计算机超频结果测量值的预测算法

针对计算机超频结果测量值的估计问题,提出一种优化的LS-SVM回归模型解决方案;首先对CPU和显示卡超频的参数设置及主要结果进行了分析,并探讨了常用预测算法的不足,据此选择LS-SVM回归模型进行超频结果测量值的预测;然后设计了一种LCQPSO算法寻找模型参数的最优值,使模型的预测精度和泛化能力得以提高;经采集AMD FX-8350 CPU的50组超频样本验证,该算法的预测误差比RBF神经网络降低了80%,表明了该算法的有效性。     

基于AHP权重和灰色服务器负载预测的云计算On-line迁移策略

为了克服云计算环境下由于实时用户任务的不确定性到来和服务器性能差异而导致的云计算环境的负载不均衡问题,提出了一种AHP权重获取和灰度算法预测服务器负载的云计算on-line虚拟机迁移策略。首先,设计了基于AHP和灰色服务器预测的虚拟机on-line迁移模型,提出了采用AHP获取虚拟机各资源需求权重,然后,采用灰色模型预测下一时刻的服务器负载,采用此权值向量与各无需迁移的服务器的空闲资源向量进行加权得到加权和,将具有最小加权和的物理服务器作为迁移的目标宿主机。最后,定义了基于AHP权重和灰色服务器负载预测的云计算on-line迁移算法。在CloudSim环境下进行实验,结果表明文中的迁移策略使得云计算在响应用户任务时,具有任务失败次数少、SLA违约率低和迁移成功率高的优点,同时与其它方法相比,具有负载均衡程度高的优点,具有较强的可行性。     

平行陶瓷棒介质阻挡放电分段模型等效参数预测

为实现对介质阻挡放电负载模型等效参数的有效预测,引入放电区域面积作为中间变量。以平行陶瓷棒为负载,通过Maxwell有限元仿真得到恒压静电场下的负载等效电容与放电区域的对应关系。结合恒压静电场下的电场分布,提出了放电区域逐步扩张下的气隙首次击穿电压、负载外加电压峰值及气隙放电维持电压的预估方法。进而,根据李萨如图形法求得各个工作点的功率。至此,建立起了放电区域同各个等效参数间的量化关系,并实现了对参数的预测。最后,对气隙间距为1,3,4 mm的工况进行了实验验证。实验结果表明:气隙放电维持电压预测值在局部变化趋势上与实测值存在一定差异;放电功率、负载外加电压峰值预测结果与实测值较为吻合。     

面向SLA的云计算负载均衡策略

云计算负载均衡是保障SLA协议的关键问题之一。针对云计算负载均衡问题,提出一种面向SLA的负载均衡策略。该策略引入人工神经网络思想,建立负载均衡模型,采用单层感知器算法(SLPA)将虚拟机负载状态进行分类,然后利用结合了动态加权轮询算法的BP神经网络算法(BPNNA-DWRRA)有针对性地对虚拟机负载权重进行预测更新,最后将任务调度到最小权重所对应的可行虚拟机上。应用CloudSim进行仿真实验,结果表明了该策略的可行性,同时,相比加权最小链接算法和粒子群算法,该策略的平均响应时间分别节省了43.6%和22.5%,SLA违反率分别降低了20.7%和14.4%。因此,所提策略在响应用户任务时,请求响应时间短,SLA违反率低,保障了SLA。     

基于紧致差分格式的高效时域有限差分算法

探讨一种基于紧致差分格式的高效时域有限差分算法(high-order compact-FDTD),该方法不仅提高计算精度,而且网格结点少、内存使用率和CPU时间大为降低.利用紧致格式FDTD方法实现无耗波导系统及光子晶体光纤中电磁波传播的数值模拟.通过计算实例验证算法的高效性.     

含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要。建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度。首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测。分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值。采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

基于信息熵的粮食干燥塔温度预测控制

针对混流式粮食干燥塔生产过程中,物理化学变化复杂,温度变化呈现的非线性和滞后性,难以准确检测的问题,提出了一种基于信息熵的温度预测方法;首先分别采用支持向量机和灰色预测独立建立第一降速段的温度模型;利用加权方法对两种模型进行集成,最后利用信息熵算法,对加权因子进行优化,提升模型的预测精度;运行结果表明干燥后的稻谷含水量与设定值误差从原来的±24.7%,降低至8.5%,验证本方法在实际生产中的有效性。     

基于油液光谱数据融合的湿式离合器剩余寿命预测

针对湿式离合器油液监测数据具有来源分散、数据量大及时间轴不稳定等问题,对光谱分析得到的多数据进行融合,利用维纳过程的预测实时性和预测准确的优点,建立模型开展离合器剩余寿命预测研究。首先,通过排列熵加权证据融合方法对离合器寿命试验获得的指示元素进行融合,构建健康指数;其次,结合维纳过程建立退化模型并通过极大似然法对模型中的参数进行估计;再次,根据历史退化数据对参数进行更新得到离合器剩余寿命预测模型;最后,将预测模型与实例进行对比,得到利用融合多元素的健康指数建立的维纳过程预测模型预测准确性相比单指示元素预测有了很大提升,其预测点更接近试验值。通过观察也发现,湿式离合器运行50～60 h左右时,预测点有了明显的变化,而同样在220～230 h时,预测点有了明显的偏差,在240 h左右又重新接近试验值,其突变点对应了离合器磨损的三个阶段,即初期磨损,正常磨损和剧烈磨损。研究结果表明,融合油液光谱数据结合维纳过程建立的预测模型用于湿式离合器的剩余寿命预测,具有预测实时性强且预测精度高的优点,而通过预测结果和试验值对比发现,湿式离合器磨损状态的不同对预测结果也有一定的影响,尤其磨损状态转变点对预...     

能量异构的无线传感器网络加权无标度拓扑研究

针对无线传感器网络节点能耗不均和如何高效获得节点和边的负载问题,提出一种局域范围内能量异构的加权无标度拓扑演化模型.通过对节点能量与负载、能耗的关系建模,建立节点能量与点权和边权的联系,进而结合点权和加权模型给出网络的演化方式,推出点权、度和边权的幂率分布规律,最终根据网络获得的点权和边权来分析负载和能耗.仿真结果表明,提出的模型不仅能够准确计算点边的负载,而且缓解了无标度网络的节点能耗不均衡问题.     

基于数据挖掘方法的风力涡轮机状态监测技术研究

目前风力涡轮机的故障模式预测成为了风力发电站发展的重要任务;提出了一种基于数据挖掘算法的涡轮机故障状态预测方法;这种方法包括3个主要的步骤:涡轮机状态抽象,算法训练,状态预测;首先利用先验知识将涡轮机的初始状态进行分类,选择建立预测模型的参数;为了降低计算难度,采用数据挖掘算法进行模型参数的选择;最终采用发电机转速、变速箱速度、温度枢纽、叶片螺距角这些参数进行预测模型的建立;建立预测模型的过程分为3个阶段:预测任意故障;预测系统的特殊故障;确定未知故障;通过对各种数据挖掘算法基于大量风力涡轮机数据的性能分析,选择了性能最优的随机森林算法模型;这种模型的预测准确率能够达到98%;同时还能够预测训练数据没有包含的故障类型;通过在实际风力涡轮机数据的验证,表明了这种模型的稳健性。     

Hadoop平台下自响应故障感知的检测技术研究实现

当今云计算环境下,Hadoop已经成为大数据处理的事实标准。然而云计算具有大规模、高复杂和动态性的特点,容易导致故障的发生,影响Hadoop上运行的作业。虽然Hadoop具有内置的故障检测和恢复机制,但云环境中不同节点负载大小的变化,被调度的作业仍然导致失败。针对此问题提出自响应故障感知的检测调度方法,对异构环境负载能力的不同,而做出服务器快节点和慢节点的判断,把作业分配调度到合适的节点上执行,调整任务决策来尽可能的防止任务失败的发生。最后在Hadoop框架下与基本调度器进行实验性能比较,结果显示该方法减少作业失败率最高达19%,并缩短了作业执行时间,同时也减少CPU和内存的使用。     

基于遗传注意力机制的DLSTM电力系统混沌预测

提出一种基于遗传算法优化注意力机制的深度长短期记忆网络(DLSTM)方法,用于电力系统的混沌预测。通过传递共享参数,将遗传算法优化的注意力机制加入DLSTM模型中,可以挖掘时间序列中潜在特征,同时避免陷入局部优化。该方法是一种受进化计算方法启发的寻优方法,可以很好地学习注意力层中的参数。电力系统混沌预测实验表明所提模型比其他参考模型具有更高的预测精度和长期预测能力。     

喷气Z箍缩内爆等离子体的雪铲模型

 在喷气Z pinch内爆等离子体研究中，雪铲模型是一种常用的、比较简单的物理模型。根据实验中提供的电流波形，负载线质量和初始半径，可以通过雪铲模型来估算内爆到心的时刻。根据一维运动方程和不同构形下的解析解以及部分实验结果相结合，讨论了雪铲模型的适用范围。数值计算的内爆时间和实验（Gamble II, Double EAGLE, BLACKJACK 5）测量值符合得较好。结果表明，雪铲模型在喷气Z pinch实验的负载优化设计研究中是很有参考价值的方法。     

An abstraction layer for efficient memory management of tabulated chemistry and flamelet solutions

A large number of methods for simulating reactive flows exist, some of them, for example, directly use detailed chemical kinetics or use precomputed and tabulated flame solutions. Both approaches couple the research fields computational fluid dynamics and chemistry tightly together using either an online or offline approach to solve the chemistry domain. The offline approach usually involves a method of generating databases or so-called Lookup-Tables (LUTs). As these LUTs are extended to not only contain material properties but interactions between chemistry and turbulent flow, the number of parameters and thus dimensions increases. Given a reasonable discretisation, file sizes can increase drastically. The main goal of this work is to provide methods that handle large database files efficiently. A Memory Abstraction Layer (MAL) has been developed that handles requested LUT entries efficiently by splitting the database file into several smaller blocks. It keeps the total memory usage at a minimum using thin allocation methods and compression to minimise filesystem operations. The MAL has been evaluated using three different test cases. The first rather generic one is a sequential reading operation on an LUT to evaluate the runtime behaviour as well as the memory consumption of the MAL. The second test case is a simulation of a non-premixed turbulent flame, the so-called HM1 flame, which is a well-known test case in the turbulent combustion community. The third test case is a simulation of a non-premixed laminar flame as described by McEnally in 1996 and Bennett in 2000. Using the previously developed solver ‘flameletFoam’ in conjunction with the MAL, memory consumption and the performance penalty introduced were studied. The total memory used while running a parallel simulation was reduced significantly while the CPU time overhead associated with the MAL remained low.     

基于GPU的液晶大气湍流模拟器波面生成的并行实现

为了使液晶大气湍流模拟器具有实时大气模拟能力,在GPU通用计算架构下提出了基于GPU的液晶大气湍流模拟器实时波面生成计算方法。针对液晶湍流模拟器高分辨率、高精度的特点介绍了湍流波面生成计算方法,论述了CUDA通用计算架构。建立基于GPU的波面生成模型,并对该模型进行了并行化优化和共享存储器优化。给出了采用CPU与GPU进行波面生成的实验对比结果。结果表明:采用GPU生成分辨率为256×256,192项Zernike多项式进行波面生成的平均时间为2.5ms,生成速度比CPU少两个量级,满足实时波面生成的要求。     

基于稳态卡尔曼滤波的红外焦平面阵列非均匀校正算法

传统的卡尔曼滤波算法利用批处理实现非均匀校正,这样不仅会带来较大的计算量和存储量,而且更重要的是该方法不能实时处理.为此,提出了一种基于稳态卡尔曼滤波的红外焦平面阵列非均匀校正算法,它可以根据固定图案噪声的特点离线计算出滤波器的增益矩阵,并且非均匀校正过程也采用了逐帧迭代方式,因此大大降低了计算复杂度和存储占用量.详细阐述了该算法的基本原理,并用仿真数据和真实红外数据对算法性能进行验证,实验结果表明:本方法平均校正一帧图像所需CPU时间和内存占用量分别为1.7188 s和131.25 KB,完全可以满足实时处理的要求.     

Multilevel fast multipole algorithm for acoustic wave scattering by truncated ground with trenches

The multilevel fast multipole algorithm (MLFMA) is extended to solve for acoustic wave scattering by very large objects with three-dimensional arbitrary shapes. Although the fast multipole method as the prototype of MLFMA was introduced to acoustics early, it has not been used to study acoustic problems with millions of unknowns. In this work, the MLFMA is applied to analyze the acoustic behavior for very large truncated ground with many trenches in order to investigate the approach for mitigating gun blast noise at proving grounds. The implementation of the MLFMA is based on the Nystrom method to create matrix equations for the acoustic boundary integral equation. As the Nystrom method has a simpler mechanism in the generation of far-interaction terms, which MLFMA acts on, the resulting scheme is more efficient than those based on the method of moments and the boundary element method (BEM). For near-interaction terms, the singular or near-singular integrals are evaluated using a robust technique, which differs from that in BEM. Due to the enhanced efficiency, the MLFMA can rapidly solve acoustic wave scattering problems with more than two million unknowns on workstations without involving parallel algorithms. Numerical examples are used to demonstrate the performance of the MLFMA with report of consumed CPU time and memory usage.     

二电子系列关联能的并行计算

用组态相互作用方法计算了二电子体系电子关联能,为了获得高精度的结果往往需要巨大的计算量,以往单个处理器上的串行计算通常存在着机时长,内存不够的严重困难,为此采用并行分块消去迭地,同时在多个处理器上并行计算,得到了了基态关联能。     

基于时间序列的航天器遥测数据预测算法

在航天器遥测数据预测领域,基于时间序列的预测方法有着广阔的应用前景;时间序列有一明显的特性就是记忆性,记忆性是指时间数列中的任一观测值的表现皆受到过去观测值影响;它的基本思想是根据观测数据的特点为数据建立尽可能合理的统计模型,利用模型的统计特性解释数据的统计规律,以期达到预报的目的;提出了采用模式识别和参数估计的方法,结合航天器遥测动态数据,建立关于航天器遥测数据的时序预测模型,对航天器遥测数据趋势进行检测和预报。     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.