摘要：自适应光学系统的性能受限于伺服系统的延迟误差和波前传感器的光电子噪声。提出了一种多模型单变量预测模型,该模型采用基于Levenberg-Marquardt学习算法的前馈型神经网络。利用计算机多核处理器,设计了一个具有并行处理能力的预测控制器,来实现对自适应光学闭环控制电压的预测,以消除延迟误差的影响。通过数值仿真实验,研究了预测控制器对控制电压和远场斯特雷尔比的影响,与未采用预测控制器的系统进行了比较,并对预测算法的并行性能进行了分析。实验结果表明,使用并行化方法的预测控制器可以有效缩短系统的预测时间,提高预测算法的加速比,与经典比例积分(PI)控制算法相比可以更有效地降低系统由于伺服延迟引起的误差,远场的斯特雷尔比有明显地提高。

摘要：随着云计算技术的广泛使用,如何对采用虚拟化技术的云计算服务器的性能进行有效管理,是云计算研究的热点问题之一。论文提出了一种基于自适应控制理论的动态资源控制策略(DRC),该控制策略在保证服务级别协议的前提下,对运行在服务器上的各个虚拟机进行优化配置,使服务器的硬件资源得到最大化的利用。同时设计了一种新型的自适应线性二次高斯控制器,来应对具有Web应用所面对的动态负载。在基于Xen技术搭建的实验平台上,对服务器的性能在不同工作负载的情况下进行了测试,并与未采用DRC策略的服务器性能进行了对比。实验结果表明,在动态工作负载下,与为采用DRC策略的服务器相比,DRC控制策略能够有效保证不同Web应用的响应时间稳定在设定的参考值。

摘要：主成分分析(PCA)是数据挖掘中常用的数据降维技术,它将原来多个变量转化为少数的几个综合指标,介绍了主成分分析的原理、Spark的分布式架构以及Spark的MLlib分布式矩阵PCA算法,通过改进设计提出了一种带有标准化处理的SNPCA算法,并在多核CPU环境下进行了测试验证,实验结果证明了该算法的有效性.

摘要：由伺服系统所引起的延迟误差很大程度上影响着自适应光学系统(AOS)的性能。为了提高神经网络波前预测器的收敛性和精度,论文提出了一种改进的并行混沌粒子群优化算法(PCPSO)。该算法利用混沌序列的随机和遍历特性,以及并行化处理方法,有效地避免早熟现象的发生。通过对基准函数的测试,比起经典粒子群算法,该算法具有较高的计算速度和收敛能力。并且,论文设计了一种基于PCPSO算法的神经网络波前预测器,并运用于自适应光学系统的波前预测中。通过数值仿真实验,研究了这种新型波前预测器的性能,实验结果表明,采用并行化混沌粒子优化算法的预测器可以有效的预测控制电压信号,具有很好的泛化能力,对提高光束质量起到了重要的作用。