基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用

电力通信网设备时序故障预测的目标是通过过去设备告警数据,预测设备在下一个时间段是否发生故障,这对设备的管理和维护起着重要作用。为了预测电力设备未来的状态,提出一种Forward-LSTM(F-LSTM)学习模型,对设备故障的时序特征和非时序特征(静态信息)进行并行训练,探索出一种新的对静态-时序数据的训练方法,将其应用在电力通信网故障预测中。F-LSTM结合了两个组件,一个学习时序特征的长短期记忆神经网络(LSTM)与一个处理静态数据的前向全连接神经网络(forward full connection neural networks,FC),数据的静态/时序属性被自动判断并传递给FC或LSTM来并行训练。对于具有同时产生动态数据与静态数据的电力通信网络,Forward-LSTM(F-LSTM)模型能以较高速度与精度预测其故障发生的位置。此外,本文采用一种加权的损失函数,可以更好地捕捉设备故障的时序规律。选取某电力通信网络系统中2016—2017年设备故障数据,对本方法进行测试。实验结果显示,与Xgboost模型相比,F-LSTM模型对故障预测的召回率提高5%,同时F-LSTM模型较LSTM模型缩减了计算量,加快了模型的训练速度。     

基于粗糙近似的Web事务聚类改进算法

针对现有Web使用记录挖掘方法发现的知识和规则存在不精确或不完全的问题,提出了一种改进的基于粗糙近似的Web事务聚类算法.该算法首先对原有算法得到的每个类,用关系矩阵找出在这个类中不满足传递性的对象,然后在该对象的集合(类)上用关系矩阵找出在这个类中不满足传递性的对象,再对每个类进行分割,使其满足关系R的传递性,克服了现有算法不满足关系的传递性和在某些情况下得到的结果不准确的缺点.     

基于对象的分布式系统比较

从设计思想、通信、进程、名字服务、并发控制、分布式事务以及容错能力等各方面比较了当今流行的分布式系统———CORBA、DCOM和J2EE.这些系统在一定程序上互有优劣,且都得到了广泛应用.它们都是通过组件接口和分布对象服务来提高重用性,这些标准都是基于组件模型的扩展.     

C/S计算特性的定量分析

采用马尔可夫过程、排队理论对Ｃ／Ｓ计算模式基础上的５种计算模式进行系统效率、可靠性、数据一致性的定量分析，该分析为用户建立实际的Ｃ／Ｓ系统环境，并为不同任务选择合适的计算模式提供了理论依据     

基于C/S结构的Ada并行计算模型

在研究Ａｄａ９５并行计算语义的基础上,提出了一个基于Ｃ／Ｓ结构的Ａｄａ并行计算模型Ａｄａ－ＰＣＭ．讨论了在Ｃ／Ｓ环境下实现Ａｄａ并行计算存在的问题和解决方法．该模型不仅是研究Ａｄａ并行计算环境的基础,同时可为其它分布并行计算问题提供借鉴