检索结果

Select

1. 基于累计工作量的在线大数据分析作业调度算法

李叶飞, 徐超, 许道强, 邹云峰, 张晓达, 钱柱中

计算机应用 2019, 39 (8): 2431-2437. DOI: 10.11772/j.issn.1001-9081.2019010073

摘要（392）

PDF （1056KB）（249）

针对Hadoop和Spark等大数据分析系统中无先验知识任务的高效执行问题，设计了基于累计工作量（CRW）的任务调度器CRWScheduler。该调度器根据CRW将任务在低权重队列与高权重队列间切换；在为作业分配资源时，同时考虑到作业所在的队列和其瞬时占用资源量，无需作业先验知识即显著提升系统性能。基于Apache Hadoop YARN实现了CRWScheduler原型，在28个节点的基准测试集群上的实验表明，与YARN的公平调度机制相比，作业流时间（JFT）平均降低21%，其中95百分位的作业流时间（JFT）最多降低了35%，并且在与任务级调度程序协作时可获得进一步的性能提升。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于局部密度的快速离群点检测算法

邹云峰, 张昕, 宋世渊, 倪巍伟

计算机应用 2017, 37 (10): 2932-2937. DOI: 10.11772/j.issn.1001-9081.2017.10.2932

摘要（505）

PDF （914KB）（447）

已有的密度离群点检测算法LOF不能适应数据分布异常情况离群点检测，INFLO算法虽引入反向 k近邻点集有效地解决了数据分布异常情况的离群点检测问题，但存在需要对所有数据点不加区分地分析其 k近邻和反向 k近邻点集导致的效率降低问题。针对该问题，提出局部密度离群点检测算法--LDBO，引入强 k近邻点和弱k近邻点概念，通过分析邻近数据点的离群相关性，对数据点区别对待；并提出数据点离群性预判断策略，尽可能避免不必要的反向 k近邻分析，有效提高数据分布异常情况离群点检测算法的效率。理论分析和实验结果表明，LDBO算法效率优于INFLO，算法是有效可行的。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于小波分析的分数阶系统辨识信号降噪的变尺度阈值方法

朱呈祥邹云

计算机应用 2011, 31 (02): 543-547.

摘要（1390）

PDF （802KB）（947）

在目前愈来愈被关注的分数阶控制研究中，系统辨识的分数阶理论与方法是一个重要方向，其中，辨识实验检测数据的降噪是必须关注的课题。基于小波分析理论与方法，首先对系统辨识中常用的以伪随机二进制序列(PRBS)激励的分数阶系统输出信号及其干扰噪声的特性进行分析讨论，在此基础上，为克服常规阈值降噪法的局限性，提出了针对多层小波分解系数进行非线性变尺度量化改造的算法，进而形成了一种分数阶系统辨识信号降噪的变尺度阈值方法。仿真实验表明，该方法能够将噪声干扰削减到满意的水平，对于不同的信噪比情形具有很好的适用性。该研究旨在为进一步的辨识算法设计提供参考，以提高辨识精度。