期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
铁路路基状态检测中探地雷达数据并行处理 被引量：11
1
作者 梁胤程 杜翠 +2 位作者 刘杰 杨超宇 杨峰 《中国铁道科学》 EI CAS CSCD 北大核心 2017年第2期11-18,共8页
为快速处理探地雷达检测铁路路基状态所产生的大量检测数据,缩短检测报告的生成周期,采用并行计算技术设计并构建适用于探地雷达数据解析的并行处理平台,利用计算机集群处理解析探地雷达数据;基于服务器计算能力的动态探地雷达数据任务... 为快速处理探地雷达检测铁路路基状态所产生的大量检测数据,缩短检测报告的生成周期,采用并行计算技术设计并构建适用于探地雷达数据解析的并行处理平台,利用计算机集群处理解析探地雷达数据;基于服务器计算能力的动态探地雷达数据任务负载均衡算法,对用户提交的探地雷达数据解析任务统一调度分发。采用实际的铁路路基状态检测雷达数据对构建的并行处理平台进行实验,分析雷达数据并行处理的准确性、时间消耗、并行化加速比和系统可扩展性等指标。结果表明:在8个节点的集群并行处理平台上进行探地雷达数据的处理效率比用单机版软件提高553%,处理时间比基于Hadoop的探地雷达数据并行处理方法缩短50%以上。 展开更多
关键词 铁路路基 状态检测 探地雷达 数据处理 负载均衡 并行计算技术 计算机集群处理
下载PDF
基于Transformer与BiLSTM的网络流量入侵检测 被引量：6
2
作者 石磊 张吉涛 +2 位作者 高宇飞 卫琳 陶永才 《计算机工程》 CAS CSCD 北大核心 2023年第3期29-36,57,共9页
网络流量入侵检测技术对主机和平台安全起着重要作用。目前常采用机器学习和深度学习技术进行网络流量入侵检测,然而相关数据集的不平衡问题导致模型偏向于学习多数类数据的特征而忽视少数类数据的特征,严重影响了检测准确率。结合SMOT... 网络流量入侵检测技术对主机和平台安全起着重要作用。目前常采用机器学习和深度学习技术进行网络流量入侵检测,然而相关数据集的不平衡问题导致模型偏向于学习多数类数据的特征而忽视少数类数据的特征,严重影响了检测准确率。结合SMOTE算法和生成对抗网络(GAN)构建OSW模型对训练数据进行预处理,通过Wasserstein GAN学习少数类数据分布情况,避免边缘分布问题,构造平衡数据集。建立基于Transformer与双向长短时记忆-深度神经网络(BiLSTM-DNN)的TBD入侵检测模型,使用Transformer中的编码器捕捉全局联系并对输入数据进行初步特征提取,利用BiLSTM网络进行长距离依赖特征提取保留数据的序列化特征,采用DNN进一步提取深层次特征,最终通过Softmax分类器获得分类结果。在NSL_KDD数据集上的实验结果表明,在进行数据平衡处理后TBD模型的二分类和五分类任务检测准确率分别达到90.3%和79.8%,均高于对比的深度神经网络模型以及机器学习算法。 展开更多
关键词 入侵检测 多头注意力 双向长短时记忆网络 深度神经网络 数据平衡处理
下载PDF
基于聚类分析的不均衡数据标注技术研究 被引量：3
3
作者 赵俊杰 黄四牛 +1 位作者 吴正午 王帅 《计算机仿真》 北大核心 2020年第2期476-480,共5页
分布不均衡的数据在通过传统聚类分析的方式进行标注时,聚类效果容易偏向于样本数多的类,从而造成标注出现误差的问题。针对此问题提出改进的含有均衡约束聚类算法的标注方法,对不均衡数据的聚类标注准确率实现了比较有效的提高,方法包... 分布不均衡的数据在通过传统聚类分析的方式进行标注时,聚类效果容易偏向于样本数多的类,从而造成标注出现误差的问题。针对此问题提出改进的含有均衡约束聚类算法的标注方法,对不均衡数据的聚类标注准确率实现了比较有效的提高,方法包含数据初始聚类、专家知识调整,数据均衡化处理,含均衡约束聚类等步骤。通过初始聚类对不均衡数据进行初始类标签分配,专家知识调整对部分数据错误标注进行标签调整修改,对数据进行均衡化处理得到均衡数据集,通过均衡约束聚类对均衡数据进行标签最终精确分配。经仿真验证表明,上述方法比较有效的提高了不均衡数据标注准确率。 展开更多
关键词 不均衡数据 数据标注 聚类分析 均衡化处理 仿真验证
下载PDF
一个并发AI数据流处理节点内的通信模型 被引量：1
4
作者 黄东生 陈庆奎 《智能计算机与应用》 2022年第11期26-33,40,共9页
物联网智能设备产生的大量并发AI数据流给云端处理中心带来了巨大的挑战,为了应对这一挑战,边缘计算将海量的并发AI数据流以流水线加工的方式将这些并发AI数据流分配给边缘服务集群内的计算节点处理。如何利用计算节点内有限的计算资源... 物联网智能设备产生的大量并发AI数据流给云端处理中心带来了巨大的挑战,为了应对这一挑战,边缘计算将海量的并发AI数据流以流水线加工的方式将这些并发AI数据流分配给边缘服务集群内的计算节点处理。如何利用计算节点内有限的计算资源、以较低的成本提高并发AI数据流的处理与通信效率是本文研究的目标。提出了一种能够在处理并发AI数据流的计算节点内使用的通信模型,该通信模型结合DPDK的核绑定机制为并发AI数据流的接收过程、计算过程、发送过程均衡地绑定CPU核,还加入了数据流的分类计算、网卡端口的调度策略、缓冲环和全局网卡端口的负载监控。实验分析表明,并发AI数据流处理节点内的通信模型能够有效制定CPU核的均衡绑定策略,提高流处理节点之间的并发AI数据流的处理效率,还实现了多网口的均衡调度策略,使网卡端口的负载达到均衡状态,不会对端口造成太大的负载,同时带宽利用率和通信速率也大大提高,并且降低了边缘集群中流处理节点的部署成本,合理利用了节点内的计算资源处理并发AI数据流。 展开更多
关键词 并发AI数据流 计算资源 均衡 DPDK 流处理节点
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部