同訓(xùn)練節(jié)點(diǎn)的數(shù)據(jù)分布往往是異構(gòu)的,訓(xùn)練速度也不同,甚至不同任務(wù)的訓(xùn)練目標(biāo)也有區(qū)別.面對(duì)上述情況,基本的模型聚合算法無(wú)法保障聯(lián)邦學(xué)習(xí)的訓(xùn)練速度和模型性能.為了解決這些問題,現(xiàn)有研究工作已經(jīng)開始嘗試各種聯(lián)邦學(xué)習(xí)的改進(jìn)方法.例如,文獻(xiàn)[13]基于受限的局部更新進(jìn)行研究,通過將全局模型拆分為多個(gè)僅更新自己部分的參數(shù)的局部模型以實(shí)現(xiàn)降低通信和計(jì)算成本的目標(biāo).文獻(xiàn)[14]基于設(shè)備分組的方式將參與聯(lián)邦學(xué)習(xí)的設(shè)備劃分為不同的組進(jìn)行本地模型訓(xùn)練和參數(shù)交換以降低通信需求.同時(shí)

線圖作為呈現(xiàn)數(shù)據(jù)分布特征的可視化技術(shù),為初中生開展數(shù)據(jù)分析活動(dòng)提供了一種簡(jiǎn)單而直觀的工具．由于箱線圖是《標(biāo)準(zhǔn)2022》中新增的內(nèi)容,所以絕大多數(shù)一線教師對(duì)其并不熟悉．為此,本文將依循箱線圖有何形式、從何而來、如何認(rèn)識(shí)、如何教學(xué)的邏輯線索展開分析:首先介紹箱線圖的呈現(xiàn)形式;再對(duì)箱線圖的起源與發(fā)展進(jìn)行說明;然后從“數(shù)”“形”兩個(gè)角度討論箱線圖,加深認(rèn)識(shí);最后提出關(guān)于箱線圖的教學(xué)思考．1 何其形:箱線圖的呈現(xiàn)形式《標(biāo)準(zhǔn)2022》中出現(xiàn)的箱線圖,也可稱為盒須圖,緣

動(dòng)盤端面跳動(dòng)數(shù)據(jù)分布直方圖如圖1所示。依據(jù)動(dòng)盤SRO數(shù)據(jù)及擬合參數(shù)，可以判定制動(dòng)盤端面跳動(dòng)滿足設(shè)計(jì)要求，不是影響抖動(dòng)的根本原因。表1 制動(dòng)盤上下制動(dòng)面SRO測(cè)量結(jié)果 單位:μm圖1 制動(dòng)盤端面跳動(dòng)數(shù)據(jù)分布直方圖3.4 制動(dòng)盤厚度差分析DTV設(shè)計(jì)目標(biāo)：周向厚度差不超過0.007 mm，徑向厚度差不超過0.05 mm。利用千分表測(cè)量制動(dòng)盤厚度差，結(jié)果見表2，制動(dòng)盤厚度差數(shù)據(jù)分布直方圖如圖2所示。結(jié)果顯示，數(shù)據(jù)分布為偏向型，DTV均值為0.091 mm，大于目標(biāo)

，采集的信號(hào)數(shù)據(jù)分布存在差異[12]。因此用歷史數(shù)據(jù)訓(xùn)練的預(yù)測(cè)模型在識(shí)別另一把刀具的磨損數(shù)據(jù)時(shí)會(huì)引起歷史模型失效、泛化性差等問題。針對(duì)不同刀具磨損數(shù)據(jù)分布不一致造成的歷史模型失效問題，本文利用一維卷積神經(jīng)網(wǎng)絡(luò)可自適應(yīng)提取特征的特點(diǎn)，提出了一種基于多通道一維卷積神經(jīng)網(wǎng)絡(luò)(1D-convolutional neural networks, 1D-CNN)的刀具磨損動(dòng)態(tài)預(yù)測(cè)模型。首先，通過歷史刀具磨損數(shù)據(jù)建立初始的一維卷積神經(jīng)網(wǎng)絡(luò)刀具磨損預(yù)測(cè)歷史模型。在此基礎(chǔ)上

力。一、通過數(shù)據(jù)分布獲得中位數(shù)與眾數(shù)例1某校根據(jù)九年級(jí)學(xué)生期末考試成績(jī)?cè)谀昙?jí)中的位次，從高到低把學(xué)生成績(jī)?cè)u(píng)定為5個(gè)等第：A+、A、B、C、D，各等第人數(shù)分布的扇形統(tǒng)計(jì)圖如下。某校九年級(jí)期末考試各等第人數(shù)分布扇形統(tǒng)計(jì)圖（1）由圖可知，這次考試成績(jī)的中位數(shù)應(yīng)被評(píng)定為______等第；（2）這次考試成績(jī)的眾數(shù)一定被評(píng)定為B或C等第嗎？說明理由。【分析】本題結(jié)合扇形統(tǒng)計(jì)圖考查中位數(shù)和眾數(shù)的概念。從本題的扇形統(tǒng)計(jì)圖中，我們不能獲取每個(gè)學(xué)生的等第這個(gè)精確數(shù)據(jù)，只能獲取

生放射場(chǎng)強(qiáng)度數(shù)據(jù)分布，按照0.5 min、1 min、2 min，直至10 min，統(tǒng)計(jì)200 MU/min、400 MU/min、600 MU/min 的感生放射場(chǎng)強(qiáng)度數(shù)據(jù)。②不同照射時(shí)長(zhǎng)條件下不同照射面積的感生放射場(chǎng)強(qiáng)度數(shù)據(jù)分布，不同照射時(shí)長(zhǎng)條件下不同照射面積（10 cm×10 cm、20 cm×20 cm、30 cm×30 cm、40 cm×40 cm）的感生放射場(chǎng)強(qiáng)度數(shù)據(jù)分布。③不同照射時(shí)長(zhǎng)條件下不同部位的感生放射場(chǎng)強(qiáng)度數(shù)據(jù)分布，設(shè)照射中心為地點(diǎn)A

練數(shù)據(jù)與測(cè)試數(shù)據(jù)分布相同的假設(shè)上。然而，當(dāng)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)的數(shù)據(jù)分布不同時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)方法往往表現(xiàn)不佳[13]。實(shí)際生產(chǎn)過程中，機(jī)械設(shè)備的工作狀態(tài)與條件往往是動(dòng)態(tài)變化的，設(shè)備所產(chǎn)生的故障診斷數(shù)據(jù)分布也會(huì)隨之改變。另外，在故障診斷中，高質(zhì)量的帶標(biāo)簽的數(shù)據(jù)通常較少，這給故障診斷帶來了較大的挑戰(zhàn)。為了解決故障診斷數(shù)據(jù)不足的問題，無(wú)監(jiān)督的故障診斷方法受到了廣泛關(guān)注，LIU等[14]提出一種分類對(duì)抗自編碼器(Categorical Adversarial Aut

出了一種基于數(shù)據(jù)分布密度的加權(quán)RANSAC（Random Sample Consensus）直線檢測(cè)算法以及一種基于動(dòng)態(tài)閾值的DBSCAN（Dynamic Threshold Density-Based Spatial Clustering of Applications with Noise，DT-DBSCAN）聚類算法。實(shí)驗(yàn)表明，本文方法可以滿足無(wú)人駕駛系統(tǒng)實(shí)時(shí)性的要求，經(jīng)過改進(jìn)后提高了檢測(cè)的魯棒性和準(zhǔn)確率。2 感興趣區(qū)域提取在結(jié)構(gòu)化道路場(chǎng)景中，無(wú)人駕

移描述了流式數(shù)據(jù)分布隨統(tǒng)計(jì)時(shí)間而發(fā)生不可預(yù)見的變化.研究概念漂移檢測(cè)，有助于提高實(shí)際生活中決策和管理模型的預(yù)知性，預(yù)測(cè)和預(yù)警模型的準(zhǔn)確度.在移動(dòng)互聯(lián)網(wǎng)時(shí)代，大量的流式數(shù)據(jù)涌入人們的生活，不同于傳統(tǒng)的靜態(tài)數(shù)據(jù)，流式數(shù)據(jù)具有數(shù)據(jù)量大，實(shí)時(shí)可變性強(qiáng)的特點(diǎn).流式數(shù)據(jù)分為穩(wěn)定的數(shù)據(jù)流和動(dòng)態(tài)的數(shù)據(jù)流，穩(wěn)定的數(shù)據(jù)流獨(dú)立同分布，而動(dòng)態(tài)數(shù)據(jù)流不獨(dú)立同分布，容易出現(xiàn)概念漂移.因此迫切需要高效的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)支持我們作出預(yù)測(cè)和決策.隨著產(chǎn)品的更新發(fā)展，市場(chǎng)的激烈競(jìng)爭(zhēng)，顧

提出一種基于數(shù)據(jù)分布一致性的估計(jì)算法：輪廓線估計(jì)法(outline estimation, OLE).具體地，本文貢獻(xiàn)有3個(gè)方面：1) 通過柯爾莫戈洛夫-斯米諾夫正態(tài)性檢驗(yàn)(Kolmogorov-Smirnov, KS)[15]，我們發(fā)現(xiàn)針對(duì)同一硬件事件，同一代碼在單計(jì)數(shù)器記錄單事件(one counter one event, OCOE)模式與MPX模式下，存在數(shù)據(jù)分布一致性規(guī)律；2) 基于此規(guī)律，我們提出輪廓線估計(jì)法OLE，通過逆向累積分布實(shí)現(xiàn)估計(jì)插值

力。一、通過數(shù)據(jù)分布獲得中位數(shù)與眾數(shù)例1 某校根據(jù)九年級(jí)學(xué)生期末考試成績(jī)?cè)谀昙?jí)中的位次，從高到低把學(xué)生成績(jī)?cè)u(píng)定為5個(gè)等第：A+、A、B、C、D，各等第人數(shù)分布的扇形統(tǒng)計(jì)圖如下。某校九年級(jí)期末考試各等第人數(shù)分布（1）由圖可知，這次考試成績(jī)的中位數(shù)應(yīng)被評(píng)定為______等第；（2）這次考試成績(jī)的眾數(shù)一定被評(píng)定為B或C等第嗎？說明理由?！痉治觥勘绢}結(jié)合扇形統(tǒng)計(jì)圖考查中位數(shù)和眾數(shù)的概念。從本題的扇形統(tǒng)計(jì)圖中，我們不能獲取每個(gè)學(xué)生的等第這個(gè)精確數(shù)據(jù)，只能獲取不同等第

擬合所用各項(xiàng)數(shù)據(jù)分布特征參數(shù)誤差對(duì)邊緣檢測(cè)的影響,結(jié)果表明,邊緣檢測(cè)精度主要受數(shù)據(jù)信噪比和條紋頻率參數(shù)準(zhǔn)確性的制約,當(dāng)擬合用條紋頻率參數(shù)誤差小于0.5%而其他數(shù)據(jù)分布特征參數(shù)誤差在1%以內(nèi),數(shù)據(jù)信噪比在約35 倍以上時(shí),本文算法可以實(shí)現(xiàn)高于0.05 像元的檢測(cè)精度.1 引言中高層大氣風(fēng)場(chǎng)信息可以為建立中間層、低熱層和電離層之間的動(dòng)量和能量的耦合提供參考,為中長(zhǎng)期的天氣預(yù)報(bào)提供數(shù)據(jù)支持,為軍事和航天活動(dòng)的順利開展提供可靠保障[1?7].多普勒差分干涉儀是近年

，多項(xiàng)指標(biāo)值數(shù)據(jù)分布的峰度偏離較大。以一級(jí)心理問題測(cè)評(píng)數(shù)據(jù)為總體。以民族為分組變量，共計(jì)6個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布平緩，11個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布陡峭；以生源地為分組變量，共計(jì)16個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布平緩，13個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布陡峭；以是否獨(dú)生為分組變量，共計(jì)3個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布平緩，4個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布陡峭；以性別為分組變量，共計(jì)3個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布平緩，4個(gè)指標(biāo)值數(shù)據(jù)分布相較正態(tài)分布陡峭；以院系

的困難：整體數(shù)據(jù)分布偏移、類別之間的數(shù)據(jù)分布偏移以及時(shí)序數(shù)據(jù)的多樣性和復(fù)雜性.其中整體數(shù)據(jù)分布偏移與類別之間的數(shù)據(jù)分布偏移如圖1所示：Fig. 1 Data distribution shift圖1 數(shù)據(jù)分布偏移整體數(shù)據(jù)分布偏移指的是源域和目的域整體的數(shù)據(jù)分布往往不相同.例如，在重癥監(jiān)護(hù)室內(nèi)收集到的數(shù)據(jù)中可能老年人占據(jù)大多數(shù).圖1中老年患者A與青年患者B的生命體征不相類似，表示以老年患者為主體的源域和以青年患者為主體的目的域的數(shù)據(jù)分布是有差異的.以醫(yī)療領(lǐng)域

可靠性、故障數(shù)據(jù)分布函數(shù)、失效率、可靠度等可靠性指標(biāo)都通過可靠性數(shù)據(jù)分析獲得?？煽啃詳?shù)據(jù)分析的流程如圖1所示。圖1 可靠性數(shù)據(jù)分析的流程2.2 數(shù)據(jù)分布類型對(duì)產(chǎn)品進(jìn)行可靠性數(shù)據(jù)分析，需要了解失效數(shù)據(jù)的分布類型，根據(jù)分布類型得到可靠性指標(biāo)。常見的數(shù)據(jù)分布有正態(tài)分布、指數(shù)分布、威布爾分布等[9]，其中，威布爾分布對(duì)各種失效數(shù)據(jù)的處理能力很強(qiáng)，可以描述早期失效、偶然失效和耗損失效這3種類型[1]。威布爾分布函數(shù)如式（1）所示。其中，t為故障時(shí)間；m為形狀參數(shù)；η

數(shù)據(jù)庫(kù)系統(tǒng)的數(shù)據(jù)分布策略，研究中選擇以分布式數(shù)據(jù)庫(kù)系統(tǒng)架構(gòu)為切入點(diǎn)，給出數(shù)據(jù)分布的具體策略，最后結(jié)合實(shí)際情況給出分布式數(shù)據(jù)庫(kù)系統(tǒng)的安全管理措施。關(guān)鍵詞：分布式數(shù)據(jù)庫(kù);數(shù)據(jù)分布;安全控制中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）20-0036-02云計(jì)算網(wǎng)絡(luò)是互聯(lián)網(wǎng)信息技術(shù)發(fā)展的重要產(chǎn)物，主要是利用現(xiàn)代計(jì)算機(jī)系統(tǒng)，以互聯(lián)網(wǎng)為媒介對(duì)數(shù)據(jù)進(jìn)行收集、整合和分析，為用戶提供更具針對(duì)性的服務(wù)。由于網(wǎng)絡(luò)媒介的存在，人們獲

用于重新平衡數(shù)據(jù)分布，使標(biāo)準(zhǔn)算法以用戶的目標(biāo)為中心[8]。特別地，數(shù)據(jù)級(jí)方法可以分為欠采樣多數(shù)類實(shí)例[9]和過采樣少數(shù)類實(shí)例[10]兩種方案。欠采樣方法通過減少多數(shù)類實(shí)例的數(shù)量來創(chuàng)建原始不平衡數(shù)據(jù)集的平衡子集。過采樣方法通過增加少數(shù)類數(shù)據(jù)實(shí)例的個(gè)數(shù)來平衡數(shù)據(jù)集。Chawla 等人[11]提出一種基于線性插值的過采樣算法SMOTE。SMOTE 算法的主要思想是隨機(jī)選取一些少數(shù)類實(shí)例作為種子，并選取種子的k個(gè)最近鄰中的一個(gè)或多個(gè)少數(shù)類實(shí)例，與其結(jié)合為鄰居對(duì)適應(yīng)

距離衡量真實(shí)數(shù)據(jù)分布和生成數(shù)據(jù)分布的距離，能夠在任何情況下為生成器提供梯度信息以更新參數(shù)。目前，生成對(duì)抗網(wǎng)絡(luò)在圖像生成、圖像轉(zhuǎn)換、圖像超分辨率等［6］領(lǐng)域取得了巨大的成功?？罩心繕?biāo)種類繁多，并且各種機(jī)型姿態(tài)各異，公開的數(shù)據(jù)集較少，因此針對(duì)空中目標(biāo)圖像生成的難度較大。本文基于DCGAN架構(gòu)，通過優(yōu)化判別器損失函數(shù)，提高了模型訓(xùn)練穩(wěn)定性，同時(shí)提高了生成圖像的質(zhì)量。1 基于DCGAN模型的圖像生成算法DCGAN 首次將GAN 和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合起來，同時(shí)設(shè)計(jì)了一

數(shù)據(jù)庫(kù)傾斜的數(shù)據(jù)分布則表明，這個(gè)數(shù)據(jù)庫(kù)總是比其他數(shù)據(jù)庫(kù)提供更多或更少的替代計(jì)量事件。2 不同替代計(jì)量數(shù)據(jù)庫(kù)數(shù)據(jù)政策的對(duì)比分析結(jié)果NISO從透明性、可重復(fù)性和準(zhǔn)確性三個(gè)方面，提出了替代計(jì)量數(shù)據(jù)質(zhì)量的建議性規(guī)范和標(biāo)準(zhǔn)[3]，替代計(jì)量數(shù)據(jù)庫(kù)服務(wù)商分別應(yīng)對(duì)NISO標(biāo)準(zhǔn)做出了回應(yīng)和調(diào)整，建立了相關(guān)數(shù)據(jù)政策，對(duì)數(shù)據(jù)庫(kù)的數(shù)據(jù)處理方式、數(shù)據(jù)質(zhì)量的保障方法、數(shù)據(jù)庫(kù)信息等進(jìn)行公示，這為對(duì)比不同替代計(jì)量數(shù)據(jù)庫(kù)數(shù)據(jù)政策，提供了依據(jù)和數(shù)據(jù)支撐。2.1不同替代計(jì)量數(shù)據(jù)庫(kù)保障透明性數(shù)據(jù)

到的數(shù)據(jù)進(jìn)行數(shù)據(jù)分布圖繪制，數(shù)據(jù)分布情況如圖3所示。從數(shù)據(jù)分布情況來看，采集到的數(shù)據(jù)分布比較穩(wěn)定，且大部分?jǐn)?shù)據(jù)處于64～69 dBm之間。圖3 無(wú)人情況下的RSSI數(shù)據(jù)分布第二組采集的數(shù)據(jù)結(jié)果如表2所示，采集時(shí)讀寫天線距離應(yīng)答電子標(biāo)簽4 m，電子標(biāo)簽布置在一個(gè)座位的靠背上，并且有一個(gè)人端坐在座位上，采集1 000個(gè)數(shù)據(jù)。繪制的數(shù)據(jù)分布如圖4所示，大部分?jǐn)?shù)據(jù)處于47～51 dBm之間。表2 有人情況下的RSSI數(shù)據(jù)統(tǒng)計(jì)圖4 有人情況下的RSSI數(shù)據(jù)分布對(duì)采集

像有著不同的數(shù)據(jù)分布。對(duì)某種數(shù)據(jù)分布的樣本識(shí)別效果良好的網(wǎng)絡(luò)模型，用于其他數(shù)據(jù)分布的數(shù)據(jù)識(shí)別時(shí)準(zhǔn)確率可能會(huì)嚴(yán)重降低。為了解決該問題，領(lǐng)域自適應(yīng)方法應(yīng)運(yùn)而生，該方法是一種遷移學(xué)習(xí)方法，目的是將在源域上學(xué)到的分類識(shí)別能力遷移到目標(biāo)域上。領(lǐng)域自適應(yīng)方法根據(jù)數(shù)據(jù)分布的不同將訓(xùn)練數(shù)據(jù)集分為帶標(biāo)簽的源域和帶少量或不帶標(biāo)簽的目標(biāo)域。領(lǐng)域自適應(yīng)的思想就是將不同領(lǐng)域數(shù)據(jù)集映射到同一個(gè)特征空間，使其特征分布盡可能相近，從而可以將源域數(shù)據(jù)集的識(shí)別能力遷移到目標(biāo)域數(shù)據(jù)集上。基于領(lǐng)

如何將海量的數(shù)據(jù)分布在不同的存儲(chǔ)節(jié)點(diǎn)上，且盡可能分布均衡，解決這個(gè)問題的關(guān)鍵就是要設(shè)計(jì)一個(gè)好的數(shù)據(jù)分布策略，其對(duì)云存儲(chǔ)系統(tǒng)的QoS性能起著至關(guān)重要的作用。以一個(gè)具體的云存儲(chǔ)系統(tǒng)為基礎(chǔ)展開研究，Ceph作為最近幾年熱門研究的云存儲(chǔ)系統(tǒng)，不僅具有高擴(kuò)展性、高性能和高可靠性的特點(diǎn)，而且實(shí)現(xiàn)了集群真正意義上的無(wú)中心節(jié)點(diǎn)。但是，Ceph的數(shù)據(jù)分布算法CRUSH(controlled replication under scalable hashing)存在數(shù)據(jù)在設(shè)備

行實(shí)驗(yàn)。檢測(cè)數(shù)據(jù)分布與頻率分布直方圖，如圖4所示。圖4 檢測(cè)數(shù)據(jù)分布與頻率分布直方圖根據(jù)圖4，通過計(jì)算可得到檢測(cè)數(shù)據(jù)的均值μ=150.947 0和標(biāo)準(zhǔn)差σ=0.942 2，則正態(tài)分布的概率密度曲線f(x)為：(12)檢測(cè)數(shù)據(jù)箱型圖和概率密度曲線f(x)如圖5所示。圖5 檢測(cè)數(shù)據(jù)箱型圖和概率密度曲線f(x)當(dāng)傳感器檢測(cè)到卡盤處時(shí)，會(huì)得到如圖4(a)中的上部異常數(shù)據(jù)。由圖5(a)觀察可知，箱型圖可以檢測(cè)出這類異常數(shù)據(jù)以及其他原因所造成的異常值。由圖4(b)與圖

目以及不同的數(shù)據(jù)分布，需要考慮相關(guān)的標(biāo)準(zhǔn)和要求，選擇合適的能力驗(yàn)證處理方法，否則會(huì)造成結(jié)果不準(zhǔn)確、將“滿意”結(jié)果誤判成“不滿意”等問題。能力驗(yàn)證能力評(píng)定方法常用的能力驗(yàn)證統(tǒng)計(jì)方法為Z比分?jǐn)?shù)法，本文采用此方法對(duì)不同數(shù)據(jù)進(jìn)行分析，其目的是依據(jù)能力評(píng)定準(zhǔn)則將數(shù)據(jù)的偏離進(jìn)行定量分析，且此統(tǒng)計(jì)方法不需要做任何處理與變換。Z比分?jǐn)?shù)定量結(jié)果計(jì)算如下：式中：Z為Z比分?jǐn)?shù)值；x為參加能力驗(yàn)證實(shí)驗(yàn)室結(jié)果；X為數(shù)據(jù)指定值；σ為能力評(píng)定標(biāo)準(zhǔn)差。使用Z比分?jǐn)?shù)對(duì)參加實(shí)驗(yàn)室進(jìn)行能力評(píng)定

數(shù)據(jù)符合真實(shí)數(shù)據(jù)分布，并且能有效增加數(shù)據(jù)量。針對(duì)目前太赫茲光譜數(shù)據(jù)庫(kù)中各物質(zhì)數(shù)據(jù)量不均衡問題，本文提出一種基于WGAN的不均衡太赫茲光譜識(shí)別方法。首先利用生成對(duì)抗網(wǎng)絡(luò)學(xué)習(xí)真實(shí)太赫茲光譜數(shù)據(jù)分布，在WGAN達(dá)到納什均衡后用生成數(shù)據(jù)擴(kuò)展太赫茲光譜數(shù)據(jù)集，使之達(dá)到類別均衡，最后采用多分類支持向量機(jī)對(duì)太赫茲光譜數(shù)據(jù)進(jìn)行分類識(shí)別。1 基于WGAN的太赫茲光譜識(shí)別方法1.1 基礎(chǔ)理論太赫茲光譜數(shù)據(jù)為實(shí)數(shù)值，采用GAN訓(xùn)練數(shù)據(jù)，模型會(huì)出現(xiàn)梯度不穩(wěn)定和多樣性不足等問題[1

進(jìn)袁承儲(chǔ)系統(tǒng)數(shù)據(jù)分布策略。關(guān)鍵詞：云存儲(chǔ);數(shù)據(jù)分布;策略;分析中圖分類號(hào)：TP333?? 文獻(xiàn)標(biāo)識(shí)碼：A?? 文章編號(hào)：1672-9129（2020）16-0048-01隨著計(jì)算機(jī)技術(shù)、信息技術(shù)等的快速發(fā)展，以及人們生活水平的大幅度提升，互聯(lián)網(wǎng)在我國(guó)迅速普及，已經(jīng)深入千家萬(wàn)戶，對(duì)人們?nèi)粘Ｉa(chǎn)生活有著極為深刻的影響，而現(xiàn)代存儲(chǔ)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)存儲(chǔ)系統(tǒng)的進(jìn)一步優(yōu)化，有利于網(wǎng)絡(luò)新型技術(shù)的進(jìn)一步發(fā)展。云存儲(chǔ)系統(tǒng)主要是以傳統(tǒng)的分布式存儲(chǔ)技術(shù)為前提與基礎(chǔ)，再充分利

態(tài)零序電流的數(shù)據(jù)分布偏度特征分析暫態(tài)零序電流是由線路電容放電引起的.事實(shí)上，暫態(tài)零序電流放電過程迅速，呈現(xiàn)高頻特性.在高頻暫態(tài)零序電流分析中可以忽略消弧線圈的補(bǔ)償作用[16-17].故障區(qū)段兩端的數(shù)據(jù)分布偏度特征，如圖2所示.由圖2可知，在故障點(diǎn)上游網(wǎng)絡(luò)中，故障區(qū)段左側(cè)檢測(cè)點(diǎn)暫態(tài)零序電流流向母線，其正常線路的暫態(tài)零序電流離開母線.在故障點(diǎn)下游網(wǎng)絡(luò)中，故障線路的暫態(tài)零序電流是離開母線.因此，故障區(qū)段兩側(cè)檢測(cè)裝置的暫態(tài)零序電流具有相反的極性.健全區(qū)段兩側(cè)檢測(cè)裝

常以保持某種數(shù)據(jù)分布信息(如幾何信息和統(tǒng)計(jì)信息等)為準(zhǔn)則[8]．然而，在高維場(chǎng)景中，如何有效挖掘數(shù)據(jù)分布信息是非常困難的．因此，相比其他兩種降維方法，無(wú)監(jiān)督降維更具挑戰(zhàn)性．根據(jù)保持的數(shù)據(jù)分布信息的不同，無(wú)監(jiān)督降維又可分為保持數(shù)據(jù)分布的局部信息降維和保持數(shù)據(jù)分布的全局信息降維兩種．經(jīng)典的保持數(shù)據(jù)分布局部信息的無(wú)監(jiān)督降維方法有局部線性嵌入(locally linear embedding, LLE)[9]和局部保持投影(locality preserving

相互獨(dú)立，即數(shù)據(jù)分布服從正態(tài)分布[14]。事實(shí)上，由于數(shù)據(jù)之間本身具有相關(guān)性，數(shù)據(jù)的分布往往并不服從正態(tài)分布，如果未對(duì)數(shù)據(jù)進(jìn)行任何處理，直接作為能耗預(yù)測(cè)的輸入條件，則能耗預(yù)測(cè)的結(jié)果會(huì)存在一定的誤差。相關(guān)方面在當(dāng)前的研究中鮮有提及。從數(shù)據(jù)的分布特性出發(fā)，對(duì)不服從正態(tài)分布特性的原始數(shù)據(jù)進(jìn)行適當(dāng)?shù)臄?shù)據(jù)變換處理，作為提升能耗預(yù)測(cè)效果的重要技術(shù)手段。對(duì)實(shí)際的空調(diào)系統(tǒng)能耗進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)數(shù)據(jù)的分布特性對(duì)能耗預(yù)測(cè)影響巨大，合適的數(shù)據(jù)變換能大幅提升機(jī)器學(xué)習(xí)算法能耗預(yù)測(cè)的效果

對(duì)HDFS的數(shù)據(jù)分布進(jìn)行優(yōu)化、提高HDFS的數(shù)據(jù)存取速度具有重要意義。論文根據(jù)數(shù)據(jù)被讀寫的頻率確定數(shù)據(jù)應(yīng)存放的存儲(chǔ)介質(zhì)，解決數(shù)據(jù)在不同讀寫性能的存儲(chǔ)介質(zhì)間的分布與其熱度無(wú)關(guān)的問題，期望能為大數(shù)據(jù)在高效存取與處理、多種數(shù)據(jù)及多種應(yīng)用并存且并發(fā)服務(wù)等方面提供一些解決方案。在對(duì)數(shù)據(jù)分布策略進(jìn)行優(yōu)化之前將分析各類數(shù)據(jù)的時(shí)間和空間訪問特征，將其與多種特性的存儲(chǔ)設(shè)備關(guān)聯(lián)，達(dá)到將數(shù)據(jù)存儲(chǔ)在最合適的位置的目的，使之能夠被快速地獲取和存儲(chǔ)?；谪?fù)載訪問的數(shù)據(jù)管理策略在發(fā)揮S

其根本問題是數(shù)據(jù)分布不均衡導(dǎo)致很多傳統(tǒng)機(jī)器學(xué)習(xí)的分類算法性能大大減弱。因?yàn)榇蠖鄶?shù)分類算法事先假設(shè)訓(xùn)練集具有相等的誤分類代價(jià)或平衡的數(shù)據(jù)分布［5］，所以這些算法在面對(duì)相對(duì)復(fù)雜的不平衡數(shù)據(jù)集時(shí)便不能有效地反應(yīng)出數(shù)據(jù)的分布特征。如此一來，當(dāng)這些傳統(tǒng)分類算法在樣本不平衡的數(shù)據(jù)集上訓(xùn)練時(shí)，經(jīng)常會(huì)出現(xiàn)分類面偏倚的現(xiàn)象，使得最終無(wú)法獲得令人滿意的分類效果，甚至?xí)霈F(xiàn)模型完全失效的糟糕情況［6～7］。不平衡學(xué)習(xí)因其重大研究意義而在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域備受矚目，多個(gè)業(yè)內(nèi)主

色體Hi-c數(shù)據(jù)分布擬合函數(shù)模型首先，需要對(duì)根據(jù)酵母染色體交互數(shù)據(jù)建立統(tǒng)計(jì)分布模型，為此，分別對(duì)酵母16條染色體的Hi-c數(shù)據(jù)分布情況進(jìn)行高斯擬合，對(duì)每條染色體的數(shù)據(jù)我們都分別與高斯8個(gè)線性組合核函數(shù)進(jìn)行擬合，再最終選取出擬合指標(biāo)SSE,RMSE,R-square最優(yōu)的高斯核函數(shù)，最終選取核函數(shù)的擬合指標(biāo)結(jié)果如表1所示。表1 16條染色體擬合情況表Table 1 Fitting of 16 chromosomes在最終確定了每條染色體擬合出對(duì)應(yīng)的高斯核函數(shù)

現(xiàn)網(wǎng)絡(luò)流量中數(shù)據(jù)分布的不均衡問題會(huì)嚴(yán)重影響流量識(shí)別的準(zhǔn)確率。這種不均衡通常會(huì)導(dǎo)致機(jī)器學(xué)習(xí)算法偏向于流量數(shù)據(jù)中多數(shù)類的流量樣本。例如：文獻(xiàn)[3]指出網(wǎng)絡(luò)流量數(shù)據(jù)中HTTP流量的數(shù)量通常會(huì)遠(yuǎn)遠(yuǎn)超過P2P和VoIP流量的數(shù)量，而機(jī)器學(xué)習(xí)算法通常會(huì)將所有流量識(shí)別為HTTP流量以實(shí)現(xiàn)高準(zhǔn)確率。在這種情況下，機(jī)器學(xué)習(xí)算法對(duì)于少數(shù)類流量的識(shí)別準(zhǔn)確率非常低。然而，在許多情況下這些少數(shù)類流量(例如P2P和VoIP流量)卻是人們更加關(guān)心的。目前，解決數(shù)據(jù)分布不均衡問題的方法可

0的樣本,其數(shù)據(jù)分布在2,18[ ]內(nèi),將樣本數(shù)據(jù)分為四組：2,6[ ),6,10[ ),10,14[ ),14,18[ ],得到頻率分布直方圖如圖1所示,則下列說法不正確的是( )。A.樣本數(shù)據(jù)分布在6,10[ )的頻率為0.32B.樣本數(shù)據(jù)分布在10,14[ )的頻數(shù)為40C.樣本數(shù)據(jù)分布在2,10[ )的頻數(shù)為40D.估計(jì)總體數(shù)據(jù)大約有10%分布在10,14[ )4.有一個(gè)容量為45的樣本數(shù)據(jù),分組后各組的頻數(shù)如下：[12.5,15.5],3;(15

現(xiàn)網(wǎng)絡(luò)流量中數(shù)據(jù)分布的不均衡問題會(huì)嚴(yán)重影響流量識(shí)別的準(zhǔn)確率。這種不均衡通常會(huì)導(dǎo)致機(jī)器學(xué)習(xí)算法偏向于流量數(shù)據(jù)中多數(shù)類的流量樣本。例如：文獻(xiàn)[3]指出網(wǎng)絡(luò)流量數(shù)據(jù)中HTTP流量的數(shù)量通常會(huì)遠(yuǎn)遠(yuǎn)超過P2P和VoIP流量的數(shù)量，而機(jī)器學(xué)習(xí)算法通常會(huì)將所有流量識(shí)別為HTTP流量以實(shí)現(xiàn)高準(zhǔn)確率。在這種情況下，機(jī)器學(xué)習(xí)算法對(duì)于少數(shù)類流量的識(shí)別準(zhǔn)確率非常低。然而，在許多情況下這些少數(shù)類流量(例如P2P和VoIP流量)卻是人們更加關(guān)心的。目前，解決數(shù)據(jù)分布不均衡問題的方法可

判定相位分辨數(shù)據(jù)分布的不對(duì)稱程度以及方向，計(jì)算方法如下文所示[3][4]。2 相位分辨數(shù)據(jù)的統(tǒng)計(jì)參量的計(jì)算方法2.1 （φ-q）相位分辨數(shù)據(jù)統(tǒng)計(jì)參量的計(jì)算方法圖1 （φ-q）相位分辨數(shù)據(jù)統(tǒng)計(jì)分析示意圖局部放電的脈沖周期與電網(wǎng)工頻周期對(duì)應(yīng)，每個(gè)周期包含0-360度相位角，局放測(cè)量?jī)x將0-360度相位角劃分成一定數(shù)量的相位窗數(shù)，并在每個(gè)相位窗數(shù)上記錄當(dāng)前窗的脈沖幅值，生成（φ-q）相位分辨數(shù)據(jù),以相位角φ為橫軸，以局放電荷幅值q為縱軸，可以生成（φ-q）二維圖

習(xí)一個(gè)變化的數(shù)據(jù)分布，模型參數(shù)選取不穩(wěn)定、調(diào)優(yōu)難度大的問題，本文選取VGG16網(wǎng)絡(luò)和FCN32網(wǎng)絡(luò)模型分別組成道路分割的編解碼架構(gòu)[18]，在每層卷積計(jì)算后加入批規(guī)范化計(jì)算[19]，學(xué)習(xí)一個(gè)比較穩(wěn)定的參數(shù)數(shù)據(jù)分布。在KITTI數(shù)據(jù)集上的道路數(shù)據(jù)集實(shí)驗(yàn)，結(jié)果表明本文設(shè)計(jì)的編解碼網(wǎng)絡(luò)架構(gòu)對(duì)無(wú)人車駕駛領(lǐng)域的可行駛區(qū)域檢測(cè)、分割有著較高的魯棒性。1 網(wǎng)絡(luò)模型的批規(guī)范化批規(guī)范化和卷積神經(jīng)網(wǎng)絡(luò)中的“白化”思想接近，在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，深層神經(jīng)網(wǎng)絡(luò)在做非線性變換前的

方面，集群中數(shù)據(jù)分布[7]也可能影響算法性能。Greenplum將數(shù)據(jù)分布到各個(gè)節(jié)點(diǎn)中，當(dāng)在某個(gè)節(jié)點(diǎn)上執(zhí)行UDF時(shí)，由于節(jié)點(diǎn)的負(fù)載等不同，會(huì)導(dǎo)致不同的性能。為了使UDF算法執(zhí)行性能達(dá)到最優(yōu)，本文做數(shù)據(jù)重分布。文獻(xiàn)[8]根據(jù)網(wǎng)絡(luò)傳播元組數(shù)目，重分布節(jié)點(diǎn)元組，從而提高表連接性能。本文是根據(jù)當(dāng)前節(jié)點(diǎn)的數(shù)據(jù)分片大小、負(fù)載等因素重分布元組數(shù)據(jù)，能夠較大地提高FFT的執(zhí)行效率。1 預(yù)備知識(shí)1.1 Greenplum分布式數(shù)據(jù)庫(kù)分布式數(shù)據(jù)庫(kù)[9-10]是通過網(wǎng)絡(luò)將物理上

和最大值提供數(shù)據(jù)分布尾巴的信息。中位數(shù)反映分布的中心。上、下樞距離反映分布的展度(spread)；利用上、下樞構(gòu)建的上、下圍(upper fence，F(xiàn)U；lower fence，F(xiàn)L)用于診斷異常值(outlier)。中位數(shù)以及上、下樞的位置反映數(shù)據(jù)分布的偏度。換言之，五數(shù)概括涵蓋變量的四個(gè)主要特征：中心、展度、非對(duì)稱性(asymmetry)和異常值(Hintze et al.，1998：181)。箱圖的基本構(gòu)造如圖1所示。圖1箱圖構(gòu)造圖1是水平放置的箱

方法.方法將數(shù)據(jù)分布密度特征嵌入模糊聚類初始化過程中，用于定位初始聚類中心點(diǎn)，避免了少數(shù)類中心點(diǎn)位置的消失，在此基礎(chǔ)上進(jìn)一步設(shè)計(jì)了基于密度的模糊聚類優(yōu)化更新方法.經(jīng)數(shù)據(jù)集分析驗(yàn)證，本研究方法能夠有效解決非平衡數(shù)據(jù)分類中少數(shù)類消失問題，并且在聚類算法性能上比傳統(tǒng)方法有明顯提高.模糊聚類；分布密度；非平衡數(shù)據(jù)0 引 言模糊聚類方法(fuzzy C-means，F(xiàn)CM)，是一種典型的非監(jiān)督學(xué)習(xí)方法，其在傳統(tǒng)聚類方法的基礎(chǔ)上，模糊聚類方法引入隸屬度概念，刻畫了每個(gè)

OF不能適應(yīng)數(shù)據(jù)分布異常情況離群點(diǎn)檢測(cè)，INFLO算法雖引入反向k近鄰點(diǎn)集有效地解決了數(shù)據(jù)分布異常情況的離群點(diǎn)檢測(cè)問題，但存在需要對(duì)所有數(shù)據(jù)點(diǎn)不加區(qū)分地分析其k近鄰和反向k近鄰點(diǎn)集導(dǎo)致的效率降低問題。針對(duì)該問題，提出局部密度離群點(diǎn)檢測(cè)算法——LDBO，引入強(qiáng)k近鄰點(diǎn)和弱k近鄰點(diǎn)概念，通過分析鄰近數(shù)據(jù)點(diǎn)的離群相關(guān)性，對(duì)數(shù)據(jù)點(diǎn)區(qū)別對(duì)待；并提出數(shù)據(jù)點(diǎn)離群性預(yù)判斷策略，盡可能避免不必要的反向k近鄰分析，有效提高數(shù)據(jù)分布異常情況離群點(diǎn)檢測(cè)算法的效率。理論分析和實(shí)驗(yàn)結(jié)

類算法可通過數(shù)據(jù)分布假設(shè)進(jìn)行分類。為此，在對(duì)比分析采用不同假設(shè)的半監(jiān)督分類典型算法的基礎(chǔ)上，以最小二乘方法(Least Squares，LS)為基準(zhǔn)，研究比較了基于聚類假設(shè)的轉(zhuǎn)導(dǎo)支持向量機(jī)(Transductive Support Vector Machine，TSVM)和基于流行假設(shè)的正則化最小二乘法(Laplacian Regularized Least Squares Classification，LapRLSC)，并同時(shí)利用兩種假設(shè)的SemiBoo

大小、規(guī)模、數(shù)據(jù)分布狀況等的一類信息.比如,表的行數(shù)、塊數(shù)、平均每行的大小、索引的leaf blocks、索引字段的行數(shù)、不同值的大小等,都屬于統(tǒng)計(jì)信息.CBO正是根據(jù)這些統(tǒng)計(jì)信息數(shù)據(jù),計(jì)算出不同訪問路徑下,不同join方式下,各種執(zhí)行計(jì)劃的成本,最后選擇出成本最小的執(zhí)行計(jì)劃[4].在oracle中直方圖是一種對(duì)數(shù)據(jù)分布質(zhì)量情況進(jìn)行描述的工具.它會(huì)按照某一列不同值出現(xiàn)數(shù)量的多少,以及出現(xiàn)的頻率高低來繪制數(shù)據(jù)的分布情況,以便能夠指導(dǎo)優(yōu)化器根據(jù)數(shù)據(jù)的分布做出正

云環(huán)境下影響數(shù)據(jù)分布并行應(yīng)用執(zhí)行效率的因素分析馬生俊*，陳旺虎，俞茂義，李金溶，郟文博(西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，蘭州 730070) (*通信作者電子郵箱1780761723@qq.com)云環(huán)境下，類似MapReduce的數(shù)據(jù)分布并行應(yīng)用被廣泛運(yùn)用。針對(duì)此類應(yīng)用執(zhí)行效率低、成本高的問題，以Hadoop為例，首先，分析該類應(yīng)用的執(zhí)行方式，發(fā)現(xiàn)數(shù)據(jù)量、節(jié)點(diǎn)數(shù)和任務(wù)數(shù)是影響其效率的主要因素；其次，探討以上因素對(duì)應(yīng)用效率的影響；最后，通過實(shí)驗(yàn)得出在數(shù)

然后利用基于數(shù)據(jù)分布密度準(zhǔn)則和數(shù)據(jù)流時(shí)間相關(guān)性自適應(yīng)更新決策模型。針對(duì)Intel Berkeley數(shù)據(jù)集及SensorScope System數(shù)據(jù)集的仿真實(shí)驗(yàn)表明,RASVDD的離群檢測(cè)正確率TPR(True Positive Rate)平均達(dá)98%,誤報(bào)率FPR(False Positive Rate)平均僅為1%,并且與傳統(tǒng)的SVDD算法相比,RASVDD 決策模型訓(xùn)練時(shí)間減少了20%以上。無(wú)線傳感網(wǎng)絡(luò);數(shù)據(jù)約簡(jiǎn);SVDD;離群檢測(cè);仿真21世紀(jì)電子信

通信仿真的大數(shù)據(jù)分布管理杜 乾中國(guó)電信股份有限公司樂山分公司，四川 樂山 614000隨著中國(guó)無(wú)線電行業(yè)的不斷高速發(fā)展，無(wú)線電通信仿真的數(shù)據(jù)分布管理也在不斷提升。高層體系結(jié)構(gòu)俗稱HLA，具體在應(yīng)用過程中可以有效地建立起支持建模與仿真的互操作性與可用性。基于HLA這種新型仿真體系結(jié)構(gòu)，對(duì)無(wú)線通信仿真的數(shù)據(jù)分布管理進(jìn)行了細(xì)致的研究，并以此描繪出一種簡(jiǎn)化式的空中交通控制劇本，將其作為無(wú)線電通信仿真，設(shè)計(jì)出無(wú)線電通信的路由空間，并提供屬性表及互操作參數(shù)表。無(wú)線電；

擴(kuò)展區(qū)內(nèi)，在數(shù)據(jù)分布局部感知后再執(zhí)行擴(kuò)展區(qū)迭代式的多輪數(shù)據(jù)分配，根據(jù)Reduce端已分配數(shù)據(jù)量建立適應(yīng)性的擴(kuò)展區(qū)映射規(guī)則，對(duì)原生區(qū)的數(shù)據(jù)傾斜進(jìn)行逐步修正，以此保障數(shù)據(jù)分配的均衡性。實(shí)驗(yàn)結(jié)果表明，在不同源數(shù)據(jù)分布條件下，算法均提高了作業(yè)Shuffle過程分區(qū)映射合理性，縮減了寬依賴Stage的同步時(shí)間，提高了作業(yè)執(zhí)行效率。內(nèi)存計(jì)算；數(shù)據(jù)均衡；擴(kuò)展式分區(qū)；迭代式映射0 引言近年來，利用內(nèi)存的低延遲特性改進(jìn)并行計(jì)算框架性能成為新的研究方向。內(nèi)存計(jì)算框架避免了頻繁

連續(xù)性患者。數(shù)據(jù)分布于19個(gè)國(guó)家的19個(gè)腦卒中中心，急性缺血性腦卒中患者在各自地區(qū)被檢視。腦卒中 伴房顫定義為缺血性腦卒中伴隨任何病史的房顫，或者索引腦卒中的評(píng)估中發(fā)現(xiàn)房顫。在所有2144名具有近期缺血性腦卒中患者中，腦卒中伴房顫的發(fā)生率為28%，排名順序從菲律賓的11%到愛爾蘭的45%。腦卒中伴房顫患者平均年齡75歲，對(duì)比于非腦卒中伴房顫為64歲(PPerera KS, Vanassche T, Bosch J, et al. Global survey

予權(quán)值．位于數(shù)據(jù)分布邊緣的樣本具有較低的相對(duì)密度,而位于數(shù)據(jù)分布內(nèi)部的樣本具有較高的密度．對(duì)于位于數(shù)據(jù)分布內(nèi)部的樣本賦予較大權(quán)值,位于數(shù)據(jù)分布邊緣的樣本賦予較小的權(quán)值．由于噪聲通常位于數(shù)據(jù)分布外部,因此本文的方法可以賦予噪聲較小的權(quán)值,從而使算法對(duì)于噪聲更加魯棒．人工數(shù)據(jù)集和UCI標(biāo)準(zhǔn)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,該法優(yōu)于用libsvm實(shí)現(xiàn)的一分類支持向量機(jī)方法．加權(quán)一分類支持向量機(jī); 相對(duì)密度; 一分類0 引言支持向量機(jī)由Vladimir Vapnik等于20世

況可能需要對(duì)數(shù)據(jù)分布進(jìn)行正態(tài)化調(diào)整。本文研究的內(nèi)容是在給定平均值和標(biāo)準(zhǔn)差的前提下，將樣本數(shù)據(jù)的分布修正為理想正態(tài)曲線的一種方法，此方法可適用于數(shù)據(jù)信息偏離正態(tài)分布的各種情況，比如土壤元素、年降水量等?！娟P(guān)鍵詞】數(shù)據(jù)分布 給定標(biāo)準(zhǔn) 正態(tài)修正1 引言如果數(shù)據(jù)的產(chǎn)生過程受到獨(dú)立隨機(jī)因素的影響，那么數(shù)據(jù)的分布規(guī)律應(yīng)當(dāng)符合正態(tài)分布，然而在實(shí)際的測(cè)量與評(píng)價(jià)過程中，由于人為因素的影響，最終采集的數(shù)據(jù)可能偏離了正態(tài)分布，這時(shí)就需要對(duì)數(shù)據(jù)進(jìn)行正態(tài)修正，以使其恢復(fù)本來的樣子。

率近似正確；數(shù)據(jù)分布；數(shù)據(jù)清洗；數(shù)據(jù)價(jià)值；例證法Abstract：Big data provides a brand-new angle and method of perceiving the world. Like mathematics and physics， big data analysis is， in principle， a methodology based on observation and empirical induction，

比較直觀的對(duì)數(shù)據(jù)分布作出判斷。模型V對(duì)第一問、第二問的數(shù)據(jù)分布擬合規(guī)律做出了理論推導(dǎo)，并為第三問一般形式的問題解決提供了初步方法。4 結(jié)論針對(duì)問題一，建立了模型I與模型II。模型I的離散型隨機(jī)變量模型的結(jié)果是：在T=1時(shí)的離散型隨機(jī)變量模型解得損失數(shù)額超過10萬(wàn)元的可能性為3.1373%，以95%的置信度能保證損失的數(shù)額不會(huì)超過9萬(wàn)元；若一個(gè)周期內(nèi)的損失超過10萬(wàn)元的可能性不大于5%，初始投資額M的最大值為1111.11萬(wàn)元。模型II的連續(xù)型隨機(jī)變量模型的

針對(duì)隱藏原始數(shù)據(jù)分布的問題,提出一種改進(jìn)型的基于隨機(jī)間隔的保序加密算法(OPERI)。算法首先將原始數(shù)據(jù)域映射至新的數(shù)據(jù)域中以達(dá)到隱藏原始數(shù)據(jù)分布和改變數(shù)據(jù)分布概率的目的,其次通過引入隨機(jī)間隔對(duì)數(shù)據(jù)進(jìn)行加密,支持對(duì)密文數(shù)據(jù)的關(guān)系運(yùn)算。安全性分析和實(shí)驗(yàn)結(jié)果表明:OPERI算法在已有安全性基礎(chǔ)上能夠抵御統(tǒng)計(jì)型攻擊,并能高效實(shí)現(xiàn)密文關(guān)系運(yùn)算。保序加密;隱私保護(hù);云計(jì)算;統(tǒng)計(jì)型攻擊隨著云計(jì)算的快速發(fā)展,人們?cè)絹碓疥P(guān)注隱私安全問題。目前解決用戶隱私安全問題的常用方法

向混合存儲(chǔ)的數(shù)據(jù)分布優(yōu)化策略，最理想的情況就是在運(yùn)行時(shí)能夠自適應(yīng)，根據(jù)應(yīng)用特征自動(dòng)調(diào)節(jié)數(shù)據(jù)分布。本文提出一種面向混合存儲(chǔ)的OLTP數(shù)據(jù)庫(kù)數(shù)據(jù)分布自適應(yīng)優(yōu)化算法，可自動(dòng)適應(yīng)應(yīng)用的特征，并通過觀測(cè)判斷各個(gè)數(shù)據(jù)元素的性能，從而在SSD和磁盤之間自動(dòng)形成理想的數(shù)據(jù)分布。2 相關(guān)工作2．1 閃存和固態(tài)硬盤隨著閃存在容量上的迅速增長(zhǎng)和成本的降低，以閃存作為存儲(chǔ)介質(zhì)的新型固態(tài)硬盤已經(jīng)在企業(yè)得到實(shí)際的應(yīng)用。SSD最大的優(yōu)點(diǎn)就是隨機(jī)讀寫性能高，較普通磁盤的讀寫性能要高出1個(gè)

致整個(gè)集群的數(shù)據(jù)分布出現(xiàn)不均衡的情況，特別是有新節(jié)點(diǎn)加入時(shí)，新節(jié)點(diǎn)和原有節(jié)點(diǎn)上的分布不均，新增節(jié)點(diǎn)需要經(jīng)歷較長(zhǎng)時(shí)間甚至人工操作，才能與現(xiàn)有節(jié)點(diǎn)實(shí)現(xiàn)數(shù)據(jù)均衡分布，這樣在分配MapReduce任務(wù)時(shí)，新節(jié)點(diǎn)可能分配不到可執(zhí)行的任務(wù)，浪費(fèi)新增節(jié)點(diǎn)的計(jì)算和存儲(chǔ)能力［9－10］。另一方面，不同文件間的訪問規(guī)律存在巨大差異，如果使HDFS集群中所有數(shù)據(jù)節(jié)點(diǎn)都處于活躍狀態(tài)，勢(shì)必造成能耗的增加，導(dǎo)致大量電能被浪費(fèi)［11］。在實(shí)際應(yīng)用中，新聞?lì)悢?shù)據(jù)的訪問具備一定訪問規(guī)律，可

新的不依賴于數(shù)據(jù)分布的方法：如廣義估計(jì)方程（GEE）。假設(shè)檢驗(yàn)，離群值，對(duì)數(shù)正態(tài)分布，正態(tài)分布，偏度Summary:The log-transformation is widely used in biomedical and psychosocial research to deal with skewed data. This paper highlights serious problems in this classic approach for

示后，我們對(duì)數(shù)據(jù)分布的類型和特點(diǎn)就有了一個(gè)大致的了解，但這種了解只是表面上的，還缺少代表性的數(shù)量特征值準(zhǔn)確地描述出統(tǒng)計(jì)數(shù)據(jù)的分布。對(duì)統(tǒng)計(jì)數(shù)據(jù)分布的特征，可以從三個(gè)方面進(jìn)行測(cè)度和描述：一是分布的集中趨勢(shì)；二是分布的離散程度；三是分布的偏態(tài)和測(cè)度。這三個(gè)方面分別反映了數(shù)據(jù)分布的測(cè)度特征。關(guān)鍵詞：數(shù)據(jù)分布；特征測(cè)度；分析中圖分類號(hào)：F270 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1005-913X（2014）08-0192-01一、集中趨勢(shì)的測(cè)度（一）分類數(shù)據(jù)：眾數(shù)眾數(shù)主要用

的，不合理的數(shù)據(jù)分布會(huì)影響系統(tǒng)整體的任務(wù)響應(yīng)時(shí)間。如何設(shè)計(jì)計(jì)算任務(wù)的數(shù)據(jù)分布算法，以提高數(shù)據(jù)處理效率，并使云中各節(jié)點(diǎn)負(fù)載均衡，是一個(gè)挑戰(zhàn)性的研究課題［2］。隨著科學(xué)技術(shù)的高速發(fā)展，許多大規(guī)模工程和科學(xué)計(jì)算問題都對(duì)計(jì)算速度提出了越來越高的要求。例如圖像并行處理［3］。它是一種綜合的數(shù)字信息處理技術(shù)，是大數(shù)據(jù)量數(shù)字圖像在計(jì)算機(jī)計(jì)算領(lǐng)域中的一項(xiàng)需長(zhǎng)遠(yuǎn)發(fā)展的技術(shù)，其主要目的是實(shí)現(xiàn)圖像處理的實(shí)時(shí)性和快速性。隨著圖像分辨率的提高，每一景圖像的數(shù)據(jù)量增加，計(jì)算量也相應(yīng)增