基于代码层次的软件资源信息挖掘系统的设计与实现
这是一篇关于软件资源信息挖掘,依赖关系,树,有向图,模块划分的论文, 主要内容为本文在调研了大量国内外文献的基础上,研究了软件资源信息挖掘的理论和方法,同时调研了软件逆向工程及软件切片的理论和技术,并将这两项技术应用于软件资源信息挖掘系统的设计和实现当中。 目前对于一些庞大的软件系统当中存在着大量的隐藏信息,而软件系统在开发的过程中往往存在设计文档不完善,设计文档与代码不同步,设计文档丢失,以及设计文档不精确或难以理解等问题,这就造成了再次对该软件系统进行改进或者在该软件系统上进行实施时由于对该软件系统一无所知导致无法入手。 鉴于以上问题,本文设计了基于代码层次的软件资源信息挖掘系统,该系统通过分析基于JAVA语言平台的客户软件系统的源代码,提取出系统中类之间的依赖关系,并通过树及有向图这两种数据结构表示系统中所有类的依赖关系,同时基于系统中类的依赖关系按照一定的策略对客户软件系统进行模块划分,以使得客户软件系统在进一步进行改进或者在第三方软件实施系统对其进行实施时可以按模块独立进行,以尽量少的造成对其它无关模块的影响。同时考虑到系统会在已有结构的基础上新增一些类,且在分析时不希望破坏原先的依赖关系结构及模块结构,本系统专门设计了对于保持原结构不变的情况下对新增类部分的分析,并将新增类部分的结构与系统中原有部分相关联起来。 本文首先简要的对软件资源信息挖掘的理论做了描述,然后在理论指导下参与了系统的需求分析,进行了分析系统模型及策略的概要设计,设计系统包结构及类结构的详细设计,系统实现及系统测试,并分析了系统设计与实现中遇到的关键问题及解决方案。
基于代码层次的软件资源信息挖掘系统的设计与实现
这是一篇关于软件资源信息挖掘,依赖关系,树,有向图,模块划分的论文, 主要内容为本文在调研了大量国内外文献的基础上,研究了软件资源信息挖掘的理论和方法,同时调研了软件逆向工程及软件切片的理论和技术,并将这两项技术应用于软件资源信息挖掘系统的设计和实现当中。 目前对于一些庞大的软件系统当中存在着大量的隐藏信息,而软件系统在开发的过程中往往存在设计文档不完善,设计文档与代码不同步,设计文档丢失,以及设计文档不精确或难以理解等问题,这就造成了再次对该软件系统进行改进或者在该软件系统上进行实施时由于对该软件系统一无所知导致无法入手。 鉴于以上问题,本文设计了基于代码层次的软件资源信息挖掘系统,该系统通过分析基于JAVA语言平台的客户软件系统的源代码,提取出系统中类之间的依赖关系,并通过树及有向图这两种数据结构表示系统中所有类的依赖关系,同时基于系统中类的依赖关系按照一定的策略对客户软件系统进行模块划分,以使得客户软件系统在进一步进行改进或者在第三方软件实施系统对其进行实施时可以按模块独立进行,以尽量少的造成对其它无关模块的影响。同时考虑到系统会在已有结构的基础上新增一些类,且在分析时不希望破坏原先的依赖关系结构及模块结构,本系统专门设计了对于保持原结构不变的情况下对新增类部分的分析,并将新增类部分的结构与系统中原有部分相关联起来。 本文首先简要的对软件资源信息挖掘的理论做了描述,然后在理论指导下参与了系统的需求分析,进行了分析系统模型及策略的概要设计,设计系统包结构及类结构的详细设计,系统实现及系统测试,并分析了系统设计与实现中遇到的关键问题及解决方案。
有向加权图上的社区搜索算法研究
这是一篇关于社区搜索,有向图,truss结构,子图影响力的论文, 主要内容为社区搜索旨在从网络中寻找并发现具有高内聚性且包含查询点的子图。该问题在社交网络分析、推荐系统、知识图谱挖掘和生物信息学等领域都有广泛应用。在实际应用中,社区搜索返回的结果不仅需要考虑子图的内聚性,还需要考虑其影响力。然而,现有的社区搜索方法仅考虑了子图的凝聚性,而忽略了其影响力。例如,在社交网络中,社区的影响力是衡量用户的活跃度和可信度的一个维度,该维度在社交网络中的影响非常重要。因此,需要一种新的社区搜索方法来综合考虑这些因素,以更准确地找到具有高影响力的社区。本文对现有方法存在的问题进行研究,具体研究内容如下:首先,提出在有向加权图上的社区搜索问题,简称CSVDG问题(Community Search on Vertex-weighted Directed Graph)。设计了两种在线算法:基于自顶向下思想的TDT-CS(Top-Down Truss Community Search)算法和基于自底向上思想的BUT-CS(Bottom-Up Truss Community Search)算法。这两种算法在有向加权图上进行社区搜索,在充分考虑结果内聚性要求的同时,考虑结果子图整体的影响力,以满足实际应用场景的需求。其次,提出三种优化策略来加速社区搜索的效率。这三种优化策略分别是:(1)基于Truss Guard索引的候选社区求解方法,(2)基于批量扩展的结果生成策略Half-Batch Vertex Insertion(HBVI),(3)基于启发式的结果生成策略Smart Insert。其中,Truss Guard索引通过提前对图建立索引,显著减少结果生成过程中的查找范围的计算时间。HBVI优化策略可在一定程度上减少在线算法在结果生成时进行图扩张所带来的昂贵操作代价。Smart Insert优化策略则在HBVI的基础上,进一步降低了图扩张的规模。最后,为验证本文提出算法的高效性,在5个真实世界中的有向网络上进行实验。在不同阈值要求条件下,实验结果表明,本文提出的算法具有良好的性能和扩展性。
通信高效的分散式宽度学习系统研究
这是一篇关于宽度学习系统,分布式学习,无向图,有向图,交替方向乘子法的论文, 主要内容为随着智能设备的普及,各行各业不断产生大量数据。处理、分析和应用这些海量数据已成为各行各业的重要任务。目前,使用分布式方法处理海量数据集的优势越来越明显。在分布式算法中,训练数据分布在一个由若干智能体相互连接的网络中。由于资源限制或隐私问题,智能体之间被禁止共享原始数据。在这种分布式范式中,智能体之间的通信是一个值得研究的重要问题。此外,宽度学习系统是一种高效的学习模型,在机器学习和各种应用领域中取得了巨大成功。因此,本文基于宽度学习系统研究了一类分布式学习算法。主要研究内容如下:本文研究了在无向图上的分散式弹性网络宽度学习系统。在无向图上,智能体之间双向传输信息会导致通信资源消耗。为了节省通信资源,本文提出了一种更高效的分散式弹性网络宽度学习系统算法。该算法引入了量化和通信审查策略,改善了通信过程,并在最小化性能下降的情况下将通信成本最小化。具体来说,该算法采用量化策略减少了每次传输的比特数,并采用通信审查策略减少了传输的总次数。此外,本文还将训练问题表述为有限和最小化,并采用交替方向乘子法以分布式的方式求解优化问题。实验结果表明,该算法可以在保持测试数据集性能相近的情况下,降低通信成本。由于有向图在实际生活中应用更广泛且能够实现单向信息传输,本文研究了有向图上的分散式弹性网络宽度学习系统,进一步降低通信成本。在有向图上的分散式弹性网络宽度学习系统研究中,通过引入AB/Push-Pull算法求解分布式优化问题。该算法采用构造行随机矩阵来混合决策变量和列随机矩阵来跟踪平均梯度,并引入了ABN和ABm两种加速算法以改善收敛速度。最终仿真实验结果表明,该算法具有可行性。由于弹性网络宽度学习系统受到浅层结构的限制,本文提出了一种分散式的模糊宽度学习系统算法。该算法融合了宽度学习系统和模糊识别系统的优点,并由两部分的分布式优化训练过程组成。其中,模糊C-means的分布式优化主要用于确定模糊子系统中前导层的参数,而模型顶层输出参数的分布式优化则用于求解最终的输出权重。这两部分的分布式优化问题通过交替方向乘子法求解。最后,在分类数据集上进行的仿真实验验证了该算法的有效性。
有向加权图上的社区搜索算法研究
这是一篇关于社区搜索,有向图,truss结构,子图影响力的论文, 主要内容为社区搜索旨在从网络中寻找并发现具有高内聚性且包含查询点的子图。该问题在社交网络分析、推荐系统、知识图谱挖掘和生物信息学等领域都有广泛应用。在实际应用中,社区搜索返回的结果不仅需要考虑子图的内聚性,还需要考虑其影响力。然而,现有的社区搜索方法仅考虑了子图的凝聚性,而忽略了其影响力。例如,在社交网络中,社区的影响力是衡量用户的活跃度和可信度的一个维度,该维度在社交网络中的影响非常重要。因此,需要一种新的社区搜索方法来综合考虑这些因素,以更准确地找到具有高影响力的社区。本文对现有方法存在的问题进行研究,具体研究内容如下:首先,提出在有向加权图上的社区搜索问题,简称CSVDG问题(Community Search on Vertex-weighted Directed Graph)。设计了两种在线算法:基于自顶向下思想的TDT-CS(Top-Down Truss Community Search)算法和基于自底向上思想的BUT-CS(Bottom-Up Truss Community Search)算法。这两种算法在有向加权图上进行社区搜索,在充分考虑结果内聚性要求的同时,考虑结果子图整体的影响力,以满足实际应用场景的需求。其次,提出三种优化策略来加速社区搜索的效率。这三种优化策略分别是:(1)基于Truss Guard索引的候选社区求解方法,(2)基于批量扩展的结果生成策略Half-Batch Vertex Insertion(HBVI),(3)基于启发式的结果生成策略Smart Insert。其中,Truss Guard索引通过提前对图建立索引,显著减少结果生成过程中的查找范围的计算时间。HBVI优化策略可在一定程度上减少在线算法在结果生成时进行图扩张所带来的昂贵操作代价。Smart Insert优化策略则在HBVI的基础上,进一步降低了图扩张的规模。最后,为验证本文提出算法的高效性,在5个真实世界中的有向网络上进行实验。在不同阈值要求条件下,实验结果表明,本文提出的算法具有良好的性能和扩展性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码导航 ，原文地址：https://m.bishedaima.com/lunwen/54669.html
