自适应布谷鸟搜索的并行K-means聚类算法*

针对K-means聚类算法受初始类中心影响,聚类结果容易陷入局部最优导致聚类准确率较低的问题,提出了一种基于自适应布谷鸟搜索的K-means 聚类改进算法,并利用MapReduce编程模型实现了改进算法的并行化。通过搭建的Hadoop分布式计算平台对不同样本数据集分别进行10次准确性实验和效率实验,结果表明：(1)聚类的平均准确率在实验所采用的4种UCI标准数据集上,相比原始K-means聚类算法和基于粒子群优化算法改进的K-means聚类算法都有所提高;(2) 聚类的平均运行效率在实验所采用的5种大小递增的随机数据集上,当数据量较大时,显著优于原始K-means串行算法,稍好于粒子群优化算法改进的并行K-means聚类算法。可以得出结论,在大数据情景下,应用该算法的聚类效果较好。     

基于CPA状态方程的高压含硫天然气压缩因子计算方法研究

对于压力高于70 MPa的含H_2S天然气,其分子之间间距缩小,极性H_2S分子之间缔合作用增强,传统SRK、PR状态方程计算高压含硫天然气的压缩因子准确性有待进一步改进。基于压力3.72～97.58 MPa、H_2S体积分数0%～70.03%的154组压缩因子修正CPA(Cubic-Plus-Association)状态方程中H_2S与CH_4、CO_2分子间二元交互作用系数,综合评价SRK、PR、CPA状态方程对压缩因子的计算精度。结果表明,对于中低压含硫天然气(p35 MPa),采用PR方程精度最高,平均相对偏差为1.12%;对于高压及超高压含硫天然气(p35 MPa),CPA方程精度最高,平均相对偏差为-1.46%。进一步采用法国ST抗硫高压PVT仪测试了4种含硫天然气在70～131 MPa条件下的138组压缩因子实测值,验证了采用CPA状态方程对于高压含硫天然气压缩因子的计算精度。     

一场基于云计算的智能手机瘦客户端革命

智能手机时代的革命并没有结束,而是才刚刚开始。云计算时代的到来,为智能手机的发展带来了新的机遇与挑战,你可以想象你的手机不再需要多核处理器与超大的主存和辅存,一切服务虽都在"云端系统"的服务器端为你提供,却可以达到优于传统智能手机几十倍甚至上百倍的用户体验感受     

浅谈增强现实如何改变世界

移动终端的快速发展,4G网络的全面建设以及云计算技术,这一切都为增强现实技术的快速发展提供了可能。增强现实技术才刚刚起步,它的发展还要走很长的路。然而,增强现实的应用已经融入的我们生活的方方面面,例如网上购物和教育等。这也一步步改变着我们的世界。