一种面向非规则数据的阶段预取策略

传统数据预取技术在处理结构复杂的非规则数据应用程序时,其有效性明显下降.为解决该问题,基于程序运行时的数据访问阶段性特征,提出一种面向非规则数据的阶段预取策略,研究应用程序的访存规律和预取调度机制.该策略通过在线剖析应用程序的访存行为,识别出数据访问性能指标表现稳定的数据访问阶段和具有特定访存行为特征的预取阶段,实现在数据访问阶段内依据预取阶段的访存规律动态调整预取操作.实验结果表明,与传统的基于访存流模型的数据预取技术相比较,阶段预取策略能够减少无用预取,更加有效地改善非规则数据应用程序性能.     

关联规则挖掘算法的优化

Apriori算法是关联规则挖掘的经典算法,该算法在处理规模巨大的候选项目集时存在耗时长和效率低的问题,提出了采用分割法对数据进行分片的优化算法.实验证明该算法不仅能减少数据挖掘对系统资源的占用,而且解决了数据库中数据分割下局部频繁项目序列集产生和全局频繁项目序列集的转换问题.     

风险价值VaR及实证研究

随着经济一体化的深入,风险管理受到各个国家和地区越来越多的重视。本文主要讨论了风险管理中的市场风险度量的方法,具体介绍了基于投资组合的收益(或损失)函数的分布函数提出的风险值(VaR)和期望损失(ES)这两种度量方法,它们是目前使用得最广的市场风险度量方法。文中比较了这两种方法的优缺点,给出了各种不同计算VaR和ES的方法,同时也对各种方法进行了对比讨论,给出了一个基于中国上证沪深指数在1999—2013年的日收益率序列的一个实证研究。     

利用生产动态数据识别储层非均质性

目前我国大部分油田经历了数十年的生产,现已进入高含水开发阶段,部分地区储层非均质性明显,导致油田的开发投资、成本增加,经济、社会效益大大降低。通过对储层非均质性与油田生产动态数据之间的相关性进行研究,利用数据相关性原理提出一套全新的判别砂岩油藏储层非均质性的思路方法;运用丼间相关性模型通过动态生产数据快速、准确的判别储层非均质特性。将该方法应用于油田现场,预测结果与实际结果相同,证明了方法的准确有效。与传统识别储层非均质性的方法相比,无需测试额外数据、方便快捷、简单有效,可以节约大量的研究费用与时间,具有较好的现场应用价值。     

次声台站环境背景噪声源特性分析

气象要素是影响次声台站背景噪声建模的重要因素,为确定各气象要素对模型的具体影响,探明次声台站环境背景噪声的产生根源,采用研究均方根值、功率谱密度对比分析的方法对国际次声台站I34的次声数据和气象数据进行了处理和分析,分析了各气象要素产生台站环境背景噪声的原因。结果表明:风速、风向、温度和压强为影响次声台站环境背景噪声的主要因素,其中风速对背景噪声的影响程度最大。分析结果可为次声台站背景噪声建模提供理论依据。     

求解最小体积闭包椭球问题的积极集算法

先建立求解最小体积闭包椭球(MVEE)问题秩-2更新算法的线性收敛性,然后给出一种简单的积极集策略,每次迭代计算距离当前椭球最远的N个点.结合该策略到秩-2更新算法中,得到一个求解MVEE问题的积极集算法.数值结果表明,积极集算法能有效求解高精度的大规模数据计算问题.     

数据中心多目标虚拟机管理研究

通过建立起资源使用、服务器热点与电源能耗三者的统一优化模型,设计多目标虚拟机动态管理系统,协同优化资源使用、服务器热点和电源能耗,以使得数据中心的效益达到最优.鉴于数据中心负载流量的动态波动性,采用基于滑动窗口的两级状态检测策略来决策迁移虚拟机时刻,基于多目标统一优化模型设计相应算法来解决迁移虚拟机和目的主机的选择问题.最后在Xen虚拟机平台上测试该系统,实验结果表明:本文设计的虚拟机动态管理方法能够较好地协同优化数据中心的资源使用、服务器热点和电源能耗,使得数据中心的效益达到最优.     

基于高斯受限玻尔兹曼机的非线性过程故障检测

针对非线性工业过程,提出了一种基于高斯受限玻尔兹曼机(GRBM)模型的故障检测方法.该方法从海量过程数据中提取出GRBM隐层特征信息,通过隐层特征再构建出重构数据,并依据重构误差在残差空间中构建检测统计量,形成了非线性过程故障检测算法.仿真结果表明,基于GRBM的故障检测方法不仅比传统的核主元分析(KPCA)方法具有更好的故障检出率,并且针对大数据量问题具有更强的处理能力.     

基于曲波变换的地震数据压缩感知重构算法

为提高地震数据压缩感知重构的信噪比和保真度, 提出一种基于曲波变换的地震数据压缩感知重构算法。建立了地震数据压缩感知重构模型, 分析了基于曲波变换稀疏表示的地震数据各尺度之间能量与熵的分布特性, 结合分块压缩感知技术降低随机观测的计算复杂度, 利用曲波变换稀疏表示高频区域各尺度之间的相关性, 设计了随信息熵变化的自适应双变量收缩阈值迭代重构的方法。实验结果表明, 在相同的采样率下,该算法重构的地震数据峰值信噪比提高了1. 5 dB 以上, 并且具有良好的细节信息保持能力。     

基于划分和压缩数据库的改进Apriori算法

针对Apriori算法在面对大规模数据时效率较低的问题,提出了一种基于划分和压缩数据库的改进方法。该方法首先依据特征数据出现的频率将数据按照升序存储在临时数组中;然后将原始事务数据库分为几个互不相交的事务数据库,使得子数据库能够容纳在内存中;最后根据每个子数据库计算出的频繁项集计算整个数据库的频繁项集,从而消除了不必要的冗余数据。通过改进可以将大规模数据集进行有效的划分和压缩,对子数据库进行关联规则挖掘。实验结果表明,改进的Apriori算法在针对海量数据挖掘的执行速度和效率都有很大提高。