MapReduce模型下基于R树索引的Skyline查询算法

提出一种MapReduce并行计算模型下基于R树索引的Skyline查询算法, 解决了海量空间数据集下执行Skyline查询效率低的问题. 通过建立R树索引实现空间数据不同粒度的范围剪枝, 有效降低了分布式Skyline查询需扫描的数据规模, 提高了在MapReduce模型下Skyline查询的执行效率. 在不同数据分布下进行对比实验的结果表明, 该方法比已有算法在执行效率上更具优势.     

基于Skyline和局部选择的启发式服务组合方法

为了改善现有基于QoS的Web服务组合方法的效率,在已有服务组合算法的基础上提出了一种新颖的基于Skyline点和局部选择的启发式服务组合方法SLOMIP(Skyline local optimi-zation mixed integer programming).该方法首先从候选服务集合中选出Skyline服务,可以证明如果存在最优服务组合方案,则其一定是由Skyline服务集中的服务组成的.然后,为了进一步缩小解空间,再从Skyline服务集中选取最优的K个服务进行最终服务组合方案的优化求解.与传统启发式服务组合方法的不同之处在于,该方法一旦获得解,必然是最优解而不是次优解.实验结果表明:在固定任务总数和固定候选服务个数的情况下,该方法的效率都远高于传统方法;K值越大,该方法的准确率越高.该方法可较大幅度地提高服务组合的效率,提升用户体验.     

传感器网络中基于过滤的概率Skyline查询算法

针对感知数据固有的不确定性问题,研究了无线传感器网络中概率Skyline查询的处理与优化技术.首先分析了概率Skyline查询的性质,证明了概率Skyline查询的不可分解性,因而无法直接利用网内计算方法求解;进而提出了无线传感器网络中基于过滤的概率Skyline查询处理算法(filter basedprobabilisticSkylinequeryprocessingalgorithminWSN,FPSP).FPSP算法将感知数据划分为候选数据、相关数据和无关数据;只需要候选数据和相关数据即可求得概率Skyline查询结果,可以在传感器节点过滤无关数据以避免大量的数据网内传输.仿真实验结果表明,FPSP算法可以有效降低传感器节点的数据传输量,极大地延长了无线传感器网络的使用寿命.     

缓存模式下的轮廓查询优化方法

研究在缓存模式下,利用一组预存储的临时轮廓快照集来高效等价重构用户新提交的轮廓查询Q,并提出一种新颖的缓存模式下轮廓查询处理算法(APSQCM)来完成该任务.APSQCM算法由两阶段组成,第一阶段捕获Q与缓存中临时轮廓快照间的内在关联,进而获取能够用来等价重构Q的所有轮廓基;而在第二阶段中,APSQCM算法使用轮廓基来快速产生Q的正确结果集.实验结果表明,APSQCM算法具有有效性和实用性.     

基于Skyline的三维数字校园系统

介绍了基于Skyline的三维数字校园建设的理论与方法,并实现了对西南科技大学三维数字校园的模拟,可让用户通过网络实现校园的自由漫游,并结合一定的交互操作实现地物的分析与测量、地物查询等功能。     

基于QoS协同关联的改进Skyline制造服务组合优化方法

服务社会网络环境下,云制造服务通过与其他参与同一任务的服务共享与竞争物理设备、信息、知识等资源形成协同效应,对双方实际执行效果具有重要影响,导致出现QoS偏离现象,现有服务选择模型难以适应这一情景。根据服务协同网络特点,本文提出基于QoS协同关联的制造服务组合方法。运用QoS协同关联和协同系数表达资源共享、冲突对QoS的影响程度,构建了新的服务选择优化模型。基于创新Skyline服务对概念,改善了Skyline算法在QoS协同关联条件下的搜索效率和结果,通过智能汽车制造仿真实验,验证了本文模型和算法的有效性。     

云环境下基于MapReduce的海量服务选择研究

当处理分布式、大规模的服务选择时,传统服务选择方法存在着效率不高和全局Qo S性能低下的问题。基于Map Reduce框架,设计了一种云环境下的海量服务选择方法以解决此问题。首先,基于Map Reduce框架,利用Skyline算法,筛选海量候选服务,生成Skyline服务库;其次,基于迭代式Map Reduce框架,运用多目标模拟退火算法,从所生成的Skyline服务库中优选Skyline服务,产生一组Pareto最优的组合服务;最后,依据用户的个性化和多样性需求,执行Top-k查询,优选出满足用户偏好的k个组合服务。该方法适应于具有分布式环境、高维Qo S的海量服务选择,能快速返回组合服务,且其全局Qo S较优。     

Effects of the application of different window functions and projection methods on processing of 1H J-resolved nuclear magnetic resonance spectra for metabolomics

Two dimensional (2D) homonuclear ¹H J-resolved (JRES) nuclear magnetic resonance spectroscopy is increasingly used in metabolomics. This approach visualises metabolite chemical shifts and scalar couplings along different spectral dimensions, thereby increasing peak dispersion and facilitating spectral assignments and accurate quantification. Here, we optimise the processing of 2D JRES spectra by evaluating different window functions, a traditional sine-bell (SINE) and a combined sine-bell-exponential (SEM) function. Furthermore, we evaluate different projection methods for generating 1D projected spectra (pJRES). Spectra were recorded from three disparate types of biological samples and evaluated in terms of sensitivity, reproducibility and resolution. Overall, the SEM window function yielded considerably higher sensitivity and comparable spectral reproducibility and resolution compared to SINE, for both 1D pJRES and 2D JRES datasets. Furthermore, for pJRES spectra, the highest spectral quality was obtained using SEM combined with skyline projection. These improvements lend further support to utilising 2D J-resolved spectroscopy in metabolomics.