基于TAN网络的层次约减数据分类清洗方法

为提高多源异构环境数据清洗的效率和降低多源异构数据清洗的复杂度,针对多源异构数据环境下存在大量不精确数据的问题,提出一种层次约减分类清洗方法。通过重要度度量算法在数据源层、数据属性层、数据元组层进行层次约减,基于分类算法思想构建TAN网,然后利用数据概率值完成对不精确数据的分类清洗。实验表明所提方法能够有效地提高不精确数据清洗的准确率和清洗效率。     

可区分服务的反馈式Web应用负载均衡策略

为研究Internet环境下Web应用面向区分服务的性能优化策略,从多个方面提出了动态反馈式负载均衡的改进方案,包括基于K-means算法的预处理、双周期式负载反馈、基于反馈的负载距离计算和引入随机概率的节点选择等,在资源层面上对用户请求和服务节点进行区分并把握它们之间的关联,实现更有针对性的调度.实验分析结果表明,与传统的策略进行对比,改进策略能够降低请求的平均响应时间和请求失效数,在保障负载均衡的服务质量上取得效果.     

并发多元搜索引擎的研究与应用

多元搜索引擎能够有效利用多个搜索引擎的搜索与集成资源能力．文章首先分析了现有多元搜索引擎的局限性,然后提出并发多元搜索引擎的改进方案,阐述了并发多元搜索引擎的结构、关键技术,以及在外文电子资源统一检索平台系统中的应用．该引擎实现了高效的查询请求分发与结果处理,具有较好的并发处理能力和效率．     

基于LQN模型的租户兴趣浏览路径挖掘

面向云计算环境中多租户应用的租户个性化服务需求,从多租户应用日志记录挖掘出租户兴趣浏览路径受到关注。针对传统的以浏览频度为主体的网络拓扑图研究问题,为了更好地找出租户在云平台网站上的兴趣网页,挖掘租户的兴趣浏览路径,综合租户对网页的浏览时长、接收字节数和浏览频度等多个要素定义租户兴趣度,构造租户执行图,纠正路径交叉状况以消除租户执行图中存在的多余路径,对循环路径中的对等节点进行整合以 消除循环嵌套,给出了 一种基于分层排队网（layered queue network, LQN)模型的租户兴趣浏览路径挖掘方法,在此基础上,借助广度优先遍历（breadth first search, BFS)算法进行挖掘。实验证明,改造后的LQN模型在租户兴趣浏览路径挖掘方面的效率有所提高。     

一种基于多因素运行时评估的Web服务失效恢复机制

在基于动态容错代理的Web服务恢复框架中,针对服务失效恢复的替代服务选择问题,提出一种基于多因素运行时评估的服务失效恢复机制,并验证其有效性。该机制综合考虑服务可靠度、性能和网络负载等因素,用一种新的副本选择算法优化服务恢复的效果。该机制能够提高Web服务恢复的可行性和效率,更好地满足用户需求。     

基于校园网的智能教学系统的研究和设计

通过与有关教育专家的合作，围绕着知识管理的中心，以实现启发式教学和因材施教为目标，研究和设计了校园网环境的网上智能教学平台系统提出了一个自行设计开发的基于校园网的智能教学系统，介绍了系统的功能和结构，讨论了有关的实现技术，给出了系统的实现方案。     

基于滤波优化的多租户应用QPN性能建模方法

为分析和评估多租户应用的资源消耗并预测其未来对资源的需求,研究了从细粒度上改进多租户应用性能建模的方法,在使用排队Petri网刻画应用系统能力的基础上,综合考虑工作负载、基础通信流和服务时间等因素,利用Kalman滤波快速适应参数变化的特征,建立优化的多租户应用性能模型。仿真实验表明,建模评估结果与实际性能度量值相比具有可接受的误差值,能较好地反映实际多租户应用的运行状态和预测评估各租户应用的资源需求。     

采样定理、视觉原理及无监督聚类分析理论

通过引入采样定理,提出了基于视觉采样定理的新聚类算法,将生物物理学中的Weber定律、采样定理和视觉结构有效地结合起来,并在此算法的基础上提出了聚类的有效性准则．该算法基于视觉系统工作原理,具有更强的物理解释性能．实验表明,此算法简洁、有效．     

基于BP神经网络负载预测的虚拟机部署策略

针对传统基于择优选择的虚拟机部署机制忽略了业务对负载指标要求的差异,并且对目标服务器的负载缺乏有效预测,易导致负载不均衡和虚拟机过度迁移等问题,提出一种优化的虚拟机部署策略.首先设计一种改进的BP神经网络算法对服务器节点的负载进行预测,然后实施虚拟机加权部署,使虚拟机部署在合适的服务器上.实验结果显示:该策略在基于时间序列的负载预测上具有较高的拟合精度,可提升虚拟机部署的稳定性.     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。