给大家分享7篇关于张量的计算机专业论文

今天分享的是关于张量的7篇计算机毕业论文范文, 如果你的论文涉及到张量等主题,本文能够帮助到你

基于张量FFT算法的专用RISC-Ⅴ多核系统设计

这是一篇关于海量点数FFT,张量,第五代精简指令集,实时处理,多核系统的论文, 主要内容为近年来,随着现代信息科学与物联网技术的飞速发展,海量数据处理成为了研究学者普遍关注的热点问题。快速傅里叶变换(Fast Fourier Transform,FFT)是最重要的信号处理技术之一,FFT的执行时间决定了硬件系统的实时能力。于是,关于海量点数FFT算法的加速设计及其硬件实现,逐渐成为了视频监控、自动驾驶、声呐信号分析、雷达信号处理等一些追求高实时性能的科技领域的研究热点。现如今,摩尔定律的发展面临着严重的工艺壁垒,通过制造技术的改进来大幅度地提高中央处理器(Central Processing Unit,CPU)的处理速度已经不太现实。而传统的蝶形FFT技术及其匹配的通用单核CPU平台,也难以实现海量点数FFT的实时处理。因此,急需寻求一种有效的并行FFT算法及相关的高性能多核平台,来解决海量点数FFT的实时处理困境。针对该问题,本文通过结合时分FFT内核设计与不同维度的张量数据结构转换,提出了一种具备海量数据实时处理的矢量操作与硬件并行的张量FFT算法及其RISC-V多核平台映射方案。首先,对不同基数的张量FFT算法进行了深入的研究,充分挖掘其大数据处理过程中的矢量与并行特性。其次,以灵活可扩展的开源RISC-V指令集架构(Instruction Set Architecture,ISA)来实现1024点FFT的So C芯片设计。同时,在RISC-V通用处理器设计的基础之上,给出了VTA、PTP、BTF三种专用的硬件PE设计方案及其RISC-V自定义指令二进制编码。最终,在搭载了专用PE的RV32IMC矢量内核设计的基础上,构造了一个多任务并行执行的、高速实时处理的、多级存储共享的FFT多核系统。本次项目以XC7K325TFFG900C为核心芯片,在Xilinx中端FPGA开发板的Kintex-7系列平台上,对FFT多核系统进行了详细的设计、实现、仿真与验证。实验结果表明,相比于传统的通用处理器,专用处理器能够以矢量并行的块处理方式,来减少FFT部分处理的CPU指令数。对于专用的基4硬件PE的VTA、PTP、BTF设计,分别能够取得8、4、9倍的指令加速比。同时,对于1G点数以上的超大数量级的FFT数据,基2、基4、基8张量FFT多核系统相比于基2时分FFT单核系统,依次可以实现2.14、4.11、7.45倍的指令加速比。

基于张量的数据中心能耗预测研究

这是一篇关于数据中心,特征选择,代价敏感,张量,注意力机制的论文, 主要内容为随着云计算和物联网应用的持续发展,数据中心的规模也在逐渐扩大。随之而来的则是数据中心能耗的大幅增长,这不仅对数据中心的管理造成了巨大影响,更会造成一系列环境问题。目前,基于能耗感知的调度策略是常见的能耗控制技术之一,为了辅助实施基于能耗感知的调度策略并降低数据中心能耗,本文对数据中心的能耗预测问题进行了深入研究。我们在搭建了小型数据中心并进行数据采集的基础上,针对数据中心能耗预测的代价不平衡问题,采用代价敏感策略有针对性地调整能耗预测曲线的偏移程度以适用于高能耗预测场景。代价敏感策略的应用使得模型的预测性能更好,从而有助于提高整体服务水平。此外,本文还为数据中心不同类型任务挑选关键特征,并结合所设计的代价敏感损失函数,提出了基于张量的双阶段注意力机制的长短期记忆网络能耗预测模型。相比当前的主流时序预测模型,本文所提出的模型可以有效地对数据的时序模式和特征相关性进行建模,能更好地捕捉数据中心能耗波动并提高预测准确率。最后,本文开发了一套数据中心能耗预测系统,该系统基于Spring Cloud微服务架构,并集成了本文研究的能耗预测算法。该系统能为数据中心管理人员提供稳定可靠的能耗预测服务,提高数据中心调度与管理效率。

基于张量的数据中心能耗预测研究

基于异质信息融合的社交媒体账号分类方法研究

这是一篇关于社交媒体,账号分类,多模态融合,张量,异质网络的论文, 主要内容为随着网络技术的高速发展,信息得以在全球飞速传播,社交媒体逐渐成为了大众获取资讯、交流与互动的重要途径。由于社交媒体使用者众多,每天都会产生大量的数据。然而,这些数据中的大部分信息都是没有价值的,导致用户很难从中获取有用资讯,降低了信息的使用效率。社交媒体账号分类就是从海量信息中识别出具有共性特征账号的过程。通过对账号进行分类,不仅可以有效提高信息获取的效率,还可以将获取的信息应用到诸如推荐系统、问答系统等实际应用之中。现有的社交媒体账号分类方法一般利用账号的属性信息或文本信息构建特征,并采用有监督的学习方法对账号进行分类。但在实际应用中,现有账号分类方法还存在着如下问题:账号有多种信息,但由于实际社交媒体具有噪声大、稀疏性强的特征,单一信息无法完整描述。此外,现有方法由于计算复杂度等问题,往往只能选择一种或几种信息,既没有对多种信息的融合过程进行更多思考,也没有考虑多种类型信息之间的隐含关系,造成信息的丢失,导致最终账号分类效果一般。针对上述问题,本文对社交媒体账号分类方法开展研究,主要贡献概括为如下两方面:(1)本文提出了基于多模态特征融合的账号分类方法。该方法在综合考虑账号自身属性、文本以及账号之间的社交关系这些信息的基础上,提取多模态特征,并使用张量的方式对这些特征进行融合。相比现有方法,本文提出的多模态特征融合的方法可以更好地利用账号的各种信息,获得更好的分类效果。通过实验,本文的方法达到了准确率为93.74%的效果。(2)本文提出了基于异质网络分析的账号分类方法。该方法首先对账号数据中各种类型信息进行建模得到异质信息网络。其次,在卷积神经网络的基础上,提出异质图卷积注意网络,将异质信息网络嵌入其中,并为不同类型的节点分配不同的权重。该方法对于放入的信息类型、数量没有限制,能进一步挖掘账号信息之间的隐含联系,提高账号分类的效果。通过实验,本方法取得了准确率为96.6%的效果,高于以往传统的账号分类方法,证明了本文方法的有效性。

应用张量分解法学习最优评分的推荐系统研究

这是一篇关于权值,推荐系统,推荐算法,最优化,张量,张量分解法的论文, 主要内容为推荐系统是一种互联网的应用系统，给用户推荐可能喜欢或者感兴趣的商品或服务。传统的推荐系统使用用户或者产品(包括商品和服务等)的属性，进行基于内容的推荐，或者使用用户间、产品间的相似性进行协同过滤的推荐。大众分类法(folksonomy)的应用使用户可以用标签来对产品进行个性化分类、标记。如何在推荐算法中建立用户、产品、标签间的关系模型，提高推荐系统的性能，成为备受关注的研究内容。本文研究基于“用户-产品-标签”三元关系的推荐系统，提出了基于张量分解法学习最优评分的推荐算法LORTF(Learning Optimal Ranking with Tensor Factorization forRecommendation System Algorithm)。基于“用户-产品-标签”的三元元组的张量分解推荐算法[18,50]，直接使用三元元组的信息，忽视了元组中用户、产品、标签的重要性。本文提出的LORTF算法计算用户、标签、产品的重要性权值，以区分用户、产品、标签的重要性; LORTF算法建立权值张量模型，使用Tucker张量分解法分解模型，利用最小二乘法最优化分解参数，提高推荐准确性。 LORTF算法分为两个主要步骤：第一步，标准化数据集，定义核心用户，并基于核心用户应用聚类方法，产生用户聚类，将数据集按照用户聚类划分，以减小单个数据集的规模。第二步，计算用户、产品、标签的重要性权值，建立以用户、产品、标签为维度，权值为元素的三维张量模型，应用Tucker张量分解法，分解张量，使用最优化方法得到最优的分解，根据最优分解而来的近似张量，确定新的最优评分。最后，综合多个用户聚类数据集，产生TopN的推荐结果。本文分别在MovieLens、Filckr、Del.icio.us、Last.fm、Bibsonomy的数据集上进行实验，结果表明，LORTF算法在推荐准确率上比协同过滤算法和基本的张量分解算法都有较好的提高。

基于Lanczos方法的张量链式大数据融合模式

这是一篇关于大数据,CPSS,张量,张量链,Lanczos的论文, 主要内容为当今世界已进入信息技术高速发展的时代,数据规模呈指数方式增长,大数据的价值越来越受到广泛的关注。随着网络化应用的加深,特别是互联网+、大数据、云计算、物联网等技术的发展,信息和物理系统被进一步融合贯通,网络与人类社会无缝联合,形成了更为复杂的融合人、机器、信息于一体的系统,即信息物理社会系统(CyberPhysical-Social Systems,CPSS)。在CPSS中会产生海量的数据,这些数据具有体量大、类型多、维数高、价值密度低等特点。那么如何将这些数据进行整合,融合成一体进行分析并提取关键特征是目前亟待解决的问题。现有的算法难以直接应用在现有的大规模数据之上,目前比较有效的方法是用张量表示大数据,然后利用张量的运算、分解、模乘等方法对大数据进行分析处理。但是对于不同的局部CPSS系统可能有不同的张量分解方法,目前没有一种统一的方法可以将不同的张量分解形式进行统一处理。基于此,本文提出了一种新的张量融合模式,可以将多种不同的张量分解如Tucker分解、CP分解形式统一转化为张量链式分解(Tensor-Train,TT),然后对统一后的张量进行分析处理。张量链是新兴的张量表示方式,采用低秩的张量核连接,大大降低了张量的存储空间。本文还针对TT分解进行了内部优化,提出了基于Lanczos方法的张量链式分解TT-LSVD,将TT分解过程中至关重要的奇异值分解进行简化,这一步主要采用了基于Lanczos方法的奇异值分解来实现。然后设计了模拟实验通过对比优化算法和传统算法的运算效率来验证所提算法的可行性。最后将整个模式应用到推荐系统当中,实验结果表明本文所提算法有较好的推荐效果和较高的运算效率。