为了提高空间电源系统故障检测准确度,将卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆(Long Short Term Memory,LSTM)相结合,提出了一种自适应选择的空间电源系统故障检测模型,从而实现空间电源系统的故障检测。通过...
详细信息
为了提高空间电源系统故障检测准确度,将卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆(Long Short Term Memory,LSTM)相结合,提出了一种自适应选择的空间电源系统故障检测模型,从而实现空间电源系统的故障检测。通过建立数字孪生虚拟模型引入典型故障,增加故障数据种类和数量,作为训练模型的数据集;采用CNN LSTM算法对样本数据集进行机器学习和训练,从而构建故障检测模型。通过实验验证了CNN LSTM模型故障检测准确度可达98%且损失函数值较少;在对各类型故障检测上,平衡F分数最低为96%,最高可达100%,更进一步说明提出方案的有效性和可行性,具有一定的实用价值。
随着大模型的高速发展,智算需求的增长速度远超芯片性能提升速度,计算集群方案和“DC as a Computer”概念应运而生,数据中心网络变得尤为重要。在大模型训练和推理时,集群对网络系统的稳定性要求极高。针对大模型业务特点,结合主流集...
详细信息
随着大模型的高速发展,智算需求的增长速度远超芯片性能提升速度,计算集群方案和“DC as a Computer”概念应运而生,数据中心网络变得尤为重要。在大模型训练和推理时,集群对网络系统的稳定性要求极高。针对大模型业务特点,结合主流集群网络技术,研究了训练场景下的超大规模组网、超高吞吐和超稳定的新一代智算中心网络技术,以及推理场景下通过SDN+SRv6可编程算网一体智能调度和切片技术构建高品质的入算网络,并研究了DC间协同训练的技术难点和应对方案。
暂无评论