针对分布式哈希表(DHT)云存储系统中的存储负载不均问题,提出一种基于节点动态前移(NDF)的负载均衡算法。通过过载节点动态前移,缩小节点存储分区,进而降低节点的存储负载。同时,过载节点向第3个后继节点复制相关数据,保证系统中数据的副本数量稳定。在NDF算法执行过程中,只需过载节点与第3个后继节点进行简单协调,多个过载节点可以并发地进行负载转移,适合在大规模集群中部署。在10个节点的小规模集群中进行功能测试,验证NDF算法具有良好的负载均衡能力。在 5 000个节点的大规模集群中进行性能测试,结果证明在系统总负载不超过60%时,与虚拟节点算法相比,NDF算法负载转移代价可以提升30%以上。
在一些嵌入式应用中,实时性任务较少,但其实时性要求需要得到保证。而传统提高嵌入式系统实时性的方案会降低系统吞吐量,影响大量非实时性任务的执行。针对这种情况,在分析现有方案的基础上,提出一种Linux系统实时性改进方案。给出实时性可裁剪的思想,修改Linux内核的HZ值,同时在应用程序中调整进程调度策略。在ARM9 S3C2440硬件平台上基于Linux2.6.30.4内核进行测试,结果表明,改进方案与传统方案相比方便可行,更加适合于小比例实时性任务的应用场合。
针对基于轮廓检索算法(SIL)和基于概率密度检索算法(DBF)对三维模型描述的不足,提出一种基于概率密度和轮廓的三维模型检索算法。利用高斯核密度函数描述模型投影轮廓特征的分布,计算不同模型在同一坐标平面内投影轮廓特征分布的相似度,以得到模型间的相似度。该算法相比SIL对模型轮廓描述更全面,比DBF具有更强的抗干扰性。在PSB数据库上的检索结果表明,与经典算法相比,该算法具有更高的检索准确率。
针对粒子滤波跟踪丢失目标后较难恢复的问题,提出一种基于粒子滤波和在线学习的目标跟踪方法。使用粒子滤波有效的跟踪结果作为正训练样本不断更新样本库,将随机蕨作为分类器检测目标位置,当分类器和粒子滤波的检测结果存在较大差异时,重新初始化粒子滤波器。在线学习采用二维二值特征,具有计算简单、尺度不变和光照不变的特点。实验结果证明,该方法的跟踪结果优于传统的粒子滤波,能够准确地跟踪到被遮挡和消失再出现的目标。