针对云服务器中存在软件老化现象,将造成系统性能衰退与可靠性下降问题,借鉴剩余使用寿命(Remaining useful life,RUL)概念,提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting,SVs-GFF)的老化预测方法.首...
详细信息
针对云服务器中存在软件老化现象,将造成系统性能衰退与可靠性下降问题,借鉴剩余使用寿命(Remaining useful life,RUL)概念,提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting,SVs-GFF)的老化预测方法.首先,提取云服务器老化数据的统计特征指标,并采用支持向量回归(Support vector regression,SVR)对统计特征指标进行数据稀疏化处理,得到支持向量(Support vectors,SVs)序列数据;然后,建立基于密度聚类的高斯函数拟合(Gaussian function fitting,GFF)模型,对不同核函数下的支持向量序列数据进行老化曲线拟合,并采用Fréchet距离优化算法选取最优老化曲线;最后,基于最优老化曲线,评估系统到达老化阈值前的RUL,以预测系统何时发生老化.在OpenStack云服务器4个老化数据集上的实验结果表明,基于RUL和SVs-GFF的云服务器老化预测方法与传统预测方法相比,具有更高的预测精度和更快的收敛速度.
基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求,场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征,获得场景的高层语义信息,从而推理出所处的具体位置,它是同步定位与建图系统(Simultaneous Localization and Mapping,SLAM)、自动驾驶、机器人导航、闭环检测的基础。三维扫描技术的快速发展使得人们能够利用各种扫描仪快速获取各类场景的点云数据。不论扫描时间、光照环境如何变化,点云场景所获取的几何信息都具有较好的不变性,因此,基于点云的场景识别成为计算机视觉领域的研究热点。本文首先对近年来面向点云数据的场景识别方法进行了归纳和总结;然后介绍用于场景识别的大规模室内/室外场景的数据集,以及用于算法评测的评价指标,同时总结了各类算法的识别率。最后指出面向点云的场景识别中所面临的问题和挑战,对未来的研究趋势进行展望。研究结果有助于相关领域学者快速全面地了解基于点云数据场景识别的研究现状,为进一步提升场景识别精度奠定基础。
暂无评论