数据流的不规则网格增量聚类算法

分析了数据流的特点,针对数据流聚类算法CluStream对数据流中非球形聚类效果不好的情况,提出了基于数据流的不规则网格增量聚类算法IIGStream.IIGStream算法具备了传统网格聚类算法处理速度快的优点.同时能够动态增量地调整网格结构.对新到来的数据点,通过判断网格是否相连,保证了对于不同形状聚类的聚类效果.IIGStream在聚类时无需预先指定聚类数目.且对孤立点不敏感.在真实数据集与仿真数据集上的实验结果表明,IIGStream算法具有良好的适用性和有效性,在聚类精度以及速度上均优于CluStream算法.     

基于增量DFT概要的数据流聚类算法

数据流聚类分析是数据流挖掘领域的重要分支。由于数据流海量、快速、动态到达,传统的静态数据挖掘技术不能满足在线分析的需求。数据流聚类的核心是设计单遍数据集扫描算法,在有限的内存中存储少量概要特征信息,实现数据流实时、在线聚类分析。采用数据流处理中广泛应用的滑动窗口模型,提出一种新的基于增量傅立叶变换(DFT)的数据流概要算法,并在此基础上运用k-均值(k-means)聚类,实现数据流的在线挖掘。基于增量DFT概要的数据流聚类算法可减少运行时间,节省内存空间,实际用电负荷数据证明了算法的有效性。     

大规模数据集聚类算法的研究进展

聚类是机器学习领域的一个重要研究方向,在过去几十年间,针对不同类型中小规模数据集聚类算法的研究取得了很大的进展,许多行之有效的算法先后问世.然而,这些算法在处理大规模数据集时,计算复杂度较高,处理高维数据的能力较弱,难以获得令人满意的效果.随着大数据时代的到来,数据的采集和存储变得相对容易和便捷,但数据量也与日俱增,因此,针对各种实际应用的聚类问题应运而生,使得专门针对大规模数据集的聚类算法研究成为当前机器学习领域的重要任务之一.本文以大规模数据集的可计算性为切入点,对目前串行和并行计算环境下专门用于处理大规模数据集的聚类算法进行综述和分析,重点评述了串行计算环境下基于样例选择、增量学习、特征子集和特征转换的聚类算法以及并行计算环境下基于MapReduce、Spark和Storm框架的聚类算法,给出了有关未来大规模数据集聚类算法设计思路与应用前景的思考和讨论,包括基于数据并行和训练过程自动化的聚类算法设计策略及关于社交网络大数据聚类算法的若干理解.     

基于突发数据流的丢包智能区分仿真

针对2种不同TCP算法控制下的数据流,后进入的流量容易引起丢包率增加的问题,提出将网络模型中传输层和网络层的拥塞控制算法相结合,对突发数据流引起的丢包率起到一个缓解作用.在该网络环境下,对随机早期检测算法作了改进,通过仿真,新算法在一定程度上能够区分突发流量,从而降低丢包率,为高可靠性网络的发展提供参考.     

模糊联想记忆神经网络的动态学习算法

提出了最大最小联想记忆网络的一种动态调整学习算法，分析了动态调整算法所设计出的连接权阵网络对记忆模式对吸收域的影响，在一定条件下，它能够简便而有效地对训练模式进行联想推理。首先给出了一种快速调整学习算法，再进一步发展了一个动态指数细调规则学习算法，它以快速调整学习算法的结果作为连接权矩的迭代初值。计算机实验结果表明了所提学习算法的优越性。     

基于EPA的块数据流通信调度与控制

为了实现音视频向工业实时以太网(EPA)控制总线的业务融合,针对音视频传输特点,结合控制数据的实时性要求,提出一种基于EPA的通信调度算法.通过定义“块数据流”,给出数学模型和网络约束条件,并将块数据流视为周期数据,以控制数据延时、块数据流自由周期和块数据流延时抖动为约束,规划宏周期调度;为了充分利用带宽,将同一数据块分割至多个宏周期以规划时间片.算法可保证EPA网络稳定性和控制实时性,且满足块数据流的流畅性需求.实际应用中将视频流与控制数据复合传输,结果表明,在不干扰控制数据传输的同时,延时抖动满足系统要求,算法有效性得到验证.     

基于簇特征的球员跑动大规模数据聚类研究

传统聚类算法无法实时处理足球运动员跑动产生的动态增量数据,为此提出一种基于簇特征的大规模跑动数据聚类算法。利用k-means算法对初始数据进行聚类,并保留聚类后各簇特征,当跑动过程产生的增量数据到来时,利用表示原始簇信息的簇特征与增量数据进行增量聚类,避免传统算法因需重新聚类而导致耗时过长的问题。针对k-means算法容易产生概念偏移的现象,利用簇特征快速检测,避免聚类结果不一致。实验结果表明,该算法能快速处理动态增量数据,且聚类结果一致。     

单播链路中多数据流联合自动请求重传方法

为了提高单播链路的重传效率,发射端采用网络编码将多个重传数据流的增量冗余版本经过合并后再传输给接收端.基于置信传播(BP)算法,接收端从经过网络编码的组合数据流中检测出各个重传数据流,并和在前次传输时缓存的数据流软合并后译码.此外,再用BP算法将先译码成功的数据流从组合数据流中消除,以提高未成功译码数据流的检测性能.和单播链路上传统的多数据流独立自动请求重传(ARQ)相比,多数据流联合ARQ能够将单播链路的频谱效率提高大约10%,而仅导致低于22%的复杂度增加.     

基于网络应用程序分类方法的威胁研究

基于网络应用程序的3个属性（使用范围、目标用户、连接方式）对其进行分类,以威胁所影响的数据流和数据存储作为资产,分析、研究不同网络应用程序面临的部分主要威胁,阐述基于STRIDE的威胁对策,给出根据网络应用程序类型生成部分主要威胁的算法,并进行实验.     

一种混合模糊联想记忆网络

改进了文「１」提出的最大最小联想记忆网络的模糊Ｈｅｂｂ关系编码规则,给出了一种新的学习算法,新算法克服了文「１」算法的缺陷,在一定条件下,本文的学习算法能将模式对完整地联想出来,另外,本文在分析网络的容错性及稳定性的基础上,提出了一种五层混合模糊联想记忆网络,五层混合网络具有良好的联想容错能力,大量的实验结果表明,本文的学习算法及混合网络是有效的。