卢惠林
- 作品数：9 被引量：24H指数：3
- 供职机构：哈尔滨工业大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金国家教育部博士点基金更多>>
- 相关领域：自动化与计算机技术理学经济管理更多>>
- 复杂生物传感网络的节点优化定位模型仿真
- 2015年
- 对生物传感网络节点的准确定位,能够提高复杂生物传感网络的性能。生物传感网络几乎都处于较为复杂的动态环境中,信号衰减因子会随着外界条件发生变化,难以选取统一的衰减因子进行目标节点定位,减低了目标节点的定位精度。为解决上述问题,提出一种采用粒子群优化算法的复杂生物传感网络的节点定位方法。结合最大似然法,利用定位误差修正因数消除较大的定位误差,为目标节点的定位提供了准确依据。利用优化粒子群算法进行目标节点的定位,利用罚函数对可行解的适应度进行调整,并将当前解与历史解进行对比,最终实现了复杂生物传感网路节点的准确定位。实验结果表明,利用改进算法进行复杂生物传感网络节点的定位,能够提高定位的精度。
- 卢惠林
- 关键词：生物传感器
- 社会网络中基于集合枚举树的k匿名方法
- 2015年
- k匿名方法是一种重要的数据隐私保护方法。在应用k匿名方法保护社会网络中用户的隐私时,现有的方法对社会网络的结构进行匿名化处理,当攻击者了解了网络的文本信息后可以很容易识别出用户的身份等隐私信息。为此,提出一种包含结构和文本的k匿名方法。该方法在采用传统的节点度匿名化的基础上,将社会网络中的文本信息分成不同的值域,对每一个值域构建一个全局的层次结构树,对所有的值域采用集合枚举树来优化文本标记泛化时的信息丢失,并针对集合枚举树的特征提出了三种剪枝方法。实验表明,提出的k匿名方法在实现了社会网络的结构和文本匿名化的同时具有较低额的开销。
- 卢惠林
- 关键词：社会网络隐私保护剪枝策略
- 组合预测模型的权重确定方法的研究
- 随着预测技术的不断发展，关于预测的理论和方法已经有很多，但每一种单一预测模型都只是从某一个侧面去刻画数据序列的规律，都只反映序列的部分信息，都有其局限性。如果综合运用多种预测的方法进行组合预测，优势互补，最大程度地利用现...
- 卢惠林
- 文献传递
- 组合加权算术平均算子在物流配送商品销售预测中的应用被引量：3
- 2012年
- 提出基于组合加权算术平均算子的组合预测方法,并结合实例对各种预测模型与组合预测模型探讨了不同的组合预测权重确定在实际中的应用,其预测效果高于一般方法。
- 卢惠林
- 关键词：组合预测遗传算法
- 隐式迭代法的数值试验与应用被引量：1
- 2000年
- 针对非线性方程组数值求解问题 ,利用嵌入法思想给出了一类隐式迭代法 ,这类迭代法包含了知名学者M .K .Jain1 985年和 1 986年的两个工作 .采用效率较高的Chipman等效代换方法实现了这类方法的计算过程 ,并从稳定性、计算量以及收敛范围等方面对其进行了大量的数值试验 ,结果表明隐式迭代法在以上几方面均优于传统迭代法 .将该方法在波动方程反问题上进行了应用 ,进一步表明了该方法的广泛适用性 .
- 韩波刘家琦卢惠林
- 关键词：非线性方程组隐式迭代法
- 频域波动方程数值解的一种多重网格方法被引量：3
- 1996年
- 将近年发展起来的多重网格方法应用于频域波动方程的数值求解，数值算例说明多重网格方法是一种最优阶算法，适宜于处理频域波动方程。最后指出了多重网格方法与微分方程数值解的小波方法的区别。
- 钱建良刘家琦卢惠林
- 关键词：多重网格法数值解
- 非稳定路径下传感器节点通信优化方法研究被引量：1
- 2013年
- 在一些移动节点的传感器网络中,网络节点死亡后,节点之间的路径关系成动态变化,死亡节点会打乱原有的路径模型,传统的路径计算方法以静态节点为主,假设节点在短时间内处于静态。但是,一旦节点运动过快,这种假设就是错误的,导致节点之间无法建立稳定路径模型,通信效率低下。为了避免上述传统算法的缺陷,提出了一种协同多跳通信协议的非稳定路径下传感器节点通信优化方法。计算非稳定路径在传感器节点通信过程中需要消耗的能量,为传感器节点通信提供准确的数据基础。利用协同多跳通信协议,完成非稳定路径下传感器节点通信。实验结果表明,利用改进后的方法进行非稳定路径下传感器节点通信,可以减少通信过程中的总能耗,提高通信网络的可靠性,降低通信的时延性。
- 卢惠林
- 关键词：传感器通信优化
- TRIZ创新理论在计算机程序设计教学中的应用被引量：9
- 2007年
- 卢惠林
- 关键词：计算机程序设计教学TRIZ中华民族高等教育教育界
- 基于加权Bayes分类器的流数据在线分类算法研究被引量：3
- 2014年
- 传统的分类算法在对模型进行训练之前,需要得到整个训练数据集。然而在大数据环境下,数据以数据流的形式源源不断地流向系统,因此不可能预先获得整个训练数据集。研究了大数据环境下含有噪音的流数据的在线分类问题。将流数据的在线分类描述成一个优化问题,提出了一种加权的Nave Bayes分类器和一种误差敏感的(Error Adaptive)分类器,并通过真实的数据集对提出的算法进行了验证。实验结果表明,文中提出的误差敏感的分类器算法在系统没有噪音的情况下分类预测的准确性要优于相关的算法;此外,当流数据中含有噪音时,误差敏感的分类器算法对噪音不敏感,仍然具有很好的预测准确性,因此可以应用于大数据环境下流数据的在线分类预测。
- 卢惠林
- 关键词：大数据决策树流数据
