快速自适应梯度算法研究
这是一篇关于深度学习,自适应算法,重球动量,图像分类的论文, 主要内容为随着计算机技术以及通讯技术的飞速发展,人们可以获得的数据规模日益扩大。在这个信息爆炸的时代,深度学习能够通过计算机在海量数据中产生模型,挖掘出潜在的信息,特别是在计算机视觉、自然语言处理、推荐系统和多媒体应用的监督学习中。同时,深度模型引发的海量的动态流数据处理成为亟待解决的问题,传统的自适应梯度算法泛化性和收敛速度在深度模型中表现不佳,并且这些算法往往依赖于模型结构和学习率等超参数的设计,容易造成大量不必要的计算开销和人力成本。因此,基于深度学习中研究快速自适应梯度算法具有重要意义。本文针对深度学习算法优化问题,提出了两类快速自适应梯度算法,分别为具有动态学习率的快速自适应在线梯度下降算法(FAOGD)和非凸环境中学习率动态有界的快速自适应算法(NCAGD)。论文的具体工作包括以下两个部分:第一部分主要通过在算法中同时引入自适应步长策略和重球加速策略,以此提高现有自适应梯度算法的性能。首先,使用平方梯度修正目标函数及其梯度的近似,其次采用自适应学习策略使学习率自适应更新,最后在算法更新步骤时添加重球动量从而提出具有动态学习率的快速自适应在线梯度算法(FAOGD),并在理论上分析了算法的遗憾界,与使用最优学习率的Adam和Ada Grad相同。最后,对所提算法进行基于多项逻辑回归的图像分类实验,结果显示FAOGD算法具有更好的性能,优于现有自适应梯度算法。第二部分将学习率裁剪技术运用在自适应梯度算法中,避免了极端学习率的出现,减少了算法的震荡。首先使用平方梯度来学习和修正目标函数及其梯度的随机近似。其次,引入改进的自适应学习策略,同时融合裁剪技术将自适应学习率限制在阈值区间内。最后,结合重球动量提出了非凸环境下学习率动态有界的快速自适应算法(NCAGD),并证明了该算法的收敛性。此外,在大量的深度神经网络试验中,最终证明了NCAGD算法的优越性。图[28]表[2]参[82]
民航智能安保云平台的任务调度方法研究
这是一篇关于民航智能安保,云计算,任务调度,自适应算法的论文, 主要内容为近年来随着民航旅客数量的不断增加,航班信息量的不断攀升,一些信息化设备已经满足不了机场运行的高标准需求而面临被淘汰的风险。同时机场信息化设备的维护成本也逐年增加,传统的信息化系统已经不能满足当前的发展需求。随着云计算技术、虚拟化技术的不断发展,目前一些机场也已经开始使用云计算技术把大量的运算、存储和网络资源整合起来并统一管理,再以网络服务的方式提供给需要使用的用户,以此实现资源的有效共用,为解决这些问题提供了新的思路。但是,由于业务请求量大、需求异构分布和客户需求动态变化等特性,如何合理地分配资源来实现有效的任务调度仍然面临着很多问题。本文针对智能安保云平台中资源有限的云环境下要确保核心业务的服务质量以及响应速度的同时,也要尽量的提高集群整体的资源利用率这一要求,围绕民航智能安保云平台的建设项目开展了如下内容的研究:(1)设计并实现了用于民航智能安保的云计算平台。按照云计算的体系结构,设计并实现了民航智能安保云平台,平台将大量的计算、存储和网络资源统一管理,降低成本的同时也保障了平台的服务质量。(2)设计并实现了自适应资源调度策略。针对传统的分配资源方法的缺陷,设计并实现了一种自适应资源调度算法,算法以提交截止时间的方式代替以往用户在任务执行前按照经验分配固定计算资源的方法,并设计了相应的资源调度模块,在任务执行过程中监测任务的执行进度自适应地分配资源,实现了资源的动态调度,并通过实验验证了该算法的有效性,任务能在用户提交的截止时间附近完成。(3)设计并实现了基于优先级的任务调度策略。针对在云平台环境下不同应用有不同的响应优先级,实现了基于优先级的抢占式任务调度策略,在任务根据执行进度和用户设定的截止时间申请计算资源时,按照任务的优先级依次满足任务的资源需求,保证了高优先级的任务的响应速度和服务质量的同时,额外补偿被抢占任务的执行进度,以此提高整个集群的资源利用率。实验验证了采用该策略相比于其他传统的任务调度方法可以有效的提高任务的响应速度和集群的资源利用率。
基于并行高效用模式挖掘的故障诊断系统设计与实现
这是一篇关于故障诊断系统,高效用模式挖掘,并行化算法,自适应算法的论文, 主要内容为随着网络信息技术的迅猛发展,诸多行业将信息系统引入工作流,大量各异的信息系统被广泛应用。然而,信息系统过多会产生系统维护成本过大,故障难以诊断等问题。在电力信息系统中,诸多系统的频繁交互与海量数据所产生的故障信息,使用人工进行诊断已成为较大负担,智能化故障诊断流程愈发重要。基于高效用模式的故障诊断解决了指标重要性差异问题,但由于新引入的定义,高效用模式挖掘面临提高效率困难、运行时间过长的挑战。同时,大数据环境下传统的高效用模式挖掘算法难以满足需求。本文依托实际电力业务数据,根据故障告警数据特性,提出一种高效率的并行高效用模式挖掘算法,提升了算法运行效率,并将其应用至故障诊断中,完成了故障诊断系统的设计与实现。本文解决了故障诊断场景中模式准确性与运行效率的平衡问题。本文的研究内容如下:(1)研究基于位运算的高效用模式挖掘算法。高效用模式挖掘算法运行效率的提升目前依然是一个关键问题。本文针对高效用模式挖掘算法中的效用列表构造过程,结合位运算操作,提出了状态压缩效用列表结构SCUL(State-Compressed Utility List),并以此设计了高效用模式挖掘算法SCUL-Miner。实验证明本文算法虽然占用内存略高,但最快时运行时间仅为最新算法的1/6。(2)研究高效用模式挖掘算法的并行、自适应及剪枝优化。在电力故障信息的数据背景下,现有的高效用模式挖掘算法主要针对数据结构设计与搜索空间剪枝,而缺乏对算法并行化与自适应数据结构选择研究。本文基于对SCUL-Miner流程的分析,将其核心函数并行化,对数据结构进行自适应选择,同时对搜索空间进行剪枝,实现了并行化、自适应、剪枝优化的MSCUL-Miner(Modified SCUL-Miner)。实验表明,本文提出的并行化策略的性能提速是SCUL-Miner的3倍;自适应优化选择的数据结构更加合理,在不大幅影响运行时间的前提下,减少了50%的内存占用;剪枝策略的性能提速最高为SCUL-Miner的5倍。(3)设计基于MSCUL-Miner的故障诊断核心算法,并实现故障诊断系统。结合模式知识库与MSCUL-Miner算法,提出完整的故障诊断算法,对比实验结果中,准确率较最高算法高12%,运行时间较最快算法少18%。接着以该算法为核心实现系统,首先对故障告警信息进行预处理,之后运行故障诊断核心算法,得到新故障信息的故障类别,完成故障诊断,满足电力信息系统运维人员工作需求。
动载台下高精度地磁定向系统设计与实现
这是一篇关于海洋浮标,地磁定向,传感器误差修正,扩展卡尔曼,自适应算法的论文, 主要内容为海洋是人类的巨大资源宝库,海洋浮标作为一种观测海洋、认知海洋的重要观测工具发挥着越来越重要的作用,而在海上复杂环境的定向问题一直是制约浮标观测能力的核心问题。地磁定向具有无长期积累误差、不易被干扰、无需其他设备辅助的优点,因此本课题设计完成了搭载于海洋浮标的高精度地磁定向平台,解决了海洋环境下的高精度定向问题。根据项目需求,本课题首先完成了整体方案的设计与实现。其中硬件部分主要包括数据处理、数据采集、数据通信以及电压管理模块,同时兼具体积小和功耗低两大优点。软件部分主要是各个模块的硬件驱动。接着分别建立了加速度计、陀螺仪和磁力计的误差模型,使用不同的算法实现对三种传感器的误差修正,以提高定向平台采集数据的准确性。提出了二阶扩展卡尔曼高精度地磁定向算法,一阶过程使用基于陀螺仪和加速度计的扩展卡尔曼滤波算法求解出准确的俯仰角和横滚角,二阶过程使用基于陀螺仪和磁力计的卡尔曼滤波算法求解出准确的航向角。针对海上复杂的环境,提出了自适应姿态更新算法,根据加速度计和磁力计的失真程度动态调整两种传感器参与定向的权值,提高了系统的抗干扰能力。在加速度计和磁力计抗干扰测试中,相比于单纯使用地磁定向算法,自适应姿态更新算法使得航向角的误差分别降低了90.4%和41.2%。最后搭建了测试系统,对定向平台的实际定向精度进行了测试与分析。在稳定性测试中,三种姿态角的误差均小于0.3度;静态定向精度测试中,所提算法的航向角平均误差为0.63度,优于传统的扩展卡尔曼算法和Mahony算法;动态定向精度测试中,航向角平均误差为0.72度,表明该算法具备快速精准定向能力。
基于vue.js的双语提升平台的研究与设计
这是一篇关于在线教育,提升平台,知识网络,自适应算法,加载速度的论文, 主要内容为在线教育随着互联网时代飞速发展,减少了纸质浪费,提供巨量内容,更加丰富便捷灵活。网络智能信息处理的质量和效率促进着在线教育的变革。本文设计并实现了基于vue.js的双语提升平台,包含核心方案和技术,针对目前在线教育平台存在的知识网络不清晰、没有顺应结构导致提升效率低等问题进行提升,同时对平台巨量资源加载时请求时间过长,网络负荷高,网页打开速度慢,空白屏、错位等问题进行加载方面优化。在以上研究的基础上,对双语提升平台进行改进。通过对web加载、双语阅读平台的现状进行总结归纳,指出了现有平台知识网络不清晰、没有顺应结构导致提升效率低,以及资源过多导致web加载较慢的问题;基于理论基础,设计并实现了基于vue.js的双语提升平台。详细描述了平台整体的系统分析,提出双语提升系统的基本方案设计,分别对各模块业务及实现进行了详细叙述,包括用户登录/注册、个人中心、主页、读书听书、活动交流、测试等模块。本文着重研究了基于知识网络的优化算法,提出了基于排序的知识网络广度优先算法,将知识网络广度优先遍历算法融入双语提升平台,建立知识点间的联系,以知识网络整合知识点,构建和使用知识拓扑网络,提升遍历算法的执行效率,减少执行时间。同时提出了知识网络的自适应算法,对算法具体实现进行了实现过程的详细描述,解决由学生之间的差异引发测试没有针对性的问题,说明了算法对接平台的方式。同时本文研究了平台加载速度的优化,对浏览器缓存机制和预加载懒加载方案进行了描述和应用,同时提出了减少cookie传输、避免回流和重绘及骨架屏等方面的优化方案,说明了优化方案测试的模型及指标。基于上述优化模型,本文对双语提升平台中算法及优化方案实验和性能测评。对测试的整体目标、实验的主要工具及环境进行了描述,设计了四组具体实验,分别对系统整体、浏览器兼容性、基于排序的知识网络遍历算法和知识网络自适应算法的执行时间及差错率,加载速度优化进行测试并对实验结果进行了分析,验证了提出算法及优化方案的有效性。基于vue.js的双语提升平台结合目前流行的web技术,遍历算法,研究在线平台的性能提升及知识网络有效性的提升,实现高效的在线学习提升平台,对在线教育的发展有着重大意义。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/52173.html
