基于特征子空间邻域的局部保持流形学习算法

局部保持流形学习算法通过保持局部邻域特性来挖掘隐藏在高维数据中的内在流形结构。然而,对于缺乏足够训练样本的高维数据集,或者高维数据集存在非线性结构和高维数据特征中存在冗余、干扰特征,使得在原特征空间中利用欧式距离定义的邻域关系并不能真实反映数据的内在流形结构,从而影响算法的性能。提出利用正约束寻找特征子空间的方法,使得在此子空间中更多的同类样本紧聚,并进一步在该子空间中构建邻域关系来挖掘高维数据的内在流形,形成基于特征子空间邻域特性的局部保持流形学习算法(NFS-LPP和NFS-NPE)。它们在一定程度上克服了高维小样本数据集难以正确挖掘内在流形结构的问题,在Yale和ORL人脸库上的分类和聚类实验验证了其有效性。

基于OPNET的交换结构信源建模及仿真分析

针对交换结构所使用的信源模型,不仅要考虑网络业务流自身特性,还要考虑输出端口的业务均衡问题,提出一种可用于交换结构性能分析与设计验证的信源模型,该模型能够产生具有自相似特性的网络业务流,并且能够正确模拟到达交换结构输入端口处的均衡和非均衡分布的网络业务流,同时通过在OPNET仿真平台上的测试,证明了上述结论。该模型对于高速交换机中交换结构的设计具有重要意义。

主动队列管理算法性能分析通用仿真模型

主动队列管理算法提供因特网中网络拥塞规避和控制机制,是因特网中分组转发设备的重要功能模块。文章提出在网络仿真工具OPNET Modeler下搭建一种通用的网络仿真模型,通过该模型来对不同的主动队列管理算法进行性能评估和分析。通过对RED和LQD算法的仿真,表明了该模型的有效性和通用性。文章也给出了在该模型下实现新的队列管理算法的步骤。该模型为评估不同的主动队列管理算法提供了重要的平台,有助于下一代因特网路由器中缓存队列管理模块的设计。