基于Spark大数据计算模型的遗传算法深度前馈神经网络训练算法

新兴的Spark大数据并行计算模型为实现遗传算法深度前馈神经网络数据并行训练提供了一个可能的选择。但是,Spark模型有其特有的数据编码规则和转换规则,目前尚无成熟方法在该模型上实现GADFNN训练。为此,研究了Spark模型的数据编码和转换规则与GADFNN训练的内在关系,提出一个基于Spark模型的GADFNN训练算法——Spark-GADFNN。实验表明,提出的Spark-GADFNN训练算法在中、大规模数据集上,训练时间分别缩短为传统算法的18.18%和16.67%。

基于Spark大数据计算模型的多种群并行进化遗传算法

由于经典SPGA缺乏多种群并行进化能力,当问题规模较大时,计算效率偏低。为此,深入研究Spark大数据计算模型并行机制与多种群并行进化机制的潜在关系,将多种群并行进化机制引入经典SPGA,形成一种新的SPGA——MPE-SPGA;将提出的算法应用于TSP,选取EIL51、CH130和TSP225三种数据集,分别代表小型、中型和大型数据集。实验结果表明,提出的MPE-SPGA在小型数据集上计算时间比原算法减少3%,计算性能有小幅提升;在中型和大型数据集上,计算时间分别减少了22%和31%,性能提升显著。

一种基于交通大数据驱动的行车仿真软件实现方法

提出一种基于交通大数据驱动的行车仿真软件实现方法,该方法利用大数据计算模型Spark提取交通流状态信息驱动行车过程,利用交通模拟器SUMO仿真行车过程。提出的方法可以为基于交通大数据驱动的行车仿真软件实现提供良好借鉴。

基于Flask数据可视化的网页端显示方法研究

随着人类基因组计划的完成和蛋白组学的迅猛发展,计算机药物辅助设计成了生物制药技术的重要环节。深度学习可用于探索药物-靶标的相互作用,可视化技术可有效进行数据可视化和数据分析。针对网页端不便于进行复杂计算和绘制复杂图形的问题,文章使用Flask框架将深度学习和各种可视化显示等复杂工作都交由Python执行,网页端只进行最简单的输入输出设计,极大地降低了网页数据可视化的编程难度,无需复杂的JavaScript技术即可在网页端展示各种可视化结果。

基于Spark模型的路段行车时间计算方法

近年来,高清摄像头广泛应用于城市交通系统,产生了大量交通卡口过车数据集。该数据集为路段行车时间计算提供了一个良好的数据源。但是,由于该数据集规模较大,现有算法通常采用MapReduce大数据并行模型进行计算以提高效率。然而,现有基于MapReduce模型的路段行车时间计算方法采用两作业迭代完成,两作业之间存在涉及大规模磁盘数据存储,额外消耗了时间,导致性能下降。为此,文章提出一种基于Spark大数据模型的路段行车时间Spark-CoRLTT计算方法,该方法通过1次作业完成计算,避免了额外磁盘数据存储,节约了计算时间。实验证明,文章提出的算法在数据规模较大的情况下,计算性能显著提升。

一种无线网络空间深度覆盖规划方法

为解决无线网络空间深度覆盖问题,提高空间深度覆盖效果,提出了一种新的无线网络空间深度覆盖规划方法。利用基于K-means聚类算法挖掘无线网络空间深度覆盖规划特征,依据该特征构建递阶层次结构模型,评估无线网络空间深度覆盖性,判定影响覆盖性的全部因素,构建无线网络空间深度覆盖规划模型,运用文化蚁群算法对该模型进行优化求解。实验结果表明,该方法可获取无线网络空间节点最大覆盖率,节点覆盖率极大限度逼近理想覆盖率,且深度覆盖规划所需时间较短。

基于矩阵的双论域模糊概率粗糙集增量更新算法

双论域模糊概率粗糙集是针对双论域信息系统的一种新的数据挖掘模型,现实应用中的双论域信息系统总是处于动态更新中,针对该问题提出一种基于矩阵的双论域模糊概率粗糙集增量式更新方法.首先,通过矩阵方法重新对双论域模糊概率粗糙集进行表示;然后,在矩阵表示模型的基础上,分别研究双论域信息系统两个论域中对象增加和减少时模型的增量式更新机制;最后,基于该增量式更新提出相应的增量式更新算法.实验分析表明:相比较于非增量式更新算法,所提出的增量式更新算法可以在很短的时间内完成模型的动态更新,从而验证算法的有效性;同时,与其他相关算法相比,所提出算法具有一定的优越性.

利用双流卷积神经网络的人脸表情识别方法

近年来,人脸表情识别(FER)方法已经取得比较好的识别准确度,但实际环境中由于姿态、遮挡、光照等因素,会对其检测准确度有不小的减弱效果。针对这些问题,提出了一种新的基于双流卷积神经网络(CNN)的FER算法。从外观和几何特征差异两方面入手,建立双流CNN,基于外观特征的网络是提取预处理后图像的局部方向模式(LDP)特征作为该网络的输入,而基于几何特征的网络主要是基于动作单元(AUs)标志点的坐标变化,AUs标志点主要是标志面部做表情时运动肌肉的位置。此外,利用了一种自动编码器技术生成具有中性情绪的面部图像的技术。算法在CK+和JAFFE数据集上进行了验证,检测准确度分别为98.81%和96.05%,与其他最新方法比较均显示出更好的效果。