检索结果-内蒙古大学图书馆

自动化学报 2018年第8期44卷 1518-1527页

作者：钟佳岐梁山熊庆宇重庆大学信息物理社会可信服务计算教育部重点实验室重庆400044 重庆大学自动化学院重庆400044 重庆邮电大学自动化学院重庆400065 重庆大学软件工程学院重庆401331

德拜媒质微波加热过程中,由于介电常数具有随温度变化的特性,导致电磁场的空间分布将会产生巨大的变化.若缺乏合理的功率调控策略,将导致燃烧、爆炸等一系列热失控现象.针对上述问题,本文提出一种滚动时域H_∞保性能温度跟踪控制策略,... 详细信息

德拜媒质微波加热过程中,由于介电常数具有随温度变化的特性,导致电磁场的空间分布将会产生巨大的变化.若缺乏合理的功率调控策略,将导致燃烧、爆炸等一系列热失控现象.针对上述问题,本文提出一种滚动时域H_∞保性能温度跟踪控制策略,以实现对监测位置的最高温度进行控制.基于微波加热德拜媒质的机理模型,同时考虑跟踪系统稳定性、动态性能和输入约束,以H_∞增益和保性能函数作为性能指标,本文将温度跟踪问题转化为线性矩阵不等式(Linear matrix inequality,LMI)多目标优化问题,使得系统动态性能达到最优.最后以德拜媒质微波加热短波导模型为例,对所提出方法的有效性进行仿真验证.

关键词：微波加热德拜媒质输入受限 H∞保性能温度跟踪

来源：评论

学校读者我要写书评

暂无评论

面向内存文件系统的数据一致性更新机制研究

引用

计算机科学 2017年第2期44卷 222-227页

作者：孙志龙沙行勉诸葛晴凤陈咸彰吴剀劼重庆大学计算机学院重庆400044 信息物理社会可信服务计算教育部重点实验室重庆400044

近年来,研究界提出了多种管理新型存储级内存的内存文件系统,例如BPFS,PMFS和SIMFS。由于内存文件系统的设备访问方式和I/O路径不同于传统面向块设备的文件系统,适用于内存文件系统的数据一致性更新机制尚未得到很好的研究。为此,提出... 详细信息

近年来,研究界提出了多种管理新型存储级内存的内存文件系统,例如BPFS,PMFS和SIMFS。由于内存文件系统的设备访问方式和I/O路径不同于传统面向块设备的文件系统,适用于内存文件系统的数据一致性更新机制尚未得到很好的研究。为此,提出一种适用于内存文件系统的直接拷贝的数据一致性更新机制,讨论多种数据一致性更新机制在内存文件系统中的优缺点,并以内存文件系统SIMFS为基础,实现多种支持不同数据一致性更新机制的SIMFS版本。通过测试基准测试了各个SIMFS版本的性能,并分析了不同数据一致性更新机制对内存文件系统的整体性能的影响。实验结果表明,提出的直接拷贝机制在内存文件系统中取得了最好的性能。

关键词：数据一致性内存文件系统性能优化日志文件系统虚拟地址空间

来源：评论

学校读者我要写书评

暂无评论

GP-WIRGAN:梯度惩罚优化的Wasserstein图像循环生成对抗网络模型

引用

计算机学报 2020年第2期43卷 190-205页

作者：冯永张春平强保华张逸扬尚家兴重庆大学计算机学院重庆400044 重庆大学信息物理社会可信服务计算教育部重点实验室重庆400044 桂林电子科技大学广西可信软件重点实验室广西桂林541004 桂林电子科技大学广西光电信息处理重点实验室培育基地广西桂林541004

通常情形下,现有的图像生成模型都采用单次前向传播的方式生成图像,但实际中,画家通常是反复修改后才完成一幅画作的;生成对抗模型(Generative Adversarial Networks,GAN)能生成图像,但却很难训练.在保证生成图像质量的前提下,效仿作画... 详细信息

通常情形下,现有的图像生成模型都采用单次前向传播的方式生成图像,但实际中,画家通常是反复修改后才完成一幅画作的;生成对抗模型(Generative Adversarial Networks,GAN)能生成图像,但却很难训练.在保证生成图像质量的前提下,效仿作画时的不断更新迭代,以提升生成样本多样性并增强样本语义,同时引入Wasserstein距离,提出了Wasserstein图像循环生成对抗网络模型,简称WIRGAN(Wasserstein Image Recurrent Generative Adversarial Networks Model).WIRGAN定义了生成模型和判别模型,其中,生成模型是由一系列结构相同的神经网络模型组成的循环结构,用时间步骤T控制生成模型的循环次数,用于迭代式生成图像,并以最后一个循环结构的生成图像作为整个生成模型的输出;判别模型也由神经网络构建,结合权重剪枝技术,用来判别输入图像是生成的还是真实的.WIRGAN利用Wasserstein距离作为目标函数,将生成模型和判别模型进行博弈对抗训练.另外,由于模型存在难以优化的问题,本文引入了梯度惩罚来解决此类问题,进一步提出了梯度惩罚优化的Wasserstein图像循环生成对抗网络模型(Gradient Penalty Optimized Wasserstein Image Recurrent Generative Adversarial Networks Model,GP-WIRGAN).最后,WIRGAN和GP-WIRGAN在MNIST、CIFAR10、CeUN四个数据集上进行了基础学习能力、模型间GAM自比较、模型内GAM自比较、初始得分比较、图像生成可视化、时间效率比较等6组实验,采用生成对抗矩阵(Generative Adversarial Metric,GAM)和起始分数(Inception Scores)进行评估,结果表明,本文提出的WIRGAN、GP-WIRGAN具有良好的稳定性,可以生成高质量的图像.

关键词：图像生成生成对抗网络 Wasserstein距离深度学习权重剪枝梯度惩罚

来源：评论

学校读者我要写书评

暂无评论

SiamCross:孪生交叉的目标跟踪对象感知网络

引用

计算机学报 2022年第10期45卷 2151-2166页

作者：黄旺辉冯永强保华裴钰璇罗越重庆大学计算机学院重庆400044 重庆大学信息物理社会可信服务计算教育部重点实验室重庆400044 桂林电子科技大学广西可信软件重点实验室广西桂林541004 桂林电子科技大学广西光电信息处理重点实验室培育基地广西桂林541004

近来,基于孪生架构的方法因其能在保持良好速度的同时取得较显著的性能,引起了视觉跟踪领域的广泛关注.然而,孪生网络分支通常是独立的,缺乏信息交互,这限制了模型性能的进一步提升.为了增强孪生网络分支的协作能力,本文提出基于孪生架... 详细信息

近来,基于孪生架构的方法因其能在保持良好速度的同时取得较显著的性能,引起了视觉跟踪领域的广泛关注.然而,孪生网络分支通常是独立的,缺乏信息交互,这限制了模型性能的进一步提升.为了增强孪生网络分支的协作能力,本文提出基于孪生架构的交叉感知网络模型——SiamCross(Siamese Cross Object-Aware Network).孪生网络双分支特征提取是提升模型性能的首要核心操作,区分目标和语义背景在很大程度上依赖模型挖掘的特征鲁棒性.在SiamCross中,我们首先基于孪生网络分支的互监督,设计了全新的孪生交叉感知子网络(Siamese Cross-Aware Network,SCAN)用来提取鲁棒特征.SCAN允许孪生分支彼此全方位高效协同工作,使模板分支可充分利用特征丰富的上下文语义信息,对目标产生更具有区分性的表示;搜索分支结合模板特征,也主动学习到了目标的本质信息.另一方面,无锚框算法将跟踪任务直接映射为对每个像素的分类和回归,网络分支特征可各自聚焦于目标的局部与全局空间信息.以上两种特征具有很好的潜在局部-全局互补性.具体而言,回归特征学习到了更多的目标全局尺寸信息,但同时也引入了周围背景信息,而分类分支专注于学习局部中心定位信息.二者结合,有利于抑制回归特征的背景信息表达.同时,回归特征会在目标周边位置进行突出响应,揭示目标所在区域,也为分类分支进行定位提供了有益参考.为充分利用以上不同的分支空间特征信息来获得更精确的跟踪结果,我们又提出了新型的目标注意力交互网络(Obejct-Attention Interaction Network,OAIN),并将其融入到SiamCross中.OAIN包含并行交叉注意力模块(Parallel Cross Attention Module,PCA)和自适应可形变交叉对齐模块(Adaptive Deformable Cross Align Module,ADCA).PCA模块通过对分支中局部与全局信息的巧妙融合,提升了目标状态估计的准确性.为了进一步使回归特征和目标区域对齐,缓解特征对齐失焦导致的分类分支参考信源可靠性大幅度降低,我们为ADCA模块设计了自适应空间转换操作,可以使得回归特征更好反映目标所在区域.最终,ADCA模块完善了无锚框网络的高效交互机制.最后,我们在OTB2015、VOT2018/2019、GOT-10k和LaSOT五个具有挑战性的公开基准中对SiamCross进行了详尽的实验评估.实验结果显示,SiamCross与当前先进的跟踪器SiamRPN++、ATOM及DiMP相比,均取得了更优异的综合表现,并且可实现实时跟踪.

关键词：视觉目标跟踪孪生网络信息交互交叉注意力

来源：评论

学校读者我要写书评

暂无评论

基于集群规模调整的节能存储策略

引用

计算机工程与应用 2017年第24期53卷 80-85页

作者：妙晓龙陈浩钟将重庆大学计算机学院重庆400044 信息物理社会可信服务计算教育部重点实验室重庆400044

根据谷歌数据中心研究报告,传统数据中心存在高能耗、低利用率的问题。通过研究集群数据块访问规律,提出一种基于集群规模调整的Hadoop分布式文件系统(HDFS)节能存储策略,实现HDFS高效节能存储。策略主要在集群区域划分、数据块迁移策... 详细信息

根据谷歌数据中心研究报告,传统数据中心存在高能耗、低利用率的问题。通过研究集群数据块访问规律,提出一种基于集群规模调整的Hadoop分布式文件系统(HDFS)节能存储策略,实现HDFS高效节能存储。策略主要在集群区域划分、数据块迁移策略优化、缓存机制等方面作出了改进。实验结果表明:使用该节能策略的HDFS比传统HDFS节能35%～40%,其中0.3%的访问需要唤醒服务器,同时引入缓存策略对集群的性能提高了5.1%。

关键词： Hadoop Hadoop分布式文件系统节能规模调整缓存

来源：评论

学校读者我要写书评

暂无评论

智能环境下分布式Rete算法

引用

计算机应用 2016年第7期36卷 1893-1898页

作者：汪成亮温鑫信息物理社会可信服务计算教育部重点实验室(重庆大学) 重庆400044 重庆大学计算机学院重庆400044

针对智能环境中基于Rete的规则推理引擎需要将数据集中到sink节点,导致传感器网络中数据传输量过大的问题,建立了Rete网络代价模型,并提出了最小传输代价的Rete分布的算法(MCoRDS)。该算法通过统计Rete网络中子模式对事实数据的依赖,发... 详细信息

针对智能环境中基于Rete的规则推理引擎需要将数据集中到sink节点,导致传感器网络中数据传输量过大的问题,建立了Rete网络代价模型,并提出了最小传输代价的Rete分布的算法(MCoRDS)。该算法通过统计Rete网络中子模式对事实数据的依赖,发现大部分子模式在对应事实数据采集Sensor附近便具备了计算推理条件,故将Rete网络中的子模式规则分布到最早汇集其所需所有事实数据的Sensor中,即可避免事实数据进一步往sink节点的传输,从而大量减少传感器网络中的数据传输量。对比将Rete网络放置在sink节点的集中式推理进行了4组仿真实验。其中第4组实验,传感器网络总跳数由85000减至8036,减少约90.5%;其余组实验传输跳数也有一定的减少。实验结果表明,最小代价的Rete分布具有更小的数据传输量,在规则触发频率低、规则规模较大的情况下尤甚。

关键词：智能环境规则推理引擎传感网络 Rete算法 Rete分布

来源：评论

学校读者我要写书评

暂无评论

核函数带宽自适应的均值漂移目标跟踪算法

引用

计算机工程与设计 2012年第7期33卷 2776-2781页

作者：周尚波李昆重庆大学计算机学院重庆400030 重庆大学信息物理社会可信服务计算教育部重点实验室重庆400030

针对均值漂移(Mean Shift)算法在跟踪视频目标过程中核函数带宽固定不变的缺陷,提出了一种核函数带宽与目标大小自适应变化的Mean Shift视频目标跟踪算法。用Mean Shift算法搜索到目标,以搜索框中心不变,将搜索窗口扩大,并计算新搜索框... 详细信息

针对均值漂移(Mean Shift)算法在跟踪视频目标过程中核函数带宽固定不变的缺陷,提出了一种核函数带宽与目标大小自适应变化的Mean Shift视频目标跟踪算法。用Mean Shift算法搜索到目标,以搜索框中心不变,将搜索窗口扩大,并计算新搜索框的模型及每个像素的核函数权值;通过将每个像素点的核函数权值代替像素值,并利用不变矩计算方法,识别出能框选住目标的椭圆;根据椭圆参数反求新搜索框的大小(核函数带宽)及位置。实验结果表明,该算法能够有效地跟踪大小变化的目标,并且搜索框能较好地与目标大小相适应。

关键词： Mean Shift算法视频目标跟踪核函数带宽自适应不变矩

来源：评论

学校读者我要写书评

暂无评论

情境计算研究综述

引用

计算机研究与发展 2015年第2期52卷 542-552页

作者：李伟平王武生莫同张志超褚伟杰吴中海北京大学软件与微电子学院北京100871 信息物理社会可信服务计算教育部重点实验室(重庆大学) 重庆400044 北京大学信息科学技术学院北京100871

作为一种新的计算模式,情境计算得到了学术界和产业界越来越多的关注.随着物联网、云计算、大数据、社会计算等相关技术的不断发展成熟,情境计算进入了快速发展阶段.情境计算是一种通过对获取到的情境信息进行处理、从而得出用户所需服... 详细信息

作为一种新的计算模式,情境计算得到了学术界和产业界越来越多的关注.随着物联网、云计算、大数据、社会计算等相关技术的不断发展成熟,情境计算进入了快速发展阶段.情境计算是一种通过对获取到的情境信息进行处理、从而得出用户所需服务并主动向用户提供相应情境感知服务的计算模式.这一新的计算模式为使用者的工作、生活带来了舒适和便利.对情境计算的诞生背景进行阐述,介绍情境、情境计算、情境感知、情境感知系统和情境感知服务等关键概念,总结情境数据获取、情境模型与建模、情境推理、主动服务提供、情境感知中间件和安全与隐私等重要研究内容以及其中使用到的关键技术,最后依托情境计算的一般性架构分析得出情境计算的未来发展挑战.

关键词：情境计算情境感知服务情境建模情境推理服务提供

来源：评论

学校读者我要写书评

暂无评论

主题特征格分析:一种用户生成文本质量评估方法

引用

电子学报 2018年第9期46卷 2201-2206页

作者：钟将张淑芳郭卫丽李雪信息物理社会可信服务计算教育部重点实验室重庆大学重庆400030 重庆大学计算机学院重庆400030 重庆电子工程职业学院重庆401331 昆士兰大学信息技术与电子工程学院澳大利亚布里斯班4072

本文设计了一种用户生成文本的质量分析框架.首先,基于主题分析构建商品类别主题特征集合.其次,利用主题特征与商品分类的强关联关系,构建形式化概念分析的形式背景,将分类-主题概念格化简并生成主题特征格,以此构建五个质量特征并生成... 详细信息

本文设计了一种用户生成文本的质量分析框架.首先,基于主题分析构建商品类别主题特征集合.其次,利用主题特征与商品分类的强关联关系,构建形式化概念分析的形式背景,将分类-主题概念格化简并生成主题特征格,以此构建五个质量特征并生成质量评估模型.最后,在真实评论数据上的实验结果表明新方法具有更高预测精度.

关键词：用户评论质量评估主题特征主题特征格

来源：评论

学校读者我要写书评

暂无评论

融合社交因素和评论文本卷积网络模型的汽车推荐研究

引用

自动化学报 2019年第3期45卷 518-529页

作者：冯永陈以刚强保华重庆大学计算机学院重庆400030 重庆大学信息物理社会可信服务计算教育部重点实验室重庆400030 桂林电子科技大学广西云计算与大数据协同创新中心桂林541004

汽车作为较高价值和个性化的消费品,使得用户购车决策过程较一般商品更为复杂.本文主要研究社交环境和评论文本两方面对用户购车决策过程的影响,提出了融合社交因素和评论文本卷积网络的汽车推荐模型(Social and comment text CNN model... 详细信息

汽车作为较高价值和个性化的消费品,使得用户购车决策过程较一般商品更为复杂.本文主要研究社交环境和评论文本两方面对用户购车决策过程的影响,提出了融合社交因素和评论文本卷积网络的汽车推荐模型(Social and comment text CNN model based automobile recommendation, SCTCMAR). SCTCMAR首先定义了基于购买用途需求的社交圈,在此基础上提出了个人偏好计算方法,并引入了偏好相似度;其次,设计了卷积网络模型学习汽车评论文本的隐特征;然后将社交影响量化因素和评论文本特征有机融合注入推荐模型,并采用低阶矩阵分解技术进行模型计算.另外,本文使用GloVe预训练词嵌入模型,产生了SCTCMAR的另一个版本SCTCMAR+.最后,将SCTCMAR、SCTCMAR、FMM (Flexible mixture model), TR (Trust rank). Random sampling在课题组爬取后经清理、去重和整合的266 995个用户、702辆汽车信息的真实数据集上进行精确率、召回率和平均倒序排名三个指标的多粒度实验比较,结果表明本文提出的SCTCMAR+和SCTCMAR具有良好的推荐性能.

关键词：汽车推荐卷积神经网络社交圈矩阵分解

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：