基于OpenMP多线程动态负载均衡技术研究

本文指出了并行编程模型在多核处理器时代的重要性,探讨了目前对OpenMP在性能分析、线程锁同步与竞争、模型扩展与改进等方面的研究.以OpenMP中的负载均衡为对象,提出了实现动态负载均衡的关键技术及方法,综合考虑处理器中核的数量、操作系统线程调度策略、系统当前和历史负载情况等因素.选用开发源代码的Linux作为操作系统,以及支持OpenMP的GCC-4.2.3作为编译器.通过分析和修改GCC中支持OpenMP功能的源代码实现动态负裁均衡.     

盲均衡和信道参数估计的一种ICA和进化计算方法

首先给出了一种盲均衡的新方法。该方法利用过程采样技术和一种新的独立分量分析神经网络,仅通过接收到的信号完成在线盲均衡,基于接收信号的四阶累积量和线性系统的特性,利用进化规划算法和均衡输出序列,估计信道参数。计算机仿真结果表明算法具有较好的性能。     

一种新型的光网资源动态配置模型

在综合考虑了光信号传输损伤和业务分级等因素对WDM网络光层实现资源动态配置影响的基础上, 提出了一种新型光网资源动态配置模型. 这种资源配置模型把光路连接请求优先级映射为不同的传输损伤阈值, 定义了统一的候选虚波长通道(VWP)评价方法. 针对动态业务流量、多优先级条件下波长路由光网中的RWA问题, 给出了改进的首选波长集算法(A-PWS)和启发式的动态最小代价路由及最佳虚波长通道算法(DMC-OVWP). 在收到光路连接请求时, 应用DMC-OVWP算得多条候选VWP, 然后结合传输损伤分析对候选VWP进行评价, 从中选出与该请求的优先级相匹配的VWP并建立光路.     

一种高动态范围体数据传递函数设计方法

提出一种高动态范围体数据传递函数设计方法。该方法运用高动态范围图像领域色调映射算法(TMO)的原理,基于数据集的全局直方图统计,实现高动态范围数据集的有效压缩,使得绘制图像呈现更多的数据细节实验结果表明,这种基于TMO的传递函数能够更好的显示体数据的内部细节。     

一种基于动态排序的最大频繁项集挖掘算法

集合枚举树是最大频繁项集挖据算法中常采用的数据结构。在此算法中,最大频繁项集的挖掘过程也可以看作对集合枚举树的搜索过程。为缩小对集合枚举树的搜索空间,本文提出了一种新颖而高效的剪枝方法:根据已挖掘得到的最大频繁模式动态排列枚举树节点的顺序,最大限度的施行剪枝,从而缩小搜索空间。该算法采用位图的数据格式与深度优先的搜索策略。实验结果表明,该算法能有效提高最大频繁项集的挖掘效率,在采用相同的测试数据情况下,效率优于FPMax。     

基于一种动态特征选择融合算法的蛋白质结构类预测

本文根据氨基酸理化性质,基于氨基酸组成成分与自相关函数相结合特征提取法从非同源蛋白质序列中提取七个特征集,采用局部正确性的动态特征选择算法进行多特征组合来预测蛋白质结构类,并与各个特征集进行了比较。结果表明,DFS_LA算法的预测总精度较各个特征集均有不同程度的提高。Jackknife检验下,DFS_LA算法的预测总精度为82．80％,比COMP特征集提高8．91％;独立测试检验下,DFS_LA算法的预测总精度为86．67％,比COMP特征集提高11．67％。这说明DFS_A算法可有效提高结构类预测精度,多特征组合能在一定程度上更多地反映蛋白质的空间结构信息。     

一种动态CMOS逻辑电路中互连线网的功耗估计方法

提出并证明了一种简便、快速的功耗估计方法: 通过加入异或门将动态CMOS逻辑电路中的耦合电容变为接地电容, 变换后的电路与原电路具有完全相同的功耗, 从而可以采用现有的门级功耗估计工具求得整个电路的功耗. 考察了在已知节点信号概率和节点信号间相关系数的条件下, 通过相关系数法得到互连线网功耗的方法. 可以证明, 两种方法是等价的, 即加入异或门可以隐含地保证信号的相关性, 并且去耦过程毫无精度损失. 最后, 通过加入更复杂的逻辑电路, 还可以将静态CMOS电路去耦, 从而可以利用传统的动态电路的节点概率方法求出静态电路的功耗.     

重负载下双星LAN的一种数学模型

双星LAN是多星LAN的一种重要拓扑结构．有关学者在研究多星LAN时提出了著名的：个质访问控制方式——竞争-冲突淘汰（contention—collision cancellation，C—CC）方式．为了对C—CC进行数学建模研究，已经发表的文献均将多星看作单星，即对C—CC访问控制方式的单星LAN进行了建模研究．这些研究进展促进了星形LAN的发展．研究了双星LAN，完成了重负载下双星LANC—CC访问方式的数学建模与解析，并进行了仿真实验．这一问题的解决为多星LAN的应用提供了坚实的理论依据．     

城市天际线对地动态观测:一种新型城市突发事件遥感监测方式探讨

城市突发事件响应急需高时效性的地理空间数据支持.传统遥感数据受时效性、精细度、获取性等方面约束,往往在面临此类事件时无法发挥关键作用.本文提出了一种基于城市天际线固定平台的动态对地遥感模式.该方法通过在超高层建筑(＞300m)上架设遥感传感器,经过遥感数据处理过程,获取实时动态的标准化遥感产品.这种遥感方式具备成本低、...     

DSOM: 一种基于NO时空动态扩散机理的新型自组织模型

研究了神经信号传输中, 内源性一氧化氮(NO)的四维动态扩散特性及其在长时程学习过程中的增强作用. 将NO扩散机理建模后与Kohonen自组织映射模型相结合, 在空间SOM基础上引入时间增强, 提出了新型的动态扩散型自组织映射模型, 计算了最优化权值的误差函数, 并分析比较了该模型与SOM中噪声干扰对训练的影响. 最后结合多项典型的一维和二维输入模式,给出自组织映射模型与扩散型自组织映射模型的仿真结果对比.     

面向云-端融合的移动互联网应用运行平台

与传统的互联网应用相比,移动互联网应用尽管也运行于Web技术栈之上,但移动设备的便携性和多样性,带来了客户端设备计算能力相对有限、数据存储随需而变、显示屏幕大小不一、本地应用与Web应用和服务难以交互等技术挑战．为此,本文设计实现了一种面向云一端融合的移动互联网应用运行平台．首先,提出一种符合移动互联网应用体系结构的构件模型,将客户端应用划分为数据、计算、界面和服务四个部分;其次,设计了一种实现云一端资源融合的构件运行框架,支持应用数据的按需存储、计算任务的云端迁移、以及用户界面的动态切分;再次,设计了一种实现云一端服务融合的组装框架,支持客户端本地应用和传统Web应用的服务封装、和基于总线的服务即时组装;最后,基于Chrome浏览器实现了平台原型,支持基于HTML5和JavaScript的移动互联网应用,通过多个Web应用基准测试集和热点应用的实验,验证了平台的有效性和可行性．     

一种基于同步动力学模型的层次聚类方法

本文基于建模同步动力学行为的Kuramoto模型提出了一种新的有效层次聚类方法.本文提出的方法基于局部邻域的概念,能够实现稳定的局部同步聚类.通过不断扩大对象同步的邻域半径,所提出的方法能够实现层次化的同步聚类.此外,提出对象邻域闭包的概念,在对象间到达完全同步之前就能预测出聚类的形成,从而减少对象动态交互的时间.本文的方法不依赖于任何数据分布假设,无需任何手工参数设置,可以检测出任意数量、形状和大小的聚类.由于同步过程能够有效地规避离群点,该方法有较强的噪声数据抑制能力.在大量真实数据集和人工合成数据集上的实验结果表明本文的方法聚类准确率高,且运行时间较同类基准算法显著缩短.     

A multi-country dynamic factor model with stochastic volatility for euro area business cycle analysis

This paper develops a dynamic factor model that uses euro area country-specific information on output and inflation to estimate an area-wide measure of the output gap. Our model assumes that output and inflation can be decomposed into country-specific stochastic trends and a common cyclical component. Comovement in the trends is introduced by imposing a factor structure on the shocks to the latent states. We moreover introduce flexible stochastic volatility specifications to control for heteroscedasticity in the measurement errors and innovations to the latent states. Carefully specified shrinkage priors allow for pushing the model towards a homoscedastic specification, if supported by the data. Our measure of the output gap closely tracks other commonly adopted measures, with small differences in magnitudes and timing. To assess whether the model-based output gap helps in forecasting inflation, we perform an out-of-sample forecasting exercise. The findings indicate that our approach yields superior inflation forecasts, both in terms of point and density predictions.     

A non‐linear dynamic model for multiplicative seasonal‐trend decomposition

A non‐linear dynamic model is introduced for multiplicative seasonal time series that follows and extends the X‐11 paradigm where the observed time series is a product of trend, seasonal and irregular factors. A selection of standard seasonal and trend component models used in additive dynamic time series models are adapted for the multiplicative framework and a non‐linear filtering procedure is proposed. The results are illustrated and compared to X‐11 and log‐additive models using real data. In particular it is shown that the new procedures do not suffer from the trend bias present in log‐additive models. Copyright © 2002 John Wiley & Sons, Ltd.     

A generalized regression model based on hybrid empirical mode decomposition and support vector regression with back-propagation neural network for mid-short-term load forecasting

Since load forecasting plays a decisive role in the safe and stable operation of power systems, it is particularly important to explore forecasting methods accurately. In this article, the hybrid empirical mode decomposition (EMD) and support vector regression (SVR) with back-propagation neural network (BPNN), namely the EMDHR-SVR-BPNN model, is proposed. Information theory is mainly used to solve the data tendency problem, and the EMD method is used to solve the data volatility problem. There is no interaction between these two methods; thus these two models can complement each other through generalized regression of orthogonal decomposition. Taking the load data from the New South Wales (NSW, Australia) market as an example, the obtained simulation results are compared with other models. It is concluded that the proposed EMDHR-SVR-BPNN model not only improves the forecasting accuracy but also has good fitting ability. It can reflect the changing tendency of data in a timely manner, providing a strong basis for the electricity generation of the power sector in the future, thus reducing electricity waste. The proposed EMDHR-SVR-BPNN model has potential for employment in mid-short term load forecasting.