面向动态事件流的神经网络转换方法

针对基于权重归一化方法的卷积神经网络（CNN）转换方法应用于事件流数据时准确率损失较大以及浮点网络难以在硬件上高效部署等问题,提出一种面向动态事件流的网络转换方法。首先,重构事件流数据并输入CNN进行训练,在训练过程中采用量化激活函数降低转换的准确率损失,并使用对称定点量化方法以减少参数存储量;其次,在网络转换中采用脉冲计数等价原理而非频率等价原理以更好地适应数据的稀疏性。实验结果表明,与使用传统激活函数相比,采用量化激活函数的脉冲卷积神经网络（SCNN）在N-MNIST、POKER-DVS和MNIST-DVS这三个动态事件流数据集上的识别准确率分别提高了0.29个百分点、8.52个百分点和3.95个百分点,转换损失分别降低了21.77%、100.00%和92.48%;此外,相较于基于权重归一化方法生成的高精度SCNN,所提量化SCNN在识别准确率相当的情况下可以有效节省约75%的存储空间,并且在N-MNIST和MNIST-DVS数据集上的转换损失分别降低了6.79%和46.29%。     

一种基于动态拓扑的流计算性能优化方法及其在Storm中的实现

响应性和稳定性一直是流式计算中两个至关重要的问题,而流计算系统在过载时常常表现出数据计算延迟增加和拓扑不稳定的现象,无法适应数据负载的动态变化.针对这一问题本文研究提出了一种基于动态拓扑的流计算性能优化方法,主要包括：（1）动态逐级反压：拓扑中的任务可以根据当前自身负载情况,动态调整上游向其发送数据的速率.（2）无状态拓扑数据重放：拓扑不维持数据的计算状态,尽可能地实现数据容错.（3）自适应拓扑替换：在拓扑不暂停的情况下对任务并发度进行自发调整.（4）延迟持久化队列：拓扑中对磁盘的IO读写被延迟到数据处理之外,减缓IO高频阻塞对流计算系统的影响.本文在Apache Storm中实现了以上四种方案,性能测试结果表明优化后的流计算系统与Storm默认实现相比,不仅增强了大数据动态匹配能力,而且在最优情况下改善了17%的吞吐量,并提升了约20%的数据处理速度.     

基于唯密文数据的序列密码识别

对采用RC4、A5/1和Trivium序列密码加密的数据进行了识别研究。首先,在训练和测试样本加密密钥一致和不一致时分别进行了序列密码识别;其次,对序列密码和分组密码进行混合识别;最后,考虑了短密钥流情形下的序列密码识别。实验结果表明,即使训练和测试样本加密密钥不一致时,基于短密钥流的识别也能达到较好的识别效果,同时序列密码与3DES、Blowfish能够以较高的识别率进行混合识别。     

改进Hoeffding不等式的概念漂移检测方法

针对大多数概念漂移检测算法都存在高延迟和对噪声过于敏感的问题,提出了一种基于四分位距交叠滑动窗口的概念漂移检测方法,该方法使用四分位距窗口中的样本和改进的Hoeffding不等式进行概念漂移检测。为更好地避免噪声对分类器性能的影响,算法在Hoeffding不等式中引入了一个基于当前样本分类正确率的动态系数。实验结果表明,改进后的方法可以有效提高概念漂移检测的准确率,减少漂移检测延迟。     

面向股票交易分析场景的流式大数据系统测试框架

分布式集群环境使得数据实时计算更为复杂,流式大数据处理系统的正确性难以保障.现有的大数据基准测试框架可以测试流式大数据处理系统的性能表现,但是普遍存在应用场景设计简单、评价指标不充分等不足.针对这一挑战,本文构造了一个面向股票交易场景的流式大数据基准测试框架,通过生成股票高频交易数据,测试系统在高流速场景下的延迟、吞吐量、GC时间、CPU资源等的性能表现.同时,通过横向测试验证流式大数据系统的扩展性.本文以Apache Spark Streaming为待测系统进行测试,实验结果表明,高流速场景下出现延迟增加、GC时间提高等性能下降问题,原因是系统输入速率的提高及并行度的增加.     

海河干流汛期动态水环境容量计算研究

海河干流是一个典型的平原缓滞流型河道,水体自净能力低,且汛期大量污染物随降雨径流汇入,水污染问题严重。水环境容量的计算是实施污染控制的基础,对水环境质量管理方案的制订具有重要意义。在汛期,海河干流受降雨径流和闸门控制等因素的多重影响,其水位、流量、水质等要素随时间变化十分复杂。为此,提出基于水动力水质模型的河流动态水环境容量计算方法,计算了海河干流4个控制单元汛期COD、TN、TP的水环境容量。结果表明:海河干流水体污染严重,各控制单元现状条件下TN及TP几乎没有可利用的水环境容量。在此基础上,对天津市中心城区及环城四区选取透水铺装、下凹绿地、绿色屋顶和生物滞留设施等4种措施进行低影响开发改造,并在SWMM模型中模拟改造效果。改造后,研究区域内COD、TN、TP入河量的削减率分别达到39.5%,35.7%,35.9%,且各个控制单元汛期水环境容量均有明显提高。研究结果可为海河干流水环境质量管理提供依据,为缓解降雨径流污染、改善水环境质量提供技术支撑。     

水平轴潮流能水轮机叶片变桨角度研究

利用Flow-3D软件建立了单桩型水平轴潮流能发电机的三维数值模型。采用该模型对不同叶片变桨角度时的水动力过程进行了模拟计算,并根据计算结果从叶轮转速、叶轮动能、叶轮受力、水位和流速变化的角度进行了分析和讨论。数值模拟结果表明：当叶片变桨角度增大时,来流方向的叶轮受力和叶轮动能也都随之增大;变桨角度对于与来流垂直的y和z方向的叶轮受力影响较小;叶片变桨角度越大、水轮机下游附近流速降低的越快,流速就越小,而在水轮机下游较远处,叶片变桨角度越大,尾流场恢复得越快,其流速也越大。     

National classification of surface–groundwater interaction using random forest machine learning technique

Characterization of surface–groundwater interaction is an increasingly useful skill for riverine ecologists and water resource managers interested in the dynamics of water, nutrient, and micro‐organism exchange at the reach scale, as it can be used to better represent point‐scale processes within larger catchment‐scale models. This study describes a method for predicting the nature of reach‐scale surface–groundwater interaction, using the random forest (RF) machine learning technique with national‐scale geology, hydrology, and land use data. Observed stream flow depletion and accretion surveys from riparian areas and spring‐line flow accretion surveys were also used. The RF model allowed prediction of observed losing and gaining reaches with a high prediction accuracy (“out‐of‐bag” error < 10%). The performance of the model, however, was found to be dependent on the geographic administrative region. The model was also found to be sensitive to slope, distance to headwater, distance to coast, and underlying geological characteristics. When applied in New Zealand, this approach yielded a realistic conceptual representation of national surface–groundwater dynamics that are subsequently being used to inform a national‐scale hydrological model.     

清水沟水库溃坝对主河道行洪过程影响数值模拟研究

溃坝洪水危害巨大。为研究支沟溃坝对主河道洪水过程的影响,采用集成HLLC近似黎曼求解器的二维水动力模型,模拟研究了支沟清水沟水库溃坝洪水对主河道大理河行洪过程的影响。模拟结果表明:计算水位与实测洪痕吻合度较好,证实所建模型能较为精确地模拟溃坝洪水演进过程;清水沟水库溃坝对大理河上下游均有影响,上游会发生明显的壅水现象,流量具有先下降后上升再下降至稳定的趋势;最为关心的下游洪峰呈现出先增加再下降至稳定的过程,并不是简单的叠加计算,而与上下游关系密切。该成果对于防治支沟溃坝在主河道形成洪水具有一定的指导意义。     

分布式多数据流频繁伴随模式挖掘

多数据流频繁伴随模式是指一组对象较短时间内在同一个数据流上伴随出现,并在之后一段时间以同样方式出现在其他多个数据流上.现实生活中,城市交通监控系统中的伴随车辆发现、基于签到数据的伴随人群发现、基于社交网络数据中的高频伴随词组发现热点事件等应用都可以归结为多数据流频繁伴随模式发现问题.由于数据流规模巨大且到达速度快,基于单机的集中式挖掘算法受到硬件资源的限制难以及时发现海量数据流中出现的频繁伴随模式.为此,提出面向大规模数据流频繁伴随模式发现的分布式挖掘算法.该算法首先将每个数据流划分成若干个segment片段,然后构建适合部署在分布式计算平台上的多层挖掘模型,并利用多计算节点以并行方式对大规模数据流进行处理,从而实时发现频繁伴随模式.最后,在真实数据集上进行充分实验以验证算法性能.