Implementation of object oriented software engineering on LabVIEW graphical design framework for data acquisition in large volume plasma device

Sugandhi, R.; Srivastava, P. K.; Srivastav, Prabhakar; Sanyasi, A. K.; Awasthi, L. M.; Parmar, Vijaysinh; Makadia, Keyur; Patel, Ishan; Shah, Sandeep R.

doi:10.1109/confluence.2017.7943259

Cited by 3 publications

(1 citation statement)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Революционная парадигма программного обеспечения, называемая объектноориентированным программированием (ООП), представляет собой метамодель, построенную на использовании понятия о классах и об экземплярах этих классов на основе теории абстракции, и механизмов инкапсуляции, наследования, полиморфизма и других. Эти теоретические построения способствуют созданию повторно используемых и способных к развитию программных модулей [13]. Объектно-ориентированный подход, первоначально возникший как парадигма программирования, в настоящее время используется специалистами и проектировщиками для решения сложных задач во многих научных областях.…”

Section: Introductionunclassified

DOOR: Distributed Object Oriented Software Restructuring Approach Using Neural Network

Khan

2019

Proceedings of ISP RAS

View full text Add to dashboard Cite

Аннотация. Для развития распространенных программных систем инженерами и дизайнерами в настоящее время используется объектно-ориентированный подход, который помогает строить распределенные объектно-ориентированные системы. Отличительной особенностью распределенных объектно-ориентированных систем является компетентное распределение классов объектов по различным узлам. Обычно информация о распределении классов по серверам в приложениях отсутствует, что стимулирует проведение процедуры реструктуризации, позволяющей повысить производительность. В предлагаемом подходе реструктуризация программного обеспечения систем осуществляется с помощью адаптивного метода с использованием нейронной сети. На начальном этапе создается граф зависимости классов, узлы в котором представляют классы, а связи между узлами соответствуют зависимостям между классами. Затем извлекаются свойства классов, входящих в этот граф, которые передаются в качестве входных данных в нейронную сеть для ее обучения. После этого на основе учета зависимостей классов выполняется кластеризация, приводящая к разбиению множества классов распределенной объектно-ориентированной системы на слабосвязанные подмножества. Далее создается граф кластеров, вершины в котором соответствуют кластерам, а ребра-каналам связи, которые могут существовать между кластерами. К полученному графу применяется алгоритм k-medoids, который используется для сбора кластеров таким образом, что количество собранных групп кластеров становится равным количеству доступных узлов системы. Сформированные в результате группы кластеров оказываются слабосвязанными. В завершение группы кластеров приписываются различным доступным узлам в распределенной среде. Результаты моделирования показали, что предлагаемая работа дает более эффективные результаты по сравнению с существующими методами. Ключевые слова: распределенные объектно-ориентированные системы; диаграмма зависимости классов; рекурсивная кластеризация графов; слабое связывание; нейронная сеть; распределенная архитектура

show abstract

Section: Introductionunclassified