负载预测的精度是影响云平台弹性资源管理的主要因素之一。而云平台中存在着大量的短任务负载序列,其历史信息不足和不平滑的特性导致难以选择合适的模型进行精准预测。对此提出了一种领域对抗自适应的短任务负载预测模型。该模型采用奇异谱分析(singular spectrum analysis,SSA)对样本进行平滑处理;联合第四版本的Mueen相似度搜索算法(the fourth version of Mueen’s algorithm for similarity search,MASS_V4)与时间特征进行域间相似性计算,获得合适的源域数据来辅助迁移预测;将门控循环单元(gated recurrent unit,GRU)作为基准器构建网络,并利用Y差异定义新的损失函数,通过对抗过程建立出表征能力强的短任务负载预测模型。将所提方法在两个真实的云平台数据集上与其他常用的云负载预测算法对比,均表现出较高的预测精度。
目前基于时频分析技术的分段线性调频（Linear Frequency Modulated， LFM）信号检测方法，因不同时间段频率随时间动态变化差异，面临两大核心问题：一是交叉项干扰严重，影响信号检测准确性；二是时频分辨率受限于定性分析和固定搜索...
详细信息
目前基于时频分析技术的分段线性调频（Linear Frequency Modulated， LFM）信号检测方法，因不同时间段频率随时间动态变化差异，面临两大核心问题：一是交叉项干扰严重，影响信号检测准确性；二是时频分辨率受限于定性分析和固定搜索步长，难以灵活应对复杂多变的信号特性。为解决上述问题，本文利用自适应短时分数阶傅里叶变换（Short Time Fractional Fourier Transform， STFRFT）技术，提出基于最优STFRFT的分段LFM信号检测方法。首先，从理论上建立窗长和分数阶与时频支撑区域之间精确的映射关系，以定量分析的方式弥补现有自适应STFRFT在解释时频质量提升方面的不足，避免交叉项干扰。其次，构建高效的STFRFT优化模型，并提出一种基于信号局部特性差异的“先粗后细”搜索策略，旨在提高时频分辨率优化算法效率，保证算法在处理复杂信号时的灵活性和准确性。最后，采用信息熵和运行时间作为算法性能衡量指标，在噪声环境下验证所提方法对分段LFM信号的检测性能。与其它时频分析方法对比，所提方法在提高分段LFM信号的时频分辨率方面表现出色，能够在较低的信噪比环境下显著提升分段LFM信号瞬时频率提取的鲁棒性。
暂无评论