满足链路约束的拓扑聚集度虚拟网络映射算法

高效的虚拟网络映射算法能提高网络收益,降低物理资源的消耗。假如一个虚拟网络能够被满足映射,那么它对物理节点资源的消耗是固定的,对资源消耗的总大小取决于链路映射。为减少链路资源消耗,相邻的虚拟节点在被映射后应该是接近的。本文提出基于满足链路约束的拓扑聚集度映射算法。该算法在计算汇聚度时考虑节点间的链路请求,是一阶段映射算法。此外,本文根据图的广度优先搜索对虚拟节点排名,使连续映射的虚拟节点有较高的关联性。仿真实验表明,所提出的算法提高了长期网络收益和收益花费比。     

基于节点分割的两阶段虚拟网络映射算法

虚拟网络映射问题是网络虚拟化的关键问题,以往研究大多注重虚拟网络链路的映射,然而,物理节点资源在物理网络中也是有限的.本文提出的基于节点分割的两阶段虚拟网络映射算法,能够将虚拟网络节点映射到多个底层物理节点上,根据映射得到的物理节点并结合路径分割思想将链路映射到多条底层物理路径上,整个过程能够有效地利用物理节点与链路的资源碎片,提高物理网络的资源利用率,提高虚拟网络的映射效率.     

文本分类中基于单词表示的全局向量模型和隐含狄利克雷分布的文本表示改进方法

针对文本分类中文本数据表示存在稀疏性、维度灾难、语义丢失的问题,提出一种基于单词表示的全局向量(global vectors for word representation, GloVe)模型和隐含狄利克雷分布(latent Dirichlet allocation, LDA)主题模型的文本表示改进方法。利用GloVe模型结合局部信息和全局词语共现的统计信息训练得到文本的稠密词向量,基于LDA主题模型生成文本隐含主题和相应的概率分布,构建文本向量以及基于概率信息的主题向量,并计算两者之间的相似性作为分类器的输入。实验结果表明,相比其他几种文本表示方法,改进方法在精确率、召回率和F_1值上均有所提高,基于GloVe和LDA的文本表示改进方法能有效提升文本分类器的性能。     

受非线性微分包合约束的拉格朗日最优控制(英文)

研究受非线性微分包含（含伪单调算子）约束的最优控制存在世．借助于解的连续依赖性和逼近方法,证明了闭环系统解的存在性并获得其解集的紧性性质．解决了拉格朗日型最优控制的存在性。     

NiAl晶体中点缺陷的模拟

利用嵌入原子法（ＥＡＭ）势函数,通过分子静态弛豫方法ＮｉＡｌ合金中各种点缺陷的形成能进行了模拟计算。结果表明,从点缺陷的形成能来看,在ＮｉＡｌ晶格中很难形成Ｎｉ反位置缺陷,而Ａｌ原子亚点阵位置总是被占据。当合金富Ｎｉ时,Ｎｉ占据Ａｌ位置形成Ａｌ的反位置缺陷;当合金富Ａｌ时,形成Ｎｉ空位。点缺陷周围原子的位移情况及双空位形成能与空位之间间距的关系的研究表明,随着两个空位之间距离的增大,其交互作用逐渐     

Delphi中管理基于模板的Word文档

通过示例论述了在Delphi中如何把数据库表中整条记录输出到基于模板的指定格式 Word文档中。     

Laplace算子的特征函数的正则性

本文讨论了在有界区域中 Laplace算子的特征函数的正则性。     

认知语言学中的基本层次范畴的实际应用

随着认知语言学的发展,人们从对认知语言学理论在语言与认知的研究之上,转向了对语言习得与语言教学的启示与影响之上。本文结合教学实际．拟从基本层次范畴方面探讨其在大学英语词汇教学中的实际应用.     

视频人脸识别中基于聚类中心LLE的特征相似性融合方法

针对大部分现有视频人脸识别方法通常仅利用代表性范例或图像集而较少研究有效融合的问题,提出了一种基于聚类中心特征相似性融合方法。首先,使用局部线性嵌入从原始数据空间学习低维嵌入,并利用STHAC算法将投影划分为LLE特征空间聚类;然后,从基于局部外观的聚类中得到特征相似性,在贝叶斯最大后验概率分类框架中对范例点和聚类子空间进行相关相似性匹配;最后,借助于范例重要性概率完成人脸的识别。在视频人脸数据集CMU Mobo、Honda/UCSD和ChokePoint上的实验验证了所提方法的有效性,实验结果表明,相比几种传统的方法,所提方法取得了较高的识别精度和较低的计算复杂度。     

面向SDN的生存性虚拟网络映射算法

针对软件定义网络环境下生存性虚拟网络映射问题,提出了基于网络资源关键度的虚拟网络可靠性映射算法。该算法首先通过提出底层网络资源和拓扑重要度度量方式,构建资源关键度排序集合,同时备份控制网络,考虑到控制器位置部署,设置链路时延权重进行最短物理路径的选取,映射时依据位置约束进行虚网映射,在此基础上针对不同物理网络故障类型采用备份切换和可行迁移方式进行恢复,确保虚拟网络服务连续不间断。仿真结果表明,与以往算法相比,该算法在请求接受率、故障恢复率、底层网络整体负载均衡度以及平均控制延迟4个指标上具有更好的网络性能。