理想的查询效果。