基于密度聚类的支持向量机分类算法

为了解决支持向量机的分类仅应用于较小样本集的问题,提出了一种密度聚类与支持向量机相结合的分类算法.在密度聚类中,当一个样本点不存在拟密度可达的样本点,则其显著特征即表现为该簇的边缘点,将该点加入约简集合,直至选出样本集合中的所有边缘对象,然后再利用约简集合寻找支持向量.实验表明,采用该算法,分类的准确率可从基于无监督聚类的支持向量机算法的86.81%提升至95.43%,核函数计算量由原数量级109下降到106以下,采取限制密度聚类中的核心点ε-邻域内的反例百分比的方法,可以增加约简样本的个数,可将分类准确率提高5%~8%左右.     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

Web集群服务器中基于多类限定延迟的区分服务机制

针对Web集群服务器中的区分服务机制存在资源利用率不足的问题，提出了一种基于多类限定延迟的区分服务（MCDDS）机制．该机制使得低优先类的用户请求可以占用高优先类的用户请求未使用的资源来提高资源利用率．通过结合优先级调度策略和排队论，建立了各优先类的用户请求实时检测参数与限定延迟间的数学公式，以实现动态的接纳控制和分发策略，达到控制各优先类的用户请求延迟的目的．对MCDDS与现有的机制进行了模拟实验，结果表明，在高负载下系统的资源利用率提高了61％，且MCDDS机制能控制各优先类的用户请求延迟在限定的延迟范围之内．