期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于时序相关性的云平台多负载序列联合预测 被引量:3
1
作者 张志华 王梦情 +2 位作者 毛文涛 刘春红 程渤 《北京邮电大学学报》 EI CAS CSCD 北大核心 2020年第4期68-75,共8页
为提高云平台负载预测的精度,提出了一种基于时序相关性的多负载序列联合预测方法.首先,为获得相似的负载序列,采用长短时记忆网络提取负载序列的时序特征,再利用层次聚类法,获得在时序特征空间相似的负载序列类;其次,对获得的每个负载... 为提高云平台负载预测的精度,提出了一种基于时序相关性的多负载序列联合预测方法.首先,为获得相似的负载序列,采用长短时记忆网络提取负载序列的时序特征,再利用层次聚类法,获得在时序特征空间相似的负载序列类;其次,对获得的每个负载序列类分别构建多任务学习模型,挖掘和利用负载序列间隐藏的共享领域知识,提高模型泛化能力和预测精度,并实现多个负载序列的联合预测.使用Google数据集的中央处理器负载监控日志进行验证,结果表明,时序特征聚类可有效提取和利用负载序列的全局时序特征,降低原始序列的噪声,获得特征上相似的序列;与常用的负载预测方法比,所提方法对不同变化规律的负载序列都具有更精确的预测效果. 展开更多
关键词 云计算 负载 时序特征 聚类 结构化预测
原文传递
室内三维场景纹理手机图片的自动更新方法 被引量:3
2
作者 马威 熊汉江 +1 位作者 郑先伟 龚健雅 《武汉大学学报(信息科学版)》 EI CSCD 北大核心 2019年第2期254-259,267,共7页
当前室内三维建模的纹理映射工作主要依赖人工完成,工作量大、处理效率低,且对建模后室内环境的变更难以实现及时更新,导致室内模型纹理存在不真实甚至错误的现象。对此,提出一种室内三维模型纹理手机图片的自动更新方法,该方法主要以... 当前室内三维建模的纹理映射工作主要依赖人工完成,工作量大、处理效率低,且对建模后室内环境的变更难以实现及时更新,导致室内模型纹理存在不真实甚至错误的现象。对此,提出一种室内三维模型纹理手机图片的自动更新方法,该方法主要以手机拍摄的图片为数据源,首先利用智能手机传感器获取拍摄图片的位姿参数,进而通过室内场景理解技术提取图片空间中的三维布局结构,最后与几何模型进行坐标点匹配解算纹理坐标,实现手机图片到三维几何模型的自动纹理映射。实验结果表明,该方法能够利用手机图片数据实现室内环境下的三维模型纹理自动生成及动态更新,有效提高室内三维场景表达的真实性。 展开更多
关键词 手机图片 纹理更新 室内场景理解 结构化预测 融合可视
原文传递
一种用于方向预测的集成学习算法 被引量:2
3
作者 付忠良 《上海交通大学学报》 EI CAS CSCD 北大核心 2012年第2期250-258,共9页
对用方向向量标识示例的学习问题,以预测方向与实际方向之间的方向误差最小化为目标,提出了一种可用于方向预测的集成学习算法,详细分析了构造多个预测函数以及组合各个预测函数以实现方向的最优化预测方法.提出的算法具有广泛的应用特... 对用方向向量标识示例的学习问题,以预测方向与实际方向之间的方向误差最小化为目标,提出了一种可用于方向预测的集成学习算法,详细分析了构造多个预测函数以及组合各个预测函数以实现方向的最优化预测方法.提出的算法具有广泛的应用特性:当用不同的轴向来标识类别时,可简化得到多分类连续AdaBoost算法,其能确保训练错误率随分类器个数增加而降低;用错分代价组成的向量来标识示例时,可简化得到一种平均错分代价最小化的集成学习算法.理论分析和实验结果均表明了算法的合理性和有效性. 展开更多
关键词 结构化预测 方向预测 模糊分类 代价敏感 ADABOOST算法
下载PDF
结构化预测的车辆联合检测与跟踪方法 被引量:2
4
作者 任亚婧 张宏立 《现代电子技术》 北大核心 2019年第15期29-32,共4页
为了对道路车辆进行流量的统计与监控跟踪,提出一种联合检测与跟踪思想的方法。该方法利用初始分割时产生的目标数量的冲突集描述分割阶段产生的错误以及遮挡问题,并通过建立车辆近邻关联事件和与之对应的关联标签变量,将汽车监控跟踪... 为了对道路车辆进行流量的统计与监控跟踪,提出一种联合检测与跟踪思想的方法。该方法利用初始分割时产生的目标数量的冲突集描述分割阶段产生的错误以及遮挡问题,并通过建立车辆近邻关联事件和与之对应的关联标签变量,将汽车监控跟踪建模为一个结构化预测问题,利用相应的关联标签变量建立全局目标函数,从而将车辆跟踪问题转化为一个通过求解带约束的整数规划问题,最后求解得到车辆轨迹的全局最优解。 展开更多
关键词 交通监控 随机森林分类器 联合检测跟踪 整数规划 结构化预测 支持向量机
下载PDF
基于结构化预测的细胞跟踪方法
5
作者 陈旭 万九卿 《自动化学报》 EI CSCD 北大核心 2017年第3期376-389,共14页
提出一种新的多细胞联合检测与跟踪方法,通过椭圆拟合构建细胞观测假说的完备集合,定义了多种局部事件来描述细胞的行为以及检测阶段可能出现的错误.通过引入相应的标签变量,将细胞跟踪建模为结构化预测问题,通过求解一个带约束的整数... 提出一种新的多细胞联合检测与跟踪方法,通过椭圆拟合构建细胞观测假说的完备集合,定义了多种局部事件来描述细胞的行为以及检测阶段可能出现的错误.通过引入相应的标签变量,将细胞跟踪建模为结构化预测问题,通过求解一个带约束的整数规划问题得到细胞轨迹的全局最优解.针对结构化预测模型中的参数学习问题,本文采用Block-coordinate Frank-Wolfe优化算法根据给定的训练样本求解模型的最优参数,同时给出了该算法的非线性核化版本.本文在多个公开数据集上对提出的算法进行了验证,结果表明,本文的实验表现相比于传统算法有着显著的提升. 展开更多
关键词 细胞跟踪 结构化预测 结构化学习 Block-coordinate Frank-Wolfe算法
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部