检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

随机丢弃机制下分组丢失重传的缓存性能分析

高技术通讯 2008年第7期18卷 679-683页

作者：杨乔礼朱翼隽魏艳伟江苏大学理学院镇江212013

基于网络随机丢弃(RD)分组机制的缓存管理策略,建立了 M/M/1/K 排队模型和分组丢弃重传的 M_1+M_2/M/1/K 排队模型,以解决被丢弃的分组不重传和实现以一定概率重传的问题。利用生灭过程的极限定理和矩阵几何解方法给出了相应排队系统诸... 详细信息

基于网络随机丢弃(RD)分组机制的缓存管理策略,建立了 M/M/1/K 排队模型和分组丢弃重传的 M_1+M_2/M/1/K 排队模型,以解决被丢弃的分组不重传和实现以一定概率重传的问题。利用生灭过程的极限定理和矩阵几何解方法给出了相应排队系统诸如缓存队列中平均分组数、平均重传分组数、系统利用率、分组丢失率和单位时间内平均进入缓存分组数等稳态性能指标。两类系统性能指标的数值比较结果表明,具有 RD 机制的缓存管理策略必须充分考虑分组重传对系统性能指标的影响。

关键词：缓存管理性能分析随机丢弃重传矩阵几何解

在线全文

学校读者我要写书评

暂无评论

基于随机丢弃的多鉴别器生成对抗网络研究

基于随机丢弃的多鉴别器生成对抗网络研究

作者：刘汝佳电子科技大学

学位级别：硕士

随着机器学习,尤其是深度学习等相关领域的蓬勃发展,计算机对于许多困难任务的处理能力已经有了极大的提升。但是在这些算法的实现过程中,大量标注数据的获取依旧非常困难,有些需要人工花费时间进行处理,有些甚至以人类的知识是无法处... 详细信息

随着机器学习,尤其是深度学习等相关领域的蓬勃发展,计算机对于许多困难任务的处理能力已经有了极大的提升。但是在这些算法的实现过程中,大量标注数据的获取依旧非常困难,有些需要人工花费时间进行处理,有些甚至以人类的知识是无法处理的。因而无监督学习越来越受到人们的关注,在深度学习领域中,生成对抗网络(GAN)无疑是十分令人瞩目的。在原始的生成对抗网络中,真实数据是分布在低维流形上的,因而在高维空间对生成对抗网络进行训练所得到的结果是非常不稳定的。真实数据与生成数据的分布在高维空间几乎是没有重叠的,而根据鉴别的原理,这样会使得鉴别器可以非常轻松地将生成样本从数据集中区分出来,使得生成器无法根据鉴别器对数据的区分结果得到有学习意义的梯度。在训练过程中生成器也就无法生成更高质量、更逼真的图片。所以本文从架构的角度出发,尽可能增大鉴别器鉴别的难度,提出训练一个生成器同时对抗多个鉴别器的架构,并随机丢弃鉴别器。在这个架构中,在鉴别器鉴别之前首先将分布投影到低维空间。每一个鉴别器都只关注数据不同的低维随机投影,所有的这些低维投影包含了全部的特征。同时通过计算每个鉴别器的Wasserstein距离,得到最优鉴别器,保证最优鉴别器不被丢弃的同时,根据鉴别器的表现情况,为鉴别器分配丢弃概率。采用这种架构后,多个鉴别器可以向生成器提供稳定且有学习价值的梯度,生成器根据梯度进行学习,进而努力生成与完整数据分布一致(近似)的样本,以骗过所有鉴别器的判别。而随机丢弃鉴别器可以避免过拟合情况的发生,还可以保证鉴别器组整体工作的质量为最优。为了验证新架构生成图像的质量,在MNIST(手写数字)、Cifar10(小型物体)、CelebA(名人人脸)三种数据集上与DCGAN进行了对比实验,并从IS、FID、损失函数值三个角度进行了评估。新架构生成图像无论从质量还是多样性,都强于DCGAN。同时为了验证鉴别器个数对架构的影响,还对鉴别器个数分别为12、24、48进行了对比实验。生成图像质量随鉴别器个数的增加而提高。

关键词：生成对抗网络鉴别器低维投影随机丢弃模式崩溃

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

可见-近红外光谱的古陶瓷断代分类识别

光谱学与光谱分析 2019年第3期39卷 756-764页

作者：吴晓萍管业鹏李伟东罗宏杰上海大学通信与信息工程学院上海200444 新型显示技术及应用集成教育部重点实验室上海200072 中国科学院上海硅酸盐研究所上海201899 上海大学文化遗产保护基础科学研究院上海200444

为客观、有效对古陶瓷进行无损断代,提出了一种基于可见-近红外光谱古陶瓷断代分类识别方法。耀州窑古陶瓷跨代较多,且不同朝代之间具有物理相似性,因此耀州窑的断代具有一定的挑战性。以耀州窑为研究对象,在采用紫外-可见-近红外光谱... 详细信息

为客观、有效对古陶瓷进行无损断代,提出了一种基于可见-近红外光谱古陶瓷断代分类识别方法。耀州窑古陶瓷跨代较多,且不同朝代之间具有物理相似性,因此耀州窑的断代具有一定的挑战性。以耀州窑为研究对象,在采用紫外-可见-近红外光谱分析仪获取古陶瓷不同朝代的多光谱数据的基础上,提出基于分数阶微分对光谱数据进行预处理,避免微分预处理常用的一阶微分和二阶微分遗漏中间过渡信息,同时压制并消除光谱数据中的背景信息和噪声干扰。实验结果表明,未进行微分处理(0阶)时,耀州窑不同年代古陶瓷的分类准确率仅为84.8%,而基于不同分数阶微分的分类准确率均较0阶明显高,分数阶微分的最优阶数为0.7阶。另外,提出基于深度信念网络对不同朝代古陶瓷进行断代分类,首先采用层叠的受限玻尔兹曼机(RBM)对深度网络进行预训练,提取光谱数据高层特征以消除光谱数据中的冗余特征。实验结果表明,光谱数据经RBM降维之前特征间的相关系数为0.885 7,经第一层和第二层RBM降维后的相关系数分别为0.544 6和0.391 5,特征间的相关性明显下降,冗余度明显减少。然后将RBM预训练得到的权值参数对BP神经网络进行初始化,并对深度信念网络进行微调,在克服BP神经网络因随机初始化权值参数而陷入局部最优局限性的同时,提升网络训练主动性。实验可得,深度信念网络的最优RBM数量为2, RBM隐藏层最优节点数为100。最后,为避免小样本数据基于深度信念网络进行训练易出现过拟合,提出了一种Dropout随机丢弃策略,在深度信念网络训练阶段以一定概率随机让网络某些隐含层节点的权重不工作,以减少网络训练过程特征之间的相互依赖性,实验可得当Dropout丢弃比例为0.45时,分类性能最高。采用所提方法,耀州窑不同朝代古陶瓷分类的平均准确率为93.5%,而耀州窑五代时期的分类识别率最高为96.3%。通过与同类古陶瓷断代分析方法的客观定量对比,表明所提方法有效、可行,为古陶瓷的断代提供了新方法。

关键词：可见-近红外光谱分数阶微分深度信念网络随机丢弃

采用多尺度注意力机制的旋转机械故障诊断方法

在线全文

学校读者我要写书评

暂无评论

西安交通大学学报 2020年第2期54卷 51-58页

作者：吴静然丁恩杰崔冉刘建华中国矿业大学徐海学院江苏徐州221008 中国矿业大学物联网(感知矿山)研究中心江苏徐州221008 中国矿业大学信息与控制工程学院江苏徐州221008

针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点... 详细信息

针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点,通过多尺度粗粒度层获取不同尺度下振动信号,进而利用全卷积网络实现多尺度特征提取,接着采用注意力机制将多尺度特征进行融合,最后利用多分类函数实现旋转机械故障诊断。分别在凯斯西储大学轴承数据集和变速箱数据集对该方法的有效性进行验证,结果表明:该方法的故障识别率高达100%;人为引入噪声信号的信噪比为-4 dB时,在凯斯西储大学轴承数据集F上的故障识别正确率为84.77%,在齿轮箱数据集上的识别正确率为78.365%,识别正确率明显高于其他机器学习算法,证明了该方法具有较强的抗噪声干扰能力。

关键词：旋转机械故障诊断随机丢弃多尺度特征提取注意力机制

在线全文

学校读者我要写书评

暂无评论

卷积神经网络模型压缩的算法优化研究

卷积神经网络模型压缩的算法优化研究

作者：刘乐姗河北经贸大学

学位级别：硕士

随着卷积神经网络规模的不断增加,网络结构也越来越复杂,网络中冗余参数也越来越多,使得其难以在资源有限的设备上进行应用部署。因此,如何保证卷积神经网络精度的下降在允许范围内,通过对卷积神经网络模型进行压缩处理,得到一个稀疏的... 详细信息

随着卷积神经网络规模的不断增加,网络结构也越来越复杂,网络中冗余参数也越来越多,使得其难以在资源有限的设备上进行应用部署。因此,如何保证卷积神经网络精度的下降在允许范围内,通过对卷积神经网络模型进行压缩处理,得到一个稀疏的网络结构,并且减少计算量和所需内存,是一个具有重要意义的研究问题。本文主要针对卷积神经网络模型压缩的算法进行优化研究,具体工作如下:1.提出了一种基于最佳阈值的双重剪枝算法网络剪枝是一种通过删除模型中大量的冗余参数来对卷积神经网络模型进行压缩的技术。为了解决现有网络剪枝方法中用于控制稀疏率的阈值和判断节点的重要程度方面的不足,本文提出了一种基于最佳阈值的双重剪枝算法,该算法将节点的灵敏度和相关度作为重要程度的判断依据,并且利用贪心算法自动选择可以均衡最大稀疏率和最小误差的最佳剪枝阈值对网络进行剪枝,以此来达到模型压缩的目的。通过实验证明,该算法可以有效的降低网络参数,减少运行时间。2.提出了一种基于相关性丢弃的R-Dropout正则化算法Dropout是通过在原网络结构中随机删除部分节点,防止网络模型过拟合的正则化方法。随着卷积神经网络的规模不断增加,网络中线性相关性节点会随之增多,相关节点会形成大量数据冗余,影响算法执行的效率。基于此,本文把相关性的思想融入Dropout正则化方法中,提出了R-Dropout正则化方法,通过以一定概率删除部分相关性较大的节点,有效地限制了参数的数量。实验证明算法有效地提升了训练收敛速度,与原Dropout算法对比,在相同迭代次数等前提下,算法执行效率更高。3.提出了一种基于二分K-means聚类的参数量化方法二分K-means算法的出现弥补了传统K-means算法随机选取的初始聚类中心影响较大的不足,在对初始聚类中心的选取上比较严格,使得各聚类中心点的距离较远。该算法避免了初始聚类中心会被分到一个簇上,减少了算法陷入局部最优得可能性。通过二分K-means聚类算法对神经网络每层的权值进行聚类之后,将原始权值用得到的聚类中心表示,实现权值共享,本层的多个连接权值共享同一个权值。如此,K值远小于权重数量,达到了压缩的目的,并通过实验证明了该方法的有效性。

关键词：卷积神经网络模型压缩网络剪枝权值共享随机丢弃