吴建华
- 作品数：3 被引量：8H指数：2
- 供职机构：长沙理工大学计算机与通信工程学院更多>>
- 发文基金：国家自然科学基金湖南省研究生科研创新项目教育部科学技术研究重点项目更多>>
- 相关领域：自动化与计算机技术更多>>
- 参数化模糊联想记忆网络的学习算法
- 2009年
- 基于Dubois提出的带参数ξ的t-模Tξ,提出了一种参数化的广义模糊联想记忆网络Max-TξFAM。由于Tξ中参数ξ的作用,在应用中Max-TξFAM有更强的可调性和灵活性。接着利用Tξ的伴随蕴涵算子,提出了Max-TξFAM的一种有效学习算法。从理论上严格证明了,只要Max-TξFAM能完整可靠地存储所给的多个模式对,则所提出的学习算法一定能找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者。最后,用实验说明了所提出的学习算法的有效性。
- 唐良荣吴建华徐蔚鸿
- 关键词：模糊联想记忆网络学习算法T-模
- 一种基于LRFU缓存替换策略的HDFS客户端本地缓存设计与实现被引量：4
- 2018年
- Hadoop底层基础存储框架Hadoop分布式文件系统HDFS(Hadoop Distributed File System)是采用基于Master/Slave主从构架设计的分布式文件系统。Name Node负责管理所有文件的元数据和处理客户端对文件的访问。随着应用数据的不断增加,Data Node的不断加入,Name Node维护文件元数据、处理Hadoop应用的读取和删除等文件操作的工作量就会随之增加。Name Node的性能成为整个HDFS的瓶颈。提出一种思想,即将Name Node部分任务交与HDFS客户端完成,使每个HDFS客户端在某些功能上成为Name Node。用LRFU(Least Recently Used and Least Frequently Used)缓存替换策略提出一种在HDFS客户端建立本地缓存的解决方案,从而降低Name Node负载。通过实验证明Hadoop应用可以从缓存中读取文件块信息,而不必请求Name Node,提高了数据访问效率,降低了Name Node负载。
- 谢磊吴建华廖卓凡罗可
- 关键词：HDFS客户端缓存
- 关于优化K-medoids聚类算法搜索策略研究被引量：4
- 2016年
- 由于传统K-medoids聚类算法对初始中心点敏感,计算迭代次数较高,存在聚类准确率不够高等缺点。为了解决中心点敏感问题,首先利用密度思想为数据集中每个对象建立一个ε0-领域,利用最大最小距离法遴选出K个密度大且距离较远的ε0-领域,把对应的ε0-领域的核心对象作为聚类算法的K个初始中心点;然后,为了解决传统K-medoids聚类算法的迭代次数较高、全局搜索的盲目性,在获取有效初始中心点的前提下,提出了以初始中心点为核心进行ε0-领域搜索更新策略,用来减少聚类算法的中心点更新迭代次数;同时,为了解决传统K-medoids聚类算法聚类准确率较低等缺点,提出了赋予簇内距离和簇间距离不同权重的准则函数,增强聚类算法的评价标准。改进后的算法在Iris和Wine数据集上进行测试,实验结果表明,初始中心点分别位于不同的簇中,降低了算法的迭代次数,提高了聚类准确率。
- 朱纯吴建华潘毅
- 关键词：聚类算法
