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．     

启发式极性决策算法解SAT问题

提出了一种启发式极性决策的可满足性问题（SAT）新算法.该算法继承了当前SAT解决器的许多策略：快速BCP、子句记录、重启动搜索等.同时,该算法通过预先根据Karnaugh图的覆盖分布计算变量极性,将其加入到DPLL的决策过程中,大大降低了搜索过程中的冲突次数.实验表明采用该算法的解决器——DiffSat,能够解决许多目前最有效的解决器Zchaff和MiniSat所不能解决的实例.尤其是对于Bart基准系列中的每个实例,DiffSat都能够在0.03s内解决,而Zchaff和MiniSat在给定的900s内不能够解决大部分实例.而且,DiffSat解决器在某些实例上的特性远远优于具有代表性的基于不完全随机算法的解决器DLM.     

π-演算的符号迁移图及其早互模拟验证算法

提出符号迁移图作为π－演算进程直观而高效的表示模型,并给出了符号迁移图我种版本的早操作语义,在此基础上定义了相应版本的早互模拟和观察同余。同时引入了符号观察图和符号同余图以及τ－循环和τ－边消去定理。最后给出了关于强／弱早互模拟等价和早观察同余的符号验证算法,并证明了其正确性。     

基于共识度水平的研究项目评估决策研究

运用交互式群决策方法考虑大型科研项目评估决策问题，使用共识度的概念描述交互式决策的结果。给出了基于共识度水平的项目评估决策流程；针对现有共识度计算使用专家意见最大距离的局限性，提出一种使用专家平均距离来描述共识度的模型。最后用一个算例来说明模型的改进效果。     

基于云理论的径流不确定性推理模型研究

针对中长期径流预报中存在许多不确定性因素,本文引入云理论构建径流预报的不确定性推理模型（UR）.首先,该模型应用最大方差方法（MaxVar）对径流序列进行硬性分级,用级别概念表示径流分级区间,以期望（Ex）、熵（En）以及超熵（He）构成的云隶属函数描述径流级别概念的模糊性和随机性,实现分级区间软化,然后将径流量值进行属性转化,以此建立定性推理规则集,运用云算法进行径流不确定推理预报,成功实现径流序列不确定性传递;其次,对径流分级过程中超熵（He）参数确定进行了初探,对推理随机性输出结果进行统计分析,给出相应显著水平下的预报区间;最后,将该模型应用于南方某水库入库月径流预报中,并与广泛应用的最小二乘支持向量机（LSSVM）和ARMA模型进行比较分析,本文模型不仅具有较高的预报精度,而且能够进行区间预报,实例验证说明了模型的有效性和实用性.     

基于Wasserstein距离的在线机器学习算法研究

本文主要研究基于Wasserstein距离的在线机器学习算法,并分别针对分类和回归问题,提出两个鲁棒的在线学习算法.本文首先在特征-标签空间中对Wasserstein距离进行变形,得到了易于处理和计算的变形式.进而,将在线梯度下降(online gradient descent, OGD)算法和Wasserstein距离变形式结合,分别针对在线分类问题和在线回归问题提出了两种具有较好鲁棒性的在线机器学习算法.文章对提出的新算法累积误差值(Regret,后面用Regret指代)进行了分析,证明了算法的Regret与训练轮次T满足O(■)关系.算法的收敛性可基于算法Regret分析得到,可证明在算法训练轮次T趋于无穷时,算法训练出的模型会收敛到理论最优模型.最后,将所提出算法与FTRL(follow-the-regularized-leader)算法、OGD算法、采用批量学习训练方法的机器学习算法进行数值实验对比.在模拟数据集和真实数据集的实验中,所提出在线学习算法准确率、鲁棒性和模型泛化性能均优于FTRL算法和OGD算法;针对大规模数据集时,虽然所提出的在线学习算法准确率与批量学习相关算...     

基于BP算法的纹理图象合成研究

针对目前纹理图象合成技术存在的弱点,应用人工神经网络BP算法实现了纹理图象的合成。通过对纹理图象的分析和特征提取来获取图象的各种参数信息,然后采用人工神经网络BP算法,建立BP网络模型,将原始图象的特征函数作为BP网络的输入,通过学习-训练,确定该图象的人工神经网络结构,并最终通过程序合成了纹理图象。     

基于Bayes-Monte Carlo的突发事件应急方案风险决策方法研究

为解决突发事件应急方案选择中信息不确定和随机性的问题,提出一种基于贝叶斯(Bayes)和蒙特卡洛(Monte Carlo)的风险决策方法。首先基于事发现场实际情况,应用贝叶斯决策理论,构建多元正态分布模型;然后针对权重随机性的特点,采用蒙特卡洛模拟算法进行模拟;通过计算各方案获得特定排名的可信度及整体排名可信度因子,得到方案排序,从而减小了不确定性信息对应急决策过程的影响。最后通过核电站事故应急决策的例子,验证了所提出方法模型的有效性和可行性。     

基于移动锚节点的无线传感器网络渐进线定位

为了解决无线传感器网络定位的成本和计算量问题,本文提出了基于移动锚节点的双曲线渐近线定位方法。首先设计了移动锚节点运动轨迹,然后利用TDOA测距技术测得俩对锚节点到待定位节点距离差,最后利用双曲线渐近线的交点来定位。仿真结果表明：在减小计算量和定位成本的同时,该定位方法可以明显提高定位精度。     

喷射转发算法:一种基于Markov位置预测模型的DTN路由算法

典型的容迟网络(DTN)场景常表现出大延迟、易中断、高误码率等特点,其中高效节能的路由算法更是一个亟待解决的问题.现有方法主要是通过发送多个副本来提高数据传输的可达性概率,但网络开销很大.为了同时兼顾成功投递率、网络延迟和网络开销,文中提出了基于Markov位置预测模型的DTN路由算法(喷射转发算法).该算法根据节点经过路径的历史信息,用2阶Markov预测机制预测目的节点可能的位置,针对该位置进行多路径的贪婪转发,使包有方向地扩散,减少网络中包的副本数.采用多副本转发的混合发送模式,在保证成功投递率的基础上,有效地减少包副本数,弥补了使用单一模式时不能兼顾网络开销和成功投递率的不足.仿真结果显示,在小节点密度、节点移动速度较快的网络环境下,与spray and wait算法相比,喷射转发算法能有效地提高成功传输率,减小网络开销.