基于Qos的工作流模型Web服务组合全局优化方法

分析了工作流模型Web服务组合方案缺乏动态选择高质量服务的灵活性,并且随着应用规模增大导致服务调度性能降低,提出了一种服务质量计算模型和拓扑排序优化方案。增强了Web服务的服务质量,优化了服务调度的功能,缩短了服务组合应用的响应时间。     

一组编制模式下组合Web服务模型的约简规则与算法

为了解决Web服务组合过程中状态空间庞大而导致性能求解的效率难以满足实时性要求的问题,提出了一种过程约简算法.在利用广义随机Petri网进行过程建模后,保留系统时间性能特征,通过对可约简子网的自动探察,剔除部分规则结构(序列、选择、并行、循环),孤立出可单独求解的子结构,由此在比较满意的时间内完成大规模模型约简.多种模型规模下的实验性能表明,所提算法可在动态服务组合与组合过程中自适应、快速地获得系统响应时间和吞吐量等性能指标,适用于多数服务组合过程的在线响应时间分析.     

一种基于神经网络的微服务模型

随着云计算技术的不断进步与服务的迅速增长,微服务技术愈发地得到关注。在此背景下,针对现代化Web应用,通过研究微服务技术和神经网络模型,提出了一种新的基于神经网络的微服务模型。模型将微服务定义为神经元,且将微服务具体化,把一次数据请求看作一个微服务,微服务既作为输入单元也作为处理单元。微服务数据经过数据预处理后,作为神经网络的输入数据,通过链锁式神经网络模型计算得到微服务的执行结果。针对基于神经网络的微服务模型和传统的Web应用开发模型进行对比测试,采用两种模型开发相同功能的Web应用,分别在PC端和手机端进行测试,从数据响应时间进行对比分析。实验结果表明,模型通过将微服务处理过程神经网络化,使得Web应用开发过程变得更加灵活。     

支持数据流分发的组合服务协调框架

针对集中式Web服务组合的性能缺陷以及完全分布式Web服务组合中组件服务重用性差等问题,提出一种基于集中控制流分散数据流模式的Web服务组合协调框架. 描述了框架中运行的协调协议的形式化定义、模型和语法结构. 采用数据流分析方法优化组合服务.提出从BPEL到协调协议的转换算法. 实验结果表明,采用此协调框架的组合服务不仅保持了组件服务的可重用性,而且在响应时间和事务处理能力等方面性能有显著提高.     

移动自组织网络中服务组合方法

为了提高移动自组网中服务组合的成功率,基于新型节点模型和服务可并行执行的概念,提出了一种服务需求分段的服务组合方法.该方法将总的服务组合需求分成多段,每段分别在一组节点中执行,多个节点组协同共同完成服务组合.实验结果表明:所提出的方法和模型能减少服务组合执行的时间并提高服务组合的成功率.     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

移动云计算嵌套式两阶段博弈计算卸载算法

移动云计算中,移动设备需要决定哪些应用部分卸载至云端处理,即计算卸载决策问题。针对这一问题,提出了一种嵌套式两阶段博弈算法。第一阶段中,移动设备决策其服务请求至云端处理的部分;第二阶段中,云端系统根据所有移动设备的服务请求到达率决策服务请求处理的资源分配。移动设备的目标是最小化功耗和服务请求响应时间,而云端系统的目标是最大化收益。基于向后归纳原则,利用凸优化方法求解了嵌套式两阶段博弈过程中移动设备和云端系统的最优策略,并证明算法可以产生唯一Nash均衡解。实验结果表明,比较基准算法,嵌套式两阶段博弈算法可以使移动设备同步降低平均功耗和平均服务请求响应时间分别约21. 8%和31. 9%。     

基于ARIMA与神经网络的备件需求组合预测方法

针对备件需求量波动大预测精度不高的问题,提出一种基于差分自回归移动平均(ARIMA)、BP神经网络、串联的卷积与长短期记忆神经网络(CNN-LSTM)组合模型的备件需求预测方法。该方法能够充分发挥ARIMA模型出色的线性拟合能力和神经网络突出的非线性拟合能力,克服了单一方法的局限性,并通过实例分析,验证了该组合预测模型的预测精确度高于单一预测模型。     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

装载机线控转向控制算法研究

采用神经网络PID控制算法对装载机线控转向系统进行控制,在MATLAB/SIMULINK环境支持下,建立了装载机线控转向系统仿真模型,并通过仿真对比了系统在无校正、常规PID控制与神经网络PID控制的性能,仿真结果显示神经网络PID控制响应时间较快,抗干扰能力强。     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

一种基于组合模型的时间序列数据挖掘系统

提出了一种新的时间序列数据挖掘方法———基于BP(Back Propagation)神经网络和回归分析的组合时间序列数据挖掘模型.重点讨论了神经网络———回归———线性神经网络组合模型的建立过程,强调了通用性,并应用于浙江省可持续发展预测,取得了满意的结果.该组合模型采用神经网络技术来确定权重系数,提高了对复杂非线性系统的拟合能力,为时间序列数据挖掘提供了一种新的实用方法.     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于移动Agent的分布式网络管理研究

为了弥补基于SNMP(Simple Network Management Protocol)的网络管理系统的不足,将移动Agent与SNMP相结合,提出了一种基于移动Agent的分布式网络管理模型.通过理论分析和试验测试得出结论,该模型无论从数据流量,还是响应时间方面都比传统的SNMP模型优越.     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

基于组合神经网络的教师评价模型研究

本文提出的基于组合神经网络的教师评价模型,可以弥补以往基于神经网络的教师评价模型的不足,不但可以给出教师的综合得分或所属类别,还可以给出教师在每个方面的得分.所使用的组合神经网络,由多个结构相同的BP神经网络组成;用构建的组合神经网络和传统BP神经网络分别进行实验.仿真实验表明,该模型相对误差较小,可以满足评价需求.     

一种支持流程自适应的替换方法

Web服务组合通过服务之间的协同来实现业务流程的运转,但Internet环境的动态性,服务难免变得不可用.为了保证流程在不中断的前提下继续运行,需要寻找新的服务或路径来替换失效服务.本文将替换过程分为服务替换和路径替换2种方式,并详细介绍了这2种替换方式的实现方法.服务替换响应时间快;路径替换只要组合服务中存在可行解就能找到替换路径,提高了自适应处理的成功率.     

基于奇异谱分解的猪肉价格组合预测

通过奇异谱分析方法分解猪肉价格,采用ARIMA模型、SVM模型和BP神经网络模型对分解后的猪肉价格进行组合预测;同时选择ARIMA,SVM和BP神经网络作为基准模型,把组合模型预测的结果与所选的基准模型预测结果进行对比,得到了组合模型预测结果总体上优于基准模型预测结果的结论。通过DM检验,进一步验证了结果的可靠性。预测结果表明,SSA组合模型的预测能力平均比ARIMA、SVM和BP神经网络3种基准模型的预测能力分别高出7.97%、72.79%、67.64%     

基于灰色系统和神经网络的高校科技活动投入数据预测组合模型研究

分别使用灰色系统预测模型、神经网络预测模型和灰色系统-神经网络组合模型对高校科技活动投入数据进行预测.结果显示:与其他两个预测模型相比,灰色系统-神经网络组合模型预测效果明显较好,相对误差明显得到改善.使用灰色系统-神经网络组合模型对2015年和2016年高校科技活动投入进行预测.