一、索引优化设计及性能评测（论文文献综述）
韩书楷,熊子威,蒋德钧,熊劲[1]（2021）在《基于持久化内存的索引设计重新思考与优化》文中指出非易失性内存（non-volatile memory, NVM）是近几年来出现的一种新型存储介质.一方面,同传统的易失性内存一样,它有着低访问延迟、可字节寻址的特性;另一方面,与易失性内存不同的是,掉电后它存储的数据不会丢失,此外它还有着更高的密度以及更低的能耗开销.这些特性使得非易失性内存有望被大规模应用在未来的计算机系统中.非易失性内存的出现为构建高效的持久化索引提供了新的思路.由于非易失性硬件还处于研究阶段,因此大多数面向非易失性内存的索引研究工作基于模拟环境开展.在2019年4月英特尔发布了基于3D-XPoint技术的非易失性内存硬件apache pass （AEP）,这使得研究人员可以基于真实的硬件环境去进行相关研究工作.首先评测了真实的非易失性内存器件,结果显示AEP的写延迟接近DRAM,而读延迟是DRAM的3～4倍.基于对硬件的实际评测结果,研究发现过去很多工作对非易失性内存的性能假设存在偏差,这使得过去的一些工作大多只针对写性能进行优化,并没有针对读性能进行优化.因此,重新审视了之前研究工作,针对过去的混合索引工作进行了读优化.此外,还提出了一种基于混合内存的异步缓存方法.实验结果表明,经过异步缓存方法优化后的混合索引读性能是优化前的1.8倍,此外,经过异步缓存优化后的持久化索引最多可以降低50%的读延迟.
戈孜荣[2]（2020）在《面向ARM架构的HPC系统性能评测及应用移植优化》文中研究指明世界正朝着多样性计算时代发展,摩尔定律正在被重构。尽管以Intel和AMD代表的x86架构的处理器凭借高性能和通用性强等特点一直在高性能计算（High Performance Computing,HPC）服务器领域占据主要地位,但在构建下一代百亿亿次超级计算机时却面临着能耗问题的巨大挑战。这几年一直活跃于移动、嵌入式终端市场的高级精简指令集处理器（Advanced RISC Machine,ARM）以低功耗和高性能有望在HPC系统的能耗瓶颈上展现优势,它在ARM上的性能到底如何以及哪种应用更适合这种架构成为HPC领域研究者最关注的问题。之前大多数的研究都只关注ARM系统的能耗比,而少有面向HPC领域的性能评测,尤其对ARM计算架构进行HPC应用移植并做优化的研究工作也比较缺少。首先,论文分析了HPC领域主流的计算架构及它们应用市场,着重介绍了ARMv8-A架构及其特点;然后,基于HPC应用的特点提出了一种基于测试对象的HPC系统性能评测体系。利用该评测体系的系统组件对象,采用HPL、HPCG、STREAM、IOZone、OMB等基准程序来着重比较和分析ARM（鲲鹏920处理器）和x86（Intel至强6146处理器）在浮点计算力、持续内存带宽、磁盘读写性能以及网络等方面的性能差异。利用两类典型的HPC应用作为该评测体系的实际应用对象,通过真实算例的运行速度,性能基准等来分析应用在两个系统单核、多核及多节点的实际性能;最后,以分子动力学模拟软件——GROMACS为例,研究了该软件从x86到鲲鹏920 ARM服务器的移植过程,并通过硬件、软件两个层面对移植后的GROMACS进行了优化,分析该软件移植及优化后的性能表现。从本文实验结果来看,鲲鹏920处理器单处理器浮点计算力约为商用至强6146处理器的三分之一;在单节点内可持续内存带宽方面,鲲鹏920处理器凭借多核和多内存通道的优势,能够实现近乎线性的访存带宽增长;在磁盘读写性能方面,ARM平台下的磁盘在新旧文件的读写方面性能表现更为优越;在网络延迟上,ARM较x86系统在点对点通信延迟方面表现更好,而在网络带宽方面,ARM在大文件传输上展现一定的优势。同时实验得出,ARM在计算密集型计算任务（如NAMD）上计算能力要低于x86,而在WRF这类大内存带宽需求的应用,ARM较x86有25倍的性能提升。通过移植并优化后的GROMACS较x86实现了10.7%的性能超越。考虑购置成本,性能损耗等因素,鲲鹏920处理器在构建HPC系统时有着一定的竞争力,具有一定的研究和应用前景。
刘凯[3]（2020）在《面向数据挖掘的量子算法关键技术研究》文中认为量子计算作为一种利用量子力学基本原理来完成计算任务的新兴技术,具有经典计算无法比拟的强大计算能力,一经提出就获得广泛关注。尤其在大数质因子分解与Grover搜索等量子算法提出之后,人们更加深刻的认识到量子计算或将为整个信息处理领域的演进与发展带来强劲动力。最近,许多国家颁布了关于量子计算研究的中长期发展规划,不断为该领域的技术实现与应用探索加码提速。作为一项应用广泛的信息技术,数据挖掘旨在从海量数据中提取隐藏其中的重要信息。该研究领域的蓬勃发展已衍生出搜索引擎、社交软件等一系列的实用工具,极大的改变了人们的日常生活。然而伴随着大数据时代数据量的急剧攀升,数据挖掘任务面临着越来越多的挑战,急需强大的算力支持。为解决该问题,研究人员开始将目光投向未来可期的量子计算当中,尝试在学科交叉中寻求新的突破。在此背景下,我们针对数据挖掘领域中的若干问题开展量子算法的相关研究,一方面用于展示量子计算的优越性能,扩大其应用范围,另一方面也为数据挖掘领域面临的诸多挑战建言献策,提供未来可行的解决方案。具体来讲,本文的主要研究内容包括以下几个方面:1、归纳总结目前应用于数据挖掘领域的量子计算理论与方法量子计算经过多年的发展,拥有众多的理论与方法。本文,我们首先针对可应用于数据挖掘的量子计算基础理论进行介绍,阐述量子计算有别于经典计算的优良特性。然后,我们对目前量子数据挖掘中的已有方法进行归纳,总结量子算法的研究特点,为后续的相关研究提供参考。2、基于量子计算开展图像匹配问题研究图像匹配是数字图像处理中的关键步骤,其在目标定位、医学图像分析中扮演着重要角色。文中,我们基于量子比特的纠缠叠加特性设计了一种新型彩色图像存储模型,然后基于该模型我们提出了量子图像匹配的实现算法,该算法相比较于经典的图像匹配算法能实现平方级别的加速效果。3、基于量子计算进行图同构问题研究图同构问题是传统计算领域中的经典难题之一,尽管不少知名学者为该问题的求解付出了艰辛的努力,然而人们目前依然无法获知该问题是否能在多项式时间内解决。本文,我们利用量子计算的理论方法对其进行探索,设计出一种实用的近似求解算法。实验发现,相比于其它同类型的图同构问题求解方案,该方法不仅针对普通图拥有最好的同构判别精度,同时针对强正则图这类较难处理的图数据依旧有优越的判别能力。4、基于量子计算探索图相似性度量的新方式图相似性度量是一类开放性的数据挖掘应用问题,其在图数据结构的分类、聚类等任务中有重要的应用。本文,我们基于量子计算设计了一种新型图核函数构造方法,该方法利用量子漫步模型来提取拓扑结构特征。实验发现,相比于目前已有的若干经典图核函数,该方法能较好的完成图分类任务。5、基于量子计算探寻网络节点中心性度量的新方法寻找具有中心性的网络节点是图数据挖掘领域中经常需要面对的问题,已有的方案大多直接基于图拓扑结构来进行节点中心性的度量。文中,我们基于量子计算可逆原理,使用量子漫步的逆过程来进行中心节点的发掘。同时,我们将该中心性度量方法应用于社区发现任务中,针对经典标签传播算法中存在的冷启动与社区吞并问题进行了优化。实验发现,优化后的新方法能更精确、更稳定的完成社区划分任务。在本文的研究中,我们一方面使用量子计算的原理尝试对数据挖掘领域中的经典难题进行求解,设计相关的量子算法,展示量子计算的强大性能;另一方面我们也对数据挖掘领域中的应用性问题进行了探索,扩展了量子计算的应用范围。文中的研究方法不仅可促进量子计算与数据挖掘领域的交叉融合,同时也可为量子计算在其它信息处理领域的普及与应用提供有效的指导。
王博生[4]（2020）在《基于混合相似度及专注力编码机制的推荐系统算法研究》文中研究说明推荐系统是一种在当前互联网信息产业中应用较为广泛的系统。面对多种多样的推荐系统应用场景,数据特征和启动状态,协同过滤推荐算法面临一系列严峻的问题,这些问题包含但不仅限于冷启动问题、用户/物品矩阵稀疏和维度爆炸问题、用户-物品组织的长尾分布问题、用户选择的相似度度量问题等。本文针对当前协同过滤推荐算法存在的问题,通过引入混合相似度度量方法、结合专注力编码机制对用户行为数据编码等方法,一定程度上缓解了传统推荐算法普遍存在的冷启动和用户/物品矩阵稀疏问题。本文提出的基于混合相似度及专注力神经网络编码的推荐算法（ACFSI）在Movie Lens 1M数据集上相较于传统推荐算法展现出更加高效、准确的推荐效果。本文的工作主要有:（1）提出一种基于混合相似度的协同过滤推荐算法（CFSI）,该算法提升了协同过滤算法计算过程中面向用户、物品计算相似度时的准确度;通过研究传统相似度度量方法,归纳和总结各种相似度度量方法对于用户特征对比的侧重点,寻找兼顾多种特征表达角度的混合相似度度量方法,该方法能够合理兼顾物品自身独有特征和同类型物品共有特征,有效规避噪音。同时通过该算法,缓解了冷启动现象对于推荐系统准确度的影响,提升了推荐算法在相似度度量层面的性能。（2）提出一种基于专注力机制和递归神经网络的编码器（ARSE）,该编码器能够根据输入特征矩阵的情况对矩阵进行压缩,利用一个特征编码器代替传统协同过滤系统中用户/物品相似度矩阵本身,将不定长的用户物品评分序列编码为定长的用户特征表达向量,利用各个特征表达向量组合替代巨大的稀疏矩阵,从而达到降低传统协同过滤算法资源消耗过高的效果。同时,通过在编码器输入中加入用户/物品自身特征,一定程度上缓解“忠实用户”和“热门物品”在传统协同过滤算法中的不利影响。（3）根据本文提出的CFSI和ARSE算法,构建一种具有级联结构的新型推荐算法（ACFSI）,该算法首先接受用户对物品评分的数据,通过评分数据,构建、训练以输出定长用户特征向量为目标的神经网络编码器（ARSE）;之后,编码器输出用户特征表达将被导入到混合相似度的度量算法中,通过基于混合相似度的度量算法（CFSI）的协同推荐框架,对比各个用户的特征表达向量,得出面向各个用户的推荐物品序列。完成推荐任务。该级联算法在提升了推荐准确度的同时实现了对算法空间复杂度的压缩,为推荐算法和相关类似问题的研究提供了基础和参考。
李雯雯[5]（2019）在《嵌入式语音识别系统性能评测方法的研究与实现》文中进行了进一步梳理目前针对嵌入式语音识别系统识别性能的评测方法存在缺乏性能评测标准、测试效率低、覆盖率低、耗费大量人力的问题。针对上述问题,提出了一套针对语音识别性能的评测标准,设计了一套测试用例模板,解决测试覆盖率低的问题,同时基于智能互补的观点,提出基于交叉测试的自动化测试及基于X86平台的自动化回归测试两种测试方案,以实现保证测试覆盖率的同时提高测试效率,充分释放人力。在深入分析语音识别工作流程及嵌入式软件测试方法,探讨语音识别系统的测试入口后,提出一套嵌入式语音识别系统识别性能的评测标准;结合嵌入式语音识别系统的实际应用场景及影响识别的因素,提出覆盖实际使用场景的测试用例模板;基于嵌入式软件测试方法,将交叉测试方法引入嵌入式语音识别系统的性能评测,并进一步提出基于交叉测试的自动化测试方案,完成自动播报语音数据、建立宿主机与目标机的通信、自动获取测试结果、自动统计并分析测试结果;为提高测试效率,提出基于X86平台的自动化回归测试方案,将语音识别系统部署在X86平台,借助X86平台的处理性能及内存资源优势进行测试,通过自动化测试脚本对测试结果进行分析统计,将整个测试过程实现自动化。实验结果表明,基于交叉测试的自动化测试方案能够极大地覆盖测试范围,并借助自动化测试工具提高了测试效率;基于X86平台的自动化回归测试方案可实现回归测试过程的整体自动化。论文提出的语音识别性能评测标准为嵌入式语音识别系统的性能分析提供了一套评估依据;提出的测试用例模板极大覆盖了测试场景;论文将交叉测试方法引入嵌入式语音识别系统的性能评测,使测试内容更全面、测试结果更具参考性;论文提出基于X86平台的自动化回归测试实现了回归测试过程的整体自动化,并且测试平台灵活方便好移植,极大地节省了测试时间。
李宇明[6]（2019）在《数据库系统性能评测与质量管理》文中研究说明数据库管理系统作为重要的基础软件,广泛应用于金融、通讯、电商等领域的关键应用中。近年来,互联网的快速发展催生了大量的新型应用,同时传统应用也在快速演变。在新应用的驱动下,数据库系统得到了快速的发展。本世纪初兴起了No SQL数据库,如今New SQL数据库扮演着越来越重要的角色,目前知名的数据库系统已超过300个。此外,伴随着新硬件的发展,数据库系统的设计有了更多的选择,系统架构也在不断地重构。持续涌现的新应用、快速迭代的新系统对数据库系统的性能评测与质量管理带来了新的挑战。一直以来,评测基准是衡量数据库系统性能的一把尺子,引导着数据库系统的发展方向。但评测基准是对一类应用负载的抽象,服务于通用性的性能评测。对于一个特定应用,尤其是一个新型应用,由于评测基准的负载与实际应用可能差异巨大,因此其评测结果或许不具有指导意义。传统的测试数据和测试负载生成技术,由于生成数据和生成负载的应用弱相关性,基于其得到的评测结果对于特定应用来说可能不具有参考价值。同时,对于数据库系统的质量管理来说,评测基准负载是相对有限的,而当前测试数据和测试负载的生成技术也无法实现大规模事务负载的自动化生成,因此数据库系统对于事务型负载,尤其是高压、高冲突的事务型负载,难以得到充分评测。针对上述数据库系统的性能评测和质量管理问题,本文实现了新型的面向应用的数据库性能评测技术和大规模事务负载的自动化评测技术。本文的主要贡献总结如下:1.面向分析型应用的数据库性能评测技术。本文设计并实现了Touchstone系统,以支持负载感知的测试数据库生成和查询实例化。在Touchstone系统中,提出了一种新型的查询实例化机制,基于属性值的数据分布,利用二分搜索和随机采样算法快速定位符合基数约束的查询参数值。为实现测试数据库的并行生成,该系统设计了新型数据结构约束链和连接信息表来解耦属性之间的关联关系。为降低内存消耗,该系统提出了一种高效的连接信息表压缩算法,在不影响生成数据质量的情况下保证了内存消耗的可控性。2.面向事务型应用的数据库性能评测技术。本文设计并实现了Lauca系统,以支持面向事务型应用的模拟负载生成。在Lauca系统中,首次给出了事务型模拟负载生成中需要关注的关键负载特征。Lauca提出了利用事务结构信息和参数依赖信息来定义事务逻辑,以刻画应用负载中潜在的业务逻辑。为捕获目标负载数据访问分布中的倾斜性、动态性和连续性,该系统相应提出了倾斜数据访问分布、动态数据访问分布和连续数据访问分布。最后,Lauca在架构设计上保证了对生产环境中数据隐私的保护。3.大规模事务负载生成与执行正确性验证技术。本文设计并实现了Thor系统,以支持大规模事务负载测试案例的生成与执行正确性的验证。为生成全面且可控的随机事务负载,Thor抽象了一组基础数据库操作,通过在指定空间随机组合,生成大规模事务负载。为实现高压、高冲突事务负载下数据库的正确性验证,该系统提出了基于事务执行历史的异象和异常检测算法以及读结果集正确性验证算法,高效实现了数据库隔离级别的正确性验证。此外,Thor的系统设计保证了在海量事务执行历史下验证过程的低内存消耗。综上所述,本文针对数据库系统性能评测与质量管理中存在的问题,设计并实现了Touchstone、Lauca和Thor三个系统。首先,为解决面向分析型应用的数据库性能评测问题,Touchstone系统实现了高效的查询实例化和完全并行的测试数据库生成;其次,为解决面向事务型应用的数据库性能评测问题,Lauca系统能够生成与实际应用负载高度相似的模拟事务负载;最后,为解决数据库系统针对事务型负载测试不充分的问题,Thor系统支持大规模事务负载的自动化生成,并可对高压、高冲突事务负载下数据库的隔离级别进行正确性验证。本文通过大量实验验证了各个系统的有效性。未来的工作包括:进一步完善三个系统的外围工具,并进行开源和推广使用,其中Touchstone和Lauca系统已被引入Ti DB的质量管理体系;构建海量的测试案例库以支持数据库系统的自动化评测。
李冰瑶[7]（2019）在《面向云环境的天文图像数据子图存储方法研究》文中指出随着天文观测设备的建造和大型巡天项目的进行,天文图像数据数量飞速增长,随之而来的是对于海量天文图像数据存储与检索的迫切需求。大数据、云计算、虚拟化等新兴技术的普及使得基于云环境的服务得到广泛关注,庞大的天文数据也开始迁移到云环境中,然而“按需收费”的费用模式使得天文工作者需要支付高昂的费用。用户往往需要包含目标区域或天体的局部图像进行研究,原始全图的存储与传输会导致较高的费用和较长的传输时间与带宽消耗,因此天文工作者需要一个针对访问请求区域的子图存储服务,在进行高效检索的同时支付较少的费用。数据表明,经常使用的数据约为整体数据的20%,而极少使用的数据约占80%,因此基于不同性能存储介质的分级存储是目前针对数据存储问题的主流研究方向。然而,目前研究中的存储策略大部分应用于擦除和写寿命受到限制的存储介质以及实时替换更新的场景中,因此只是以最大化命中率或者最小化检索响应时间为目标,并没有将费用因素考虑在内。本文针对云环境天文图像数据的实际需求,提出一种天文图像子图存储方法,建立归档存储索引以及请求数据索引,保证检索效率;提出MinCT存储方法,使用云存储中归档存储和标准存储混合存储模式,对费用成本与检索响应时间两个指标建立多约束目标的存储模型;提出MinCT＿GA算法对建立的模型进行求解,最终将可能再次被用户请求的子图数据最大化的存储在标准存储中,使费用成本和请求响应时间达到相对平衡的状态。为了验证子图数据存储与检索的性能,本文在不同请求负载下将MinCT＿GA算法与按照访问频率、存储费用和取回费用排序的存储策略进行了多方面性能的对比与分析。实验结果显示,尽管MinCT＿GA算法在费用成本上比存储20%数据的策略高17.99%-20.61%,但请求响应时间减少了33.75%-74.46%;在请求响应时间上比存储访问频率前60%数据的策略多0.47%,但是费用成本减少了60.04%;在请求响应时间和费用成本方面均优于其余按照存储访问频率、存储费用、取回费用排序的存储策略。
李文辉[8]（2019）在《基于内容的三维模型检索关键技术研究》文中进行了进一步梳理近年来,随着三维模型建模技术的发展以及低成本采集设备的出现,三维模型数据规模日益庞大,已经成为文本、图像、视频、音频以外的一种新模态大数据。由于三维模型能够更加真实的表征自然界中物体的空间结构特性和外观特性,三维模型已被广泛的应用于智能制造、数字娱乐和虚拟现实等领域。面对指数级增长的三维模型大数据,如何实现便捷的三维模型获取和管理已成为亟待解决的难题。因此,基于内容的三维模型检索关键技术成为了当前计算机视觉和人工智能等相关领域的研究热点。本论文在对该领域研究现状进行深入调研和分析的基础上,以三维模型的多视图以及多模态数据为研究对象,对三维模型鲁棒的特征学习以及准确的相似性度量问题展开了深入研究。本文的具体研究工作和创新点总结如下:1.针对多视图视觉特征鲁棒性差的问题,提出了基于多视图内部排序信息和基于多视图间相关性信息的特征学习方法。基于多视图内部排序信息的特征学习方法采用排序支持向量机来挖掘三维模型多视图在特征空间中的排序信息,从而得到三维模型多视图的统一表征;基于多视图间相关性信息的特征学习方法采用三维模型之间的相关性来引导特征学习,通过度量学习中的映射矩阵提升模型特征的鲁棒性。在通用数据库上的实验表明,所提方法在各个评测指标上的检索精度优于现有经典方法1.2%-6.9%,检索速度提升了约15倍。2.针对多视图视觉特征相似性度量困难的问题,提出了基于层级化图结构的相似性度量方法。所提方法将多视图相似性度量中的多对多图匹配问题转化为融合各视角下单视图相似性度量问题,避免了多对多图匹配中局部子图结构挖掘以及匹配困难的问题。此外,本文提出了基于节点上下文信息以及基于模型上下文信息的单视图相似性度量方法,增强了单视图相似性度量。最后通过融合多个单视图的相似性得到三维模型多视图间的相似度。在通用数据库上的实验表明,所提方法在各个评测指标上的检索精度优于现有经典方法2.6%-6.0%。3.针对多模态数据分布差异显着的问题,提出了基于多模态的三维模型检索方法。所提方法通过采用相应的图匹配方法度量了三维模型多视图间的外观视觉相似性和点云间的空间结构相似性。最后通过融合策略实现多模融合的三维模型检索。在通用数据库上的实验表明,所提方法在各个评测指标上的检索精度优于现有经典方法1.9%-13.3%,适合可以获得多种模态信息的三维模型检索场景。此外,针对实际应用中单视图与数据库中三维模型多视图间的视觉特征分布差异显着的问题,本文构建了基于单视图的三维模型检索数据库,并在三维模型检索国际着名评测SHREC 2019-3D Shape Retrieval Contest上举办了基于单视图的三维模型检索国际评测,推动了该任务的研究。
徐慧[9]（2019）在《面向不确定数据的Top-k查询处理关键技术研究》文中进行了进一步梳理Top-k查询作为一种重要的数据管理操作,在信息检索、生物医疗、多目标决策支持等领域都发挥着重要的作用。由于网络传输延迟、数据采集设备精度限制、以及保护用户隐私数据等主客观原因,在日常的生产生活中,不确定数据广泛存在,从而为数据的查询带来了新的挑战。另外,随着云计算的普及,人们对于数据的隐私保护越来越重视,在数据安全与可用性之间需要作出审慎的权衡。针对不确定数据top-k查询处理面临的挑战,对该问题的研究工作分别从以下三个维度进行开展:首先,针对不确定数据上查询语义多样性导致查询复杂度高的问题,给出了基于期望编辑距离的不确定字符串top-k查询的形式化定义,提出了一个新的距离语义概率n-gram集合映射距离,进而结合查询语义以及概率n-gram分词的特点,提出基于概率n-gram集合映射距离的近似匹配过滤算法,并通过建立基于概率n-gram划分的多层倒排索引以及频率矩阵来进一步优化算法实现。通过对该算法进行时间复杂度分析和一系列对比实验性能评测,验证该算法实现对不确定字符串top-k查询的高效处理,相比于基准算法具有较高的剪枝过滤能力和良好的可扩展性。其次,针对查询候选集规模膨胀导致单机无法承载大规模不确定数据查询处理的查询性能问题,提出了在分布式环境下基于MapReduce框架的不确定字符串top-k查询处理并行化算法。首先基于概率n-gram集合映射距离提出了一个新的期望编辑距离下界,通过将此下界与阈值算法无缝结合,有效地提升Map阶段对候选项集的过滤修剪效率,从而在保证查询正确率的基础上,大大减少本地节点的计算开销,以及Map节点与Reduce节点之间的通信成本。通过分别在真实数据集和合成数据集上的一系列综合对比实验结果表明,该算法在最佳情况下的速度是基础并行算法的6倍,在大规模数据集上对不确定字符串的top-k查询具有显着的加速性能,并且在不同实验参数设置下具有良好的可扩展性。最后,针对云环境下数据共享导致的隐私安全性问题,提出了一种满足差分隐私的不确定数据top-k查询处理算法。首先,提出满足差分隐私的多维不确定数据top-k查询问题的形式化定义;然后,通过在本地建立满足差分隐私的R树索引,同时在服务器之间组建内容可寻址网络来构建分布式两级索引;最后,分别通过理论分析和实验测评验证了该算法满足?-差分隐私,具有较好的可扩展性,并且在相同的差分隐私原则下,与现有方法Quad-opt相比,该算法的数据可用性提高了约20%。综上所述,通过从单机环境下到分布式环境下的查询过滤性能和用户隐私数据安全性等不同维度对不确定数据top-k查询处理问题进行研究,从而形成一系列面向不确定数据的top-k查询处理优化算法,有效提升多种不确定数据在多个实际应用场景下的查询性能。
于涛[10]（2019）在《基于并行计算的点阵结构双尺度并发优化设计》文中指出随着增材制造技术的迅速发展,点阵材料作为新型的超轻质材料,由于其优异的比强度、比刚度、抗冲击及隔热能力,被越来越多的应用在航空/航天飞行器、医疗设备等先进工业装备制造中。但由点阵材料构成的结构多具有微观杆件数量庞大,构型复杂的特点,基于传统有限单元法对其进行建模分析计算量巨大,针对点阵结构的优化设计受限于有限元分析计算效率变得十分困难。本论文基于多尺度分析算法——拓展多尺度有限元法（Extended Multiscale Finite Element Method）与点阵结构双尺度并发优化设计框架,在MPI集群环境下,引入高性能并行科学计算库PETSc（The Portable,Extensible Toolkit for Scientific Computation）,开发了基于并行计算的点阵结构双尺度分析与优化程序框架,并以此为基础开展大规模三维点阵结构的多尺度分析与优化设计研究。主要工作与研究成果如下:1.分析EMsFEM（Extended Multiscale Finite Element Method,拓展多尺度有限元法）算法的并行性,从基于PETSc的并行程序实现的角度出发研究EMsFEM算法中宏微观有限元方程组的形成、宏观边界条件与微观线性边界条件的引入以及有限元方程组的并行求解。探究该程序框架在普通计算机上能够处理的问题规模,随后使用高性能服务器,计算程序的并行加速比与并行效率。指出对于EMsFEM算法而言,宏观尺度上的分析并行粒度大,并行加速效果明显,微观尺度分析并行粒度较小,可以采用串行计算或限制微观求解调用的处理器数量,以提高多尺度分析程序的性能。2.基于并行点阵结构多尺度分析程序,引入双尺度并发优化设计思想,开发基于并行计算的点阵结构双尺度并发优化设计框架。通过数值算例验证了该程序框架处理大规模三维点阵结构优化问题的能力。考察宏观单元密度与微观单胞材料体分比上限对双尺度优化结果的影响,发现增大宏观单元密度能够使材料在宏微观尺度上分配的更为合理,降低结构柔顺性,同时对于只考虑机械载荷作用的点阵结构双尺度优化设计而言,微观灵敏度的数值在平均意义上大于宏观灵敏度的数值,意味着材料会优先分配到微观尺度上,通过数值试验证明并在基体材料用量给定的情况下,材料越多的向微观分配,结构刚度性能就越好。这与普遍认同的多孔材料研究中当微观为实心材料时结构刚度最好的观点吻合。
二、索引优化设计及性能评测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、索引优化设计及性能评测（论文提纲范文）
（1）基于持久化内存的索引设计重新思考与优化（论文提纲范文）
| 1 非易失性内存简介 |
| 1.1 非易失性内存技术 |
| 1.2 Apache Pass |
| 2 AEP硬件性能评测 |
| 2.1 测试环境和方法 |
| 2.2 测试结果 |
| 2.2.1 延迟 |
| 2.2.2 带宽 |
| 2.2.3 与DRAM和SSD的比较 |
| 2.2.4 访问粒度的影响 |
| 2.2.5 访问线程数的影响 |
| 2.2.6 混合读写的影响 |
| 2.3 评测总结 |
| 3 基于非易失性内存的索引设计 |
| 3.1 案例分析:面向混合索引的性能优化 |
| 3.2 案例分析:基于持久化内存的异步缓存方法 |
| 4 相关工作 |
| 5 总 结 |
（2）面向ARM架构的HPC系统性能评测及应用移植优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文结构 |
| 第二章 高性能计算架构及处理器 |
| 2.1 HPC领域主流架构比较 |
| 2.1.1 主流计算架构 |
| 2.1.2 指令集差异 |
| 2.1.3 体系结构差异 |
| 2.2 ARMv8-A架构特性 |
| 2.3 ARM架构处理器特点 |
| 2.4 小结 |
| 第三章 ARM高性能计算系统性能评测 |
| 3.1 引言 |
| 3.2 评测内容 |
| 3.3 评测体系 |
| 3.4 评测方法 |
| 3.4.1 基准测试法 |
| 3.4.2 应用测试法 |
| 3.5 小结 |
| 第四章 实验结果分析 |
| 4.1 实验环境 |
| 4.2 基准测试结果分析 |
| 4.2.1 处理器性能 |
| 4.2.2 内存性能 |
| 4.2.3 磁盘性能 |
| 4.2.4 网络性能 |
| 4.3 应用性能结果分析 |
| 4.3.1 计算密集型应用性能 |
| 4.3.2 内存密集型应用性能 |
| 4.4 小结 |
| 第五章 面向ARM架构的GROMACS移植及优化 |
| 5.1 引言 |
| 5.2 应用移植 |
| 5.2.1 应用移植类型 |
| 5.2.2 软件分析 |
| 5.2.3 软件迁移 |
| 5.2.4 移植结果分析 |
| 5.3 应用优化 |
| 5.3.1 调优流程 |
| 5.3.2 硬件优化 |
| 5.3.3 软件优化 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 插图索引 |
| 表格索引 |
| 工作经历及在校期间研究成果 |
| 致谢 |
（3）面向数据挖掘的量子算法关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 量子计算简介 |
| 1.1.2 数据挖掘面临的挑战 |
| 1.1.3 数据挖掘对量子计算的需求 |
| 1.2 研究课题主要内容及创新点 |
| 1.2.1 课题研究主要内容 |
| 1.2.2 课题研究创新点 |
| 1.3 论文结构 |
| 第二章 量子计算基础及相关研究 |
| 2.1 量子计算基本概念 |
| 2.1.1 量子比特及其特性 |
| 2.1.2 量子比特的状态变换 |
| 2.1.3 量子测量 |
| 2.2 量子算法发展动态 |
| 2.2.1 经典量子算法 |
| 2.2.2 量子图像处理算法 |
| 2.2.3 基于量子漫步的图计算方法 |
| 2.2.4 量子机器学习算法 |
| 2.3 量子算法的研究特点 |
| 第三章 基于量子计算的图像匹配问题研究 |
| 3.1 基于量子叠加原理的量子图像存储机制 |
| 3.1.1 量子彩色图像存储模型——OCQR |
| 3.1.2 量子彩色图像存储模型的制备策略 |
| 3.1.3 基于OCQR模型的基本图像处理操作 |
| 3.1.4 OCQR模型与传统模型的性能比较 |
| 3.2 量子图像匹配算法 |
| 3.2.1 图像匹配问题描述及相关量子算法 |
| 3.2.2 量子图像匹配算法实现过程 |
| 3.2.3 算法复杂度分析 |
| 3.3 本章小结 |
| 第四章 基于量子漫步的图同构问题研究 |
| 4.1 图同构问题描述 |
| 4.2 基于量子漫步设计的图同构算法相关研究 |
| 4.3 基于离散量子漫步的高效图同构算法:MapEff |
| 4.3.1 关于图数据的量子漫步模型 |
| 4.3.2 MapEff算法实现步骤 |
| 4.3.3 典型示例分析 |
| 4.3.4 算法复杂度分析 |
| 4.4 算法模拟实验验证 |
| 4.4.1 实验设置 |
| 4.4.2 针对普通图的模拟实验评测 |
| 4.4.3 针对强正则图的模拟实验评测 |
| 4.5 本章小结 |
| 第五章 基于量子漫步的图相似性度量研究 |
| 5.1 图相似性度量问题描述 |
| 5.2 基于图核函数的图相似性度量相关研究 |
| 5.3 基于量子漫步设计的图核函数——AMGK |
| 5.3.1 应用于AMGK图核的量子漫步模型 |
| 5.3.2 节点的特征向量表示 |
| 5.3.3 图核函数设计 |
| 5.3.4 算法有效性分析 |
| 5.4 算法性能评测 |
| 5.4.1 实验数据介绍 |
| 5.4.2 图分类实验结果 |
| 5.5 本章小结 |
| 第六章 基于量子计算的网络中心性分析及应用 |
| 6.1 网络中心性问题描述 |
| 6.2 基于量子漫步的网络中心性度量方法(QWCM) |
| 6.2.1 QWCM算法实现步骤 |
| 6.2.2 QWCM算法分析 |
| 6.3 基于网络中心性度量的新型标签传播算法 |
| 6.3.1 传统标签传播算法存在的问题 |
| 6.3.2 基于节点中心性度量的标签传播算法（LPA-BC） |
| 6.3.3 增强型标签传播算法(RLPA) |
| 6.4 算法实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 性能评测结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（4）基于混合相似度及专注力编码机制的推荐系统算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 前言 |
| 1.1 推荐算法的研究背景和意义 |
| 1.2 深度学习算法的研究背景和意义 |
| 1.3 本文的研究内容和意义 |
| 1.4 本文的组织结构 |
| 第2章 CFSI算法—基于混合相似度的协同过滤推荐算法 |
| 2.1 推荐系统和推荐算法概况 |
| 2.2 推荐系统的架构 |
| 2.2.1 离线推荐的架构 |
| 2.2.2 在线推荐的架构 |
| 2.3 推荐算法中数据的组织 |
| 2.3.1 推荐系统数据源的类型 |
| 2.3.2 推荐算法数据的组织和表示 |
| 2.3.3 推荐系统数据预处理的常见方法 |
| 2.4 协同过滤算法 |
| 2.4.1 协同过滤算法模型的基本流程 |
| 2.4.2 用户相似度矩阵 |
| 2.4.3 物品相似度矩阵 |
| 2.4.4 基于用户的协同过滤算法 |
| 2.4.5 基于物品的协同过滤算法 |
| 2.5 CFSI算法—基于混合相似度的协同过滤推荐算法 |
| 2.5.1 物品/用户冷启动 |
| 2.5.2 冷启动问题的统计学表征 |
| 2.5.3 巴氏系数相似度度量 |
| 2.5.4 皮尔森相似度度量 |
| 2.5.5 余弦相似度度量 |
| 2.5.6 WCFSI算法—加权皮尔森系数和余弦相似度的混合相似度度量方法 |
| 2.6 本章总结 |
| 第3章 ARSE算法—基于专注力机制的递归神经网络编码器 |
| 3.1 前馈神经网络 |
| 3.1.1 神经网络的生物学背景 |
| 3.1.2 第二代神经元计算单元 |
| 3.1.3 多层前馈网络 |
| 3.1.4 误差反向传播 |
| 3.2 递归神经网络 |
| 3.2.1 递归神经网络的结构和学习方式 |
| 3.3 ARSE算法—基于专注力机制的递归神经网络编码器 |
| 3.3.1 Encoder/Decoder模型 |
| 3.3.2 专注力机制嵌入Encoder/Decoder算法 |
| 3.3.3 面向用户评分序列的专注力编码器算法构建 |
| 3.3.4 ARSE算法—基于专注力机制的递归神经网络编码器 |
| 3.4 本章总结 |
| 第4章 ACFSI算法—基于混合相似度及专注力编码机制的推荐系统算法 |
| 4.1 ACFSI推荐算法整体结构 |
| 4.2 ACFSI算法的数据预处理 |
| 4.3 ACFSI算法运行流程 |
| 4.3.1 相似度评分编码器训练 |
| 4.3.2 ACFSI算法的离线推荐 |
| 4.4 本章总结 |
| 第5章 ACFSI算法的性能评测 |
| 5.1 数据集介绍 |
| 5.1.1 Movie Lens1M数据集的基本情况 |
| 5.1.2 Movie Lens1M数据集的的统计学特征 |
| 5.2 推荐算法的性能评测标准 |
| 5.2.1 MAE指标 |
| 5.2.2 RMSE指标 |
| 5.2.3 NMAE指标 |
| 5.3 ACFSI算法的性能评测 |
| 5.3.1 ARSE算法编码性能评测 |
| 5.3.2 CFSI推荐性能评测 |
| 5.3.3 ARSE推荐性能评测 |
| 5.3.4 ACFSI推荐性能评测 |
| 5.4 本章总结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的科研情况 |
（5）嵌入式语音识别系统性能评测方法的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 嵌入式软件测试国内外研究现状 |
| 1.2.2 嵌入式语音识别系统的性能评测方案 |
| 1.3 研究内容及创新点 |
| 1.4 论文组织结构 |
| 第二章 相关背景知识介绍 |
| 2.1 语音识别系统工作流程 |
| 2.1.1 前端信号处理 |
| 2.1.2 后端识别 |
| 2.1.3 整体流程 |
| 2.2 语音识别系统的应用 |
| 2.2.1 语音识别系统分类 |
| 2.2.2 嵌入式语音识别系统 |
| 2.3 软件测试技术 |
| 2.3.1 软件测试的定义及目的 |
| 2.3.2 软件测试的过程 |
| 2.3.3 性能评测指标 |
| 2.3.4 传统软件测试方法 |
| 2.3.5 软件自动化测试 |
| 2.4 嵌入式软件测试 |
| 2.4.1 嵌入式软件的特点 |
| 2.4.2 嵌入式软件测试方法 |
| 2.4.3 嵌入式软件测试过程 |
| 2.4.4 嵌入式软件测试的难点 |
| 2.5 本章小结 |
| 第三章 嵌入式语音识别系统的性能评测方案 |
| 3.1 测试用例的设计 |
| 3.1.1 需求分析 |
| 3.1.2 影响语音识别的因素 |
| 3.1.3 设计测试用例 |
| 3.2 测试数据准备 |
| 3.2.1 语音数据 |
| 3.2.2 标注文件 |
| 3.3 系统测试方案 |
| 3.3.1 测试分析 |
| 3.3.2 测试方案 |
| 3.4 性能评测 |
| 3.4.1 唤醒及识别指标的计算方法 |
| 3.4.2 前端信号处理性能评测方式 |
| 3.5 本章小结 |
| 第四章 基于交叉测试的自动化测试方案 |
| 4.1 交叉测试方案 |
| 4.2 自动化播报语音 |
| 4.3 自动化传输测试数据 |
| 4.3.1 数据需求 |
| 4.3.2 定义通信协议 |
| 4.3.3 数据传输过程 |
| 4.4 自动化分析测试数据 |
| 4.4.1 数据分析 |
| 4.4.2 标注文件 |
| 4.5 实验验证 |
| 4.5.1 实验过程 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 第五章 基于X86平台的自动化回归测试方案 |
| 5.1 X86自动化回归测试方案 |
| 5.2 X86自动化回归测试的引入 |
| 5.2.1 自动化回归测试 |
| 5.2.2 X86自动化回归测试的设计原则 |
| 5.3 X86自动化回归测试的设计策略 |
| 5.3.1 测试数据采集及格式要求 |
| 5.3.2 测试方案的架构 |
| 5.3.3 测试工具的可配置参数 |
| 5.3.4 测试脚本 |
| 5.4 X86自动化回归测试的实现 |
| 5.4.1 回归测试的测试用例选择 |
| 5.4.2 自动化回归测试过程 |
| 5.5 实验验证 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（6）数据库系统性能评测与质量管理（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容和面临的挑战 |
| 1.3 本文的主要贡献 |
| 1.3.1 面向分析型应用的数据库性能评测 |
| 1.3.2 面向事务型应用的数据库性能评测 |
| 1.3.3 大规模事务负载生成与执行正确性验证 |
| 1.4 章节安排 |
| 第二章 背景知识和相关工作 |
| 2.1 数据库系统的评测基准 |
| 2.1.1 针对OLAP的评测基准 |
| 2.1.2 针对OLTP的评测基准 |
| 2.1.3 其他评测基准及相关工具 |
| 2.2 数据库系统的质量管理 |
| 2.2.1 不同类型的测试 |
| 2.2.2 测试流程控制 |
| 2.2.3 自动化工具 |
| 2.3 相关工作 |
| 2.3.1 测试数据的生成 |
| 2.3.2 测试负载的生成 |
| 2.3.3 负载感知的测试数据库生成 |
| 2.4 本章小节 |
| 第三章 面向分析型应用的数据库性能评测 |
| 3.1 预备知识 |
| 3.1.1 动机与目标 |
| 3.1.2 问题定义与分析 |
| 3.1.3 系统架构概览 |
| 3.2 随机属性生成 |
| 3.3 查询实例化 |
| 3.3.1 查询实例化流程 |
| 3.3.2 等值选择基数约束的处理 |
| 3.3.3 非等值选择基数约束的处理 |
| 3.3.4 非等值连接基数约束的处理 |
| 3.4 测试数据库生成 |
| 3.4.1 数据生成机制 |
| 3.4.2 匹配缺失的处理 |
| 3.4.3 连接信息表的维护 |
| 3.5 实验与分析 |
| 3.5.1 实验环境 |
| 3.5.2 实验结果及分析 |
| 3.6 本章小节 |
| 第四章 面向事务型应用的数据库性能评测 |
| 4.1 预备知识 |
| 4.1.1 工作动机 |
| 4.1.2 问题定义与分析 |
| 4.1.3 系统架构概览 |
| 4.2 测试数据库生成 |
| 4.3 事务逻辑 |
| 4.3.1 事务逻辑定义 |
| 4.3.2 事务逻辑提取 |
| 4.4 数据访问分布 |
| 4.4.1 倾斜数据访问分布 |
| 4.4.2 动态数据访问分布 |
| 4.4.3 连续数据访问分布 |
| 4.5 测试负载生成 |
| 4.6 实验与分析 |
| 4.6.1 实验环境 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小节 |
| 第五章 大规模事务负载生成与执行正确性验证 |
| 5.1 问题描述 |
| 5.2 系统架构概览 |
| 5.3 随机测试数据库生成 |
| 5.3.1 数据库模式的生成 |
| 5.3.2 数据库实例的生成 |
| 5.4 随机事务负载生成 |
| 5.4.1 基础数据库操作 |
| 5.4.2 负载生成机制 |
| 5.5 执行结果正确性验证 |
| 5.5.1 异象和异常检测 |
| 5.5.2 读结果集正确性验证 |
| 5.6 实验与分析 |
| 5.6.1 实验环境 |
| 5.6.2 实验结果及分析 |
| 5.7 本章小节 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及在学期间所取得的科研成果 |
（7）面向云环境的天文图像数据子图存储方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.3 主要创新和贡献 |
| 1.4 本文内容和结构 |
| 第2章 相关工作概述 |
| 2.1 天文图像数据检索与存储 |
| 2.2 云存储理论与相关技术 |
| 2.2.1 云存储体系结构 |
| 2.2.2 数据分级存储管理 |
| 2.3 冷热数据存储问题 |
| 2.4 约束优化问题求解方法研究 |
| 2.5 本章小结 |
| 第3章 面向云环境的天文图像数据存储方法 |
| 3.1 问题定义与理论分析 |
| 3.2 子图存储架构设计 |
| 3.3 索引方法设计 |
| 3.4 多目标约束的数据存储模型 |
| 3.4.1 费用成本模型 |
| 3.4.2 响应时间模型 |
| 3.4.3 多目标约束模型 |
| 3.5 多目标约束的数据存储算法 |
| 3.5.1 MinCT＿GA算法流程 |
| 3.5.2 问题编码 |
| 3.5.3 请求序列预处理 |
| 3.5.4 种群初始化 |
| 3.5.5 适应度函数 |
| 3.5.6 遗传操作算子设计 |
| 3.5.7 子图合并优化 |
| 3.6 本章小结 |
| 第4章 性能评测与分析 |
| 4.1 实验设计与说明 |
| 4.2 数据热度周期粒度设定 |
| 4.3 性能对比与分析 |
| 4.3.1 请求命中率 |
| 4.3.2 费用成本 |
| 4.3.3 请求响应时间 |
| 4.3.4 本节小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）基于内容的三维模型检索关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 三维模型检索概述 |
| 1.2.1 基于文本的三维模型检索 |
| 1.2.2 基于内容的三维模型检索 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 相关工作基础 |
| 2.1 三维模型数据库 |
| 2.1.1 真实三维模型数据库 |
| 2.1.2 虚拟三维模型数据库 |
| 2.2 三维模型检索评测指标 |
| 2.3 三维模型检索国际比赛 |
| 2.4 三维模型检索系统 |
| 2.4.1 基于文本的三维模型检索系统 |
| 2.4.2 基于内容的三维模型检索系统 |
| 2.5 本章小结 |
| 第3章 基于多视图相关性的特征学习方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 基于模型的特征学习方法 |
| 3.2.2 基于视图的特征学习方法 |
| 3.3 基于视图分辨力排序的特征学习方法 |
| 3.3.1 研究动机 |
| 3.3.2 算法介绍 |
| 3.3.3 实验结果与分析 |
| 3.3.4 本节小结 |
| 3.4 基于图嵌入的特征学习方法 |
| 3.4.1 研究动机 |
| 3.4.2 算法介绍 |
| 3.4.3 实验结果与分析 |
| 3.4.4 本节小结 |
| 3.5 本章小结 |
| 第4章 基于层级化图结构的相似性度量学习方法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 基于无监督的相似性度量方法 |
| 4.2.2 基于有监督的相似性度量方法 |
| 4.3 算法介绍 |
| 4.3.1 算法概述 |
| 4.3.2 单视图图结构构建 |
| 4.3.3 单视图相似性度量 |
| 4.3.4 多视图相似性度量 |
| 4.4 实验结果与分析 |
| 4.4.1 数据库与评测标准 |
| 4.4.2 实验设置 |
| 4.4.3 与无监督方法性能对比 |
| 4.4.4 与有监督方法性能对比 |
| 4.5 本章小结 |
| 第5章 基于多模态的三维模型检索方法 |
| 5.1 引言 |
| 5.2 基于图匹配的多模态三维模型检索方法 |
| 5.2.1 研究动机 |
| 5.2.2 相关工作 |
| 5.2.3 算法介绍 |
| 5.2.4 实验结果与分析 |
| 5.2.5 本节小结 |
| 5.3 基于单视图的三维模型检索 |
| 5.3.1 研究动机 |
| 5.3.2 相关工作 |
| 5.3.3 基于单视图的三维模型检索数据库 |
| 5.3.4 国际评测比赛 |
| 5.3.5 本节小结 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）面向不确定数据的Top-k查询处理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 基于近似匹配的不确定字符串Top-k查询处理算法 |
| 2.1 问题定义 |
| 2.2 基于概率n-gram划分的多层倒排索引 |
| 2.3 基于近似匹配的EED-Topk查询处理算法 |
| 2.4 性能评测 |
| 2.5 本章小结 |
| 3 基于MapReduce的不确定字符串Top-k查询处理算法 |
| 3.1 MapReduce编程模型 |
| 3.2 基于MapReduce的 EED-Topk查询基准算法 |
| 3.3 基于MapReduce的 EED-Topk查询并行优化算法 |
| 3.4 性能评测 |
| 3.5 本章小结 |
| 4 满足差分隐私的不确定数据Top-k查询处理算法 |
| 4.1 问题定义 |
| 4.2 满足差分隐私的R树索引 |
| 4.3 满足差分隐私的Top-k查询处理算法 |
| 4.4 查询开销分析 |
| 4.5 安全性分析 |
| 4.6 性能评测 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表的学术论文 |
| 附录2 攻读博士学位期间申请的发明专利 |
| 附录3 攻读博士学位期间参与的科研项目 |
（10）基于并行计算的点阵结构双尺度并发优化设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题背景 |
| 1.2 点阵结构的分析与优化设计 |
| 1.3 高性能结构拓扑优化设计方法 |
| 1.4 本文工作介绍 |
| 2 并行数值计算库PETSc与EMsFEM基本理论 |
| 2.1 并行计算基本概念 |
| 2.2 PETSc并行科学计算库 |
| 2.2.1 PETSc的框架结构 |
| 2.2.2 PETSc功能组件 |
| 2.3 拓展多尺度有限元法(EMsFEM)的基本理论 |
| 2.4 小结 |
| 3 基于并行计算的点阵结构多尺度分析程序开发 |
| 3.1 EMsFEM并行实现 |
| 3.1.1 EMsFEM算法并行性分析与并行框架 |
| 3.1.2 宏/微观有限元方程组的形成 |
| 3.1.3 宏观和微观线性边界条件的引入 |
| 3.1.4 有限元方程组并行求解 |
| 3.2 数值算例 |
| 3.2.1 正确性验证 |
| 3.2.2 性能分析 |
| 3.3 小结 |
| 4 基于并行计算的点阵结构双尺度并发优化设计 |
| 4.1 程序框架 |
| 4.2 点阵材料/结构一体化优化列式 |
| 4.3 灵敏度分析及优化求解流程 |
| 4.4 数值算例 |
| 4.4.1 几种点阵结构的双尺度优化设计 |
| 4.4.2 有限元离散精度对双尺度优化结果的影响 |
| 4.4.3 微观体积份数的影响 |
| 4.5 小结 |
| 结论 |
| 展望 |
| 参考文献 |
| 附录A PETSc并行计算环境配置 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、索引优化设计及性能评测（论文参考文献）
- [1]基于持久化内存的索引设计重新思考与优化[J]. 韩书楷,熊子威,蒋德钧,熊劲. 计算机研究与发展, 2021(02)
- [2]面向ARM架构的HPC系统性能评测及应用移植优化[D]. 戈孜荣. 兰州大学, 2020(01)
- [3]面向数据挖掘的量子算法关键技术研究[D]. 刘凯. 国防科技大学, 2020(01)
- [4]基于混合相似度及专注力编码机制的推荐系统算法研究[D]. 王博生. 西华师范大学, 2020(12)
- [5]嵌入式语音识别系统性能评测方法的研究与实现[D]. 李雯雯. 南京邮电大学, 2019(02)
- [6]数据库系统性能评测与质量管理[D]. 李宇明. 华东师范大学, 2019(02)
- [7]面向云环境的天文图像数据子图存储方法研究[D]. 李冰瑶. 天津大学, 2019(01)
- [8]基于内容的三维模型检索关键技术研究[D]. 李文辉. 天津大学, 2019
- [9]面向不确定数据的Top-k查询处理关键技术研究[D]. 徐慧. 华中科技大学, 2019(03)
- [10]基于并行计算的点阵结构双尺度并发优化设计[D]. 于涛. 大连理工大学, 2019(02)