• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      粗粒度

      • MgdFlow:微電網(wǎng)場景下的多粒度數(shù)據(jù)流管理算法
        的上限,而通過粗粒度聚合的流表劃分,將路由盡可能均勻地發(fā)送到網(wǎng)絡(luò)中的各臺(tái)交換機(jī),避免極端情況下交換機(jī)超出最大負(fù)載利用率。由網(wǎng)絡(luò)平均負(fù)載與各交換機(jī)負(fù)載的均方根誤差(RMSE)來評(píng)估網(wǎng)絡(luò)中整體負(fù)載均衡,計(jì)算式為交換機(jī)的硬件條件限制了其存儲(chǔ)空間的大小,因而對流表項(xiàng)的存儲(chǔ)存在著嚴(yán)重的限制[8-9,23]。通過聚合與分流可以極大限度地減少交換機(jī)中流表項(xiàng)的插入,以交換機(jī)平均表項(xiàng)占有率衡量該算法的效果,計(jì)算式為2) ImproveQoS。通常QoS 考慮的指標(biāo)為可用性、

        通信學(xué)報(bào) 2023年10期2023-11-19

      • 基于多級(jí)學(xué)習(xí)的長尾分布下交通多目標(biāo)檢測*
        進(jìn)行分組,得到粗粒度與細(xì)粒度的二級(jí)類別標(biāo)簽。具體地,將訓(xùn)練樣本數(shù)相近的目標(biāo)類別放入同一組,形成組內(nèi)的細(xì)粒度類別,不同的組則構(gòu)成粗粒度類別。進(jìn)行不同粒度類別預(yù)測,完成平衡的學(xué)習(xí)過程。其次,構(gòu)建基于多頭注意力機(jī)制的特征分組重融合模塊。通過多頭自注意力機(jī)制提取候選框特征(Region of Interest Feature,RoI 特征)的細(xì)粒度信息,獲得精細(xì)化特征,以幫助分類器提升性能。最后,在多級(jí)分類器的基礎(chǔ)上進(jìn)行Logit 聯(lián)合調(diào)整,以抑制類別組間的不平衡

        計(jì)算機(jī)與數(shù)字工程 2023年3期2023-07-11

      • GAP/PET/RDX基推進(jìn)劑的動(dòng)態(tài)沖擊及點(diǎn)火響應(yīng)行為
        中粒度RDX、粗粒度RDX的3種固體推進(jìn)劑開展實(shí)驗(yàn)。推進(jìn)劑原始試樣及掃描電鏡圖片如圖1所示,試樣尺寸均為Φ10mm×5mm。組分及含量見表1,其中“P-中粒度”表示PET基體含中粒度RDX推進(jìn)劑,“G-中粒度”表示GAP基體含中粒度RDX推進(jìn)劑,“G-粗粒度”表示GAP基體含粗粒度RDX推進(jìn)劑。制備過程中AP、Al均采用同一批次原材料,同時(shí)也保證了不同類別推進(jìn)劑中主要組分的規(guī)格形貌基本一致。表1 不同推進(jìn)劑組分及質(zhì)量含量Table 1 Components

        火炸藥學(xué)報(bào) 2023年4期2023-05-12

      • 基于隨機(jī)模型預(yù)測控制的火電-儲(chǔ)能兩階段協(xié)同調(diào)頻控制模型
        進(jìn)行求解。首先粗粒度獲取一個(gè)粗略的指導(dǎo)性方案,同時(shí)降低精粒度的模型求解難度,然后再精粒度優(yōu)化求解具體的調(diào)頻策略。此外,調(diào)頻策略的可行性對電網(wǎng)安全至關(guān)重要,因此,在構(gòu)建模型時(shí)需要考慮在非預(yù)期調(diào)頻信號(hào)下調(diào)頻策略的全場景可行性[17]。此外,功率型儲(chǔ)能和能量型儲(chǔ)能的差異不僅體現(xiàn)在其能量功率比上,也同時(shí)體現(xiàn)在其壽命特性上[6]。通常與火電機(jī)組協(xié)同的能量型儲(chǔ)能為電化學(xué)儲(chǔ)能,在建模環(huán)節(jié)需要避免頻繁的充放電切換和深度充放電切換[18-19]。基于上述問題,本文建立了基于

        電力系統(tǒng)自動(dòng)化 2023年3期2023-02-27

      • 一種端到端的加密流量多分類粗粒度融合算法*
        了一種端到端的粗粒度融合算法。本文提出的方法能很好地與現(xiàn)有的基于表征學(xué)習(xí)的多分類算法相結(jié)合,在保證運(yùn)行效率的情況下提升多分類效果。文章的其余部分組織如下:第1 節(jié)描述傳統(tǒng)的流量分類方法和利用深度學(xué)習(xí)方法進(jìn)行流量分類的相關(guān)工作;第2節(jié)詳細(xì)介紹本文提出的端到端的加密流量多分類粗粒度融合算法;第3 節(jié)描述在ISCX VPN-nonVPN公開流量數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)的細(xì)節(jié),并對實(shí)驗(yàn)結(jié)果進(jìn)行分析;第4 節(jié)對本文工作做出總結(jié)。1 相關(guān)工作1.1 基于傳統(tǒng)方法的流量分類傳統(tǒng)

        通信技術(shù) 2022年11期2023-01-16

      • 基于交互式特征融合的嵌套命名實(shí)體識(shí)別
        息的識(shí)別,構(gòu)建粗粒度候選區(qū)間感知模塊,并采用二元序列標(biāo)記法過濾一些非實(shí)體區(qū)域。1 相關(guān)工作研究人員結(jié)合基于規(guī)則和機(jī)器學(xué)習(xí)的方法來處理嵌套命名實(shí)體[10]。文獻(xiàn)[11]基于隱馬爾可夫模型(HMM)[12]的方法檢測最內(nèi)部的實(shí)體提及,再通過基于規(guī)則的后處理方法檢測外部提及。文獻(xiàn)[13]提出CRF[14]識(shí)別生物醫(yī)學(xué)文本中的蛋白質(zhì)實(shí)體和基因?qū)嶓w。文獻(xiàn)[15]在文獻(xiàn)[13]研究的基礎(chǔ)上,提出基于線性鏈條件隨機(jī)場構(gòu)建模型,有效提升生物醫(yī)學(xué)文本中的識(shí)別效果。然而,基于

        計(jì)算機(jī)工程 2022年12期2022-12-13

      • 基于聚合多階鄰域信息的細(xì)化方法的多粒度網(wǎng)絡(luò)表示學(xué)習(xí)
        生成超點(diǎn),構(gòu)成粗粒度網(wǎng)絡(luò).通過粗化階段可以縮小原始網(wǎng)絡(luò)的規(guī)模,同時(shí),由于粗粒度節(jié)點(diǎn)與細(xì)粒度節(jié)點(diǎn)之間的對應(yīng)關(guān)系,可以將粗粒度網(wǎng)絡(luò)的表示作為原始網(wǎng)絡(luò)的近似表示.迭代粗化過程還可以獲得網(wǎng)絡(luò)的多粒度結(jié)構(gòu).網(wǎng)絡(luò)細(xì)化階段旨在保留粗化過程中獲得的多粒度結(jié)構(gòu),將粗粒度空間的節(jié)點(diǎn)表示細(xì)化回原始網(wǎng)絡(luò),得到原始網(wǎng)絡(luò)的節(jié)點(diǎn)向量.現(xiàn)有的細(xì)化方法主要分為3大類:第1類方法,如圖1(a)所示,通過在不同粒度網(wǎng)絡(luò)上運(yùn)用已有的網(wǎng)絡(luò)表示學(xué)習(xí)方法,并利用拼接操作融合不同粒度的節(jié)點(diǎn)表示以得到最終

        小型微型計(jì)算機(jī)系統(tǒng) 2022年12期2022-12-06

      • 基于分層塊稀疏學(xué)習(xí)的射頻層析成像
        層的方法,融合粗粒度與細(xì)粒度方面的定位結(jié)果得到目標(biāo)位置,降低了計(jì)算量,使定位結(jié)果具有實(shí)時(shí)性。1 基于分層塊稀疏學(xué)習(xí)的射頻層析成像1.1 分層塊稀疏學(xué)習(xí)的射頻層析成像框架分層塊稀疏學(xué)習(xí)的射頻層析成像框架如圖1所述,主要由多觀測向量層、粗粒度檢測層、細(xì)粒度成像層、圖像融合層4個(gè)部分構(gòu)成。首先,多觀測向量層獲取多個(gè)相鄰時(shí)刻的射頻鏈路RSS數(shù)據(jù),形成多觀測向量,捕獲目標(biāo)運(yùn)動(dòng)的時(shí)空關(guān)聯(lián)信息;粗粒度檢測層通過塊稀疏結(jié)構(gòu)描述目標(biāo)的時(shí)空狀態(tài),設(shè)計(jì)塊稀疏貝葉斯學(xué)習(xí)算法(Bl

        物聯(lián)網(wǎng)技術(shù) 2022年11期2022-11-22

      • 基于商空間粒度的序關(guān)系及其轉(zhuǎn)換研究
        微觀序轉(zhuǎn)化為更粗粒度上的序(宏觀序),在該序上解決問題,可以降低求解問題的復(fù)雜度,提高求解效率.文章基于商空間粒度理論,討論了元素上的序(微觀序)到集合上的序(宏觀序)的轉(zhuǎn)換、集合上的序(微觀序)到集合冪集上的序(宏觀序)的轉(zhuǎn)換以及信息表上序的轉(zhuǎn)換,給出了微觀序到宏觀序轉(zhuǎn)換的步驟,并舉例說明微觀序到宏觀序的轉(zhuǎn)換在人們生活中的應(yīng)用.1 相關(guān)概念1.1 商空間粒度理論粒度(Granularity)[2-6]就是取不同大小的對象,是描述模糊和不確定性對象的工具.

        蘭州文理學(xué)院學(xué)報(bào)(自然科學(xué)版) 2022年3期2022-06-08

      • 多粒度實(shí)值形式概念分析
        中的描述通常比粗粒度空間中的描述給出了更多可供參考的信息。(5)根據(jù)假設(shè),{as}s∈S、{bt}t∈T均為布爾屬性集,且{as}s∈S和{bt}t∈T擁有的對象形成論域U的劃分。那么對于任意對象o∈U,由公式(4)可得fo(ai)=fo(bj1)∪fo(bj2)∪…∪fo(bjk)成立。因此,當(dāng)fo(ai)=?時(shí),fo(bjt)(t=1,2,…,k)均為?;當(dāng)fo(ai)={1}時(shí),fo(bjt)(t=1,2,…,k)中有一個(gè)為性質(zhì)1表明多粒度實(shí)值形式背

        陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版) 2022年3期2022-06-07

      • 一種變粒度缺陷報(bào)告嚴(yán)重程度預(yù)測方法
        一般將其建模為粗粒度分類問題(即二分類問題)或細(xì)粒度分類問題(即多分類問題)。具體來說,二分類問題是以嚴(yán)重程度normal 為界限,將超過normal 程度的類型歸為一類;低于normal 程度的類型歸為另一類。由于二分類問題的粒度較粗,因此構(gòu)建出的分類模型通??梢匀〉貌诲e(cuò)的分類性能。而多分類問題則可以直接預(yù)測出缺陷報(bào)告所對應(yīng)的具體嚴(yán)重程度類型,因此可以根據(jù)多分類的預(yù)測結(jié)果,更準(zhǔn)確地確定缺陷修復(fù)的優(yōu)先級(jí)[3]。但多分類問題一般受到訓(xùn)練數(shù)據(jù)集規(guī)模的不足、數(shù)據(jù)

        南通大學(xué)學(xué)報(bào)(自然科學(xué)版) 2022年1期2022-05-19

      • 球團(tuán)停用潤磨機(jī)下粗粒度鐵精粉消耗比例提升實(shí)踐
        分階段逐步提升粗粒度鐵精粉消耗比例,期間進(jìn)行一系列工藝制度優(yōu)化,并加強(qiáng)生產(chǎn)工藝監(jiān)督管理,克服使用粗粒度鐵精粉對造球及后續(xù)熱工制度影響的種種困難,穩(wěn)定生產(chǎn)工況,在保證球團(tuán)礦質(zhì)量指標(biāo)符合高爐冶煉需求的條件下,盡可能提高粗粒度鐵精粉消耗比例,積極為公司含鐵資源的平衡消耗及采購創(chuàng)造條件。1 生產(chǎn)使用原料及配比核定根據(jù)昆玉鋼鐵含鐵資源供應(yīng)情況,球團(tuán)配加粗粒度鐵精粉生產(chǎn)擬采用含鐵原料質(zhì)量指標(biāo)為:正常情況下,昆玉鋼鐵球團(tuán)生產(chǎn)以優(yōu)質(zhì)鐵精粉1 為主,穩(wěn)定配加8%內(nèi)循環(huán)料組織

        新疆鋼鐵 2022年4期2022-03-04

      • 多孔還原氧化石墨烯骨架用于增強(qiáng)雜環(huán)芳綸纖維力學(xué)性能
        角X射線散射和粗粒度分子動(dòng)力學(xué)模擬,研究者發(fā)現(xiàn)少量分散良好的HrGO提高了結(jié)晶度,并作為拓?fù)浼s束,增強(qiáng)了PBIA鏈的橫向相互作用。此外,在復(fù)雜的應(yīng)用場景中,HrGO/PBIA纖維的良好兼容性也通過動(dòng)態(tài)和循環(huán)加載測試得到證實(shí)。相關(guān)研究成果以Holey reducedgraphene oxide scaffolded heterocyclic aramid fibers with enhanced mechanical performance為題發(fā)表在Adva

        航空制造技術(shù) 2022年12期2022-01-01

      • 句法復(fù)雜性測量指標(biāo)研究:回顧、反思與展望
        可大致將其分為粗粒度指標(biāo)(large-grained indice)和細(xì)粒度指標(biāo)(fine-grained indice)[6]。顧名思義,粗粒度指標(biāo)可對句法復(fù)雜性進(jìn)行整體性測量,但缺乏具體語言結(jié)構(gòu)等細(xì)節(jié)體現(xiàn),透明性低,因此對指標(biāo)結(jié)果的解釋也較模糊;而細(xì)粒度指標(biāo)則能對具體語言結(jié)構(gòu)等細(xì)節(jié)提供更多信息,透明性高,較易對指標(biāo)結(jié)果進(jìn)行精確解釋,是粗粒度指標(biāo)的重要補(bǔ)充。下面將句法復(fù)雜度測量指標(biāo)相關(guān)研究以粗粒度和細(xì)粒度分類回顧。二、粗粒度指標(biāo)研究粗粒度指標(biāo)是相對概念,

        山東理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版) 2021年1期2021-11-30

      • 基于多粗粒度與注意力網(wǎng)絡(luò)的軸承剩余壽命預(yù)測
        振動(dòng)信號(hào)進(jìn)行多粗粒度操作獲得多尺度信號(hào),再基于CNN網(wǎng)絡(luò)進(jìn)行深層特征提取與融合,并引入注意力機(jī)制進(jìn)行特征重標(biāo)定,以強(qiáng)化對RUL預(yù)測任務(wù)貢獻(xiàn)度更大的特征,最后利用FNN網(wǎng)絡(luò)映射得到軸承的RUL預(yù)測值。1 基于多粗粒度與注意力網(wǎng)絡(luò)的軸承RUL預(yù)測方法本文所提方法的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,主要包括多尺度粗粒度層、多尺度特征融合層、注意力加權(quán)層以及RUL預(yù)測層。圖1 本文方法的整體網(wǎng)絡(luò)結(jié)構(gòu)1.1 多尺度粗粒度層對機(jī)械設(shè)備的振動(dòng)信號(hào)進(jìn)行多尺度粗粒度處理得到的多尺度特

        中國測試 2021年10期2021-11-12

      • 基于SSD框架的紅外弱小目標(biāo)檢測技術(shù)研究
        第二,借鑒了從粗粒度到細(xì)粒度的二級(jí)檢測思想,設(shè)計(jì)了基于雙閾值的粗粒度檢測器和細(xì)粒度檢測器。在目標(biāo)檢測任務(wù)中,對單閾值的設(shè)定往往要求比較高,閾值設(shè)置過高會(huì)漏掉許多真目標(biāo),導(dǎo)致檢測率降低,閾值設(shè)置過低則會(huì)混入假目標(biāo),導(dǎo)致虛警率高。本文設(shè)置了兩個(gè)閾值p1,p2(其中1>p1>p2>0),用于指導(dǎo)粗粒度檢測器和細(xì)粒度檢測器,緩解上述問題。2.1 粗粒度檢測器該粗粒度檢測器主要是基于SSD進(jìn)行改進(jìn)的,原始的SSD網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,VGG_16網(wǎng)絡(luò)結(jié)構(gòu)作為基礎(chǔ),對V

        激光與紅外 2021年10期2021-11-05

      • 基于Web的權(quán)限管理方案設(shè)計(jì)
        管理方案,滿足粗粒度與細(xì)粒度結(jié)合的高自由度控制的要求。關(guān)鍵詞:Web;權(quán)限控制;粗粒度;細(xì)粒度;Ruby on Rails 5一個(gè)大型的信息系統(tǒng)均會(huì)具有許多功能和許多用戶,這些用戶處于不同的崗位、具有不同的級(jí)別,他們從信息系統(tǒng)中獲取信息與處理信息的職權(quán)亦不同,這就要求應(yīng)用系統(tǒng)提供一種權(quán)限管理機(jī)制,控制各種用戶使用系統(tǒng)的權(quán)力訪問。[1]一個(gè)穩(wěn)定可靠的權(quán)限管理方案,應(yīng)該具備粗粒度與細(xì)粒度結(jié)合、高自由度、高擴(kuò)展性等特點(diǎn)。設(shè)計(jì)一個(gè)基于Web的信息系統(tǒng)權(quán)限管理方案,

        科學(xué)與生活 2021年19期2021-10-30

      • 粗-細(xì)兩階段卷積神經(jīng)網(wǎng)絡(luò)算法
        種子網(wǎng)絡(luò)組成:粗粒度網(wǎng)絡(luò)和細(xì)粒度網(wǎng)絡(luò)。每種子網(wǎng)絡(luò)都獨(dú)立訓(xùn)練,不會(huì)增加整體網(wǎng)絡(luò)的深度。先基于驗(yàn)證集圖像聚類,獲得一個(gè)粗粒度數(shù)據(jù)集,用于粗粒度網(wǎng)絡(luò)的訓(xùn)練。該數(shù)據(jù)集在每一粗類中包含一個(gè)或多個(gè)細(xì)類且每個(gè)細(xì)類只屬于一個(gè)粗類。在CTFTCNN 中,粗粒度網(wǎng)絡(luò)是一個(gè)多尺度卷積神經(jīng)網(wǎng)絡(luò)(multi-scale convolutional neural network,MSCNN)[16]。為其分配的任務(wù)是確定樣本屬于哪個(gè)粗類,這項(xiàng)任務(wù)的重點(diǎn)是識(shí)別圖像的全局特征,相對較簡單

        計(jì)算機(jī)與生活 2021年8期2021-08-07

      • 一種多粒度DNS隧道攻擊檢測方法
        NS流量行為的粗粒度特征與細(xì)粒度特征,并且使用兩種特征相結(jié)合對DNS流量進(jìn)行分類判斷。粗粒度與細(xì)粒度特征相結(jié)合的方式如圖1所示,首先將通信流量按時(shí)間片劃分,使用粗粒度特征判斷存在DNS隧道攻擊的時(shí)間片,再將可疑時(shí)間片中的DNS會(huì)話進(jìn)行重組,通過細(xì)粒度特征檢測出DNS隧道會(huì)話流量。圖1 粗細(xì)粒度結(jié)合方式1.1 粗粒度特征由于對每條DNS會(huì)話進(jìn)行重組、計(jì)算特征與檢測會(huì)導(dǎo)致檢測效率低下,因此提出了粗細(xì)粒度相結(jié)合的檢測方法。粗粒度特征針對一段時(shí)間片內(nèi)所有的DNS流

        現(xiàn)代計(jì)算機(jī) 2021年17期2021-08-07

      • CL-20粒度對GAP/AP/Al高能推進(jìn)劑燃燒性能的影響
        相同含量下,含粗粒度CL-20的混合物燃速高于含細(xì)粒度CL-20的混合物。他們提出對于這種黏合劑燃速小于填充物燃速的混合體系,其燃燒適用于兩種模型:relay-race(幾何)燃燒模型和獨(dú)立單元燃燒模型,即單位體積推進(jìn)劑的燃燒時(shí)間受黏合劑燃燒時(shí)間和填充物顆粒燃燒時(shí)間所控制。宋會(huì)彬等[14]研究了CL-20粒度對NEPE推進(jìn)劑燃燒性能的影響,結(jié)果表明隨著CL-20粒徑的增大,推進(jìn)劑燃速先升高后降低,大約在粒徑105~125 μm時(shí)燃速達(dá)到最大值;而壓強(qiáng)指數(shù)先

        火炸藥學(xué)報(bào) 2021年3期2021-07-12

      • 一種新型高效的移動(dòng)端深度學(xué)習(xí)圖像分類系統(tǒng)
        第一階段定義為粗粒度聚類過程,這個(gè)階段最主要的作用是減少解空間(神經(jīng)網(wǎng)絡(luò)模型需要識(shí)別數(shù)據(jù)集中包含的類數(shù))。在此之后,可以將數(shù)據(jù)聚類為幾個(gè)彼此不相關(guān)的小數(shù)據(jù)集,但在同一聚類中的圖像比在不同聚類中的圖像具有更強(qiáng)的相似性;第二階段是分類過程,在這一階段設(shè)計(jì)了幾個(gè)自定義的輕量級(jí)分類器,分別識(shí)別圖像的特定類。要完成這項(xiàng)工作,將面臨兩大挑戰(zhàn):一是需要得出一個(gè)粗粒度的聚類方法,用來劃分?jǐn)?shù)據(jù)集的解空間;二是現(xiàn)有的聚類模型都是為了對圖像進(jìn)行聚類,使圖像盡可能接近標(biāo)簽,目的是

        物聯(lián)網(wǎng)技術(shù) 2021年5期2021-05-24

      • 基于圖挖掘擴(kuò)展學(xué)習(xí)的增強(qiáng)需求跟蹤恢復(fù)方法
        變化的.比如從粗粒度(例如高等級(jí)需求(high-level requirements, HL)和用例(user cases, UC)到細(xì)粒度(例如低等級(jí)需求(low-level requirements, LL)、交互圖(interaction diagrams, ID)、測試用例(test cases, TC)和代碼類文件(code classes, CC),這是一個(gè)粒度由粗到細(xì)的過程.粗粒度制品和細(xì)粒度制品之間描述因粒度差異導(dǎo)致缺乏或沒有相同主題詞的關(guān)

        計(jì)算機(jī)研究與發(fā)展 2021年4期2021-04-09

      • 基于區(qū)塊鏈技術(shù)的網(wǎng)絡(luò)輿情觀點(diǎn)樹挖掘研究*
        下,進(jìn)行第一層粗粒度觀點(diǎn)挖掘 (Opinion Mining,OM),得到關(guān)于主題的3 種觀點(diǎn) (正面、負(fù)面和中立)。其次,對正面、負(fù)面兩種粗粒度觀點(diǎn)進(jìn)行中粒度OM,得到支持和反對的觀點(diǎn)強(qiáng)度。最后,對各個(gè)等級(jí)的觀點(diǎn)強(qiáng)度進(jìn)行細(xì)粒度OM,得到某種強(qiáng)度觀點(diǎn)的觀點(diǎn)屬性。2)第二種:先確定根節(jié)點(diǎn),再進(jìn)行自下而上的觀點(diǎn)樹構(gòu)建。首先,基于某一輿情主題下進(jìn)行細(xì)粒度OM;其次,在細(xì)粒度觀點(diǎn)的基礎(chǔ)上再進(jìn)行中粒度OM;最后,在中粒度觀點(diǎn)的基礎(chǔ)上進(jìn)行粗粒度OM,整棵觀點(diǎn)樹構(gòu)建完畢

        科技創(chuàng)新與生產(chǎn)力 2021年1期2021-03-06

      • 移動(dòng)目標(biāo)同現(xiàn)模式挖掘算法的研究?
        Graph,粗粒度層的構(gòu)建基于移動(dòng)目標(biāo)軌跡信息匹配及FT 過濾器篩選,代替了直接遍歷軌跡點(diǎn)集,通過減少計(jì)算對象來降低建模耗時(shí);并提出基于連接的挖掘算法CFCMDCOP Graph Miner,挖掘中通過對粗粒度層移動(dòng)目標(biāo)間的引發(fā)序列計(jì)算,提前對不滿足引發(fā)閾值的移動(dòng)目標(biāo)組合進(jìn)行剪枝,細(xì)粒度層能夠快速挖掘多條軌跡之間的時(shí)間交集,并計(jì)算多軌跡間的時(shí)空鄰近頻繁度,減少挖掘過程中的冗余計(jì)算來提高算法挖掘效率。2 關(guān)聯(lián)性挖掘主要公式及定義本文提出了粗細(xì)粒度結(jié)合的混合

        計(jì)算機(jī)與數(shù)字工程 2020年11期2020-12-23

      • 非結(jié)構(gòu)CFD軟件MPI+OpenMP混合并行及超大規(guī)模非定常并行計(jì)算的應(yīng)用
        將混合并行分為粗粒度并行和細(xì)粒度并行,簡單介紹了兩種并行的實(shí)現(xiàn)原理和基于C++編程語言的實(shí)現(xiàn)細(xì)節(jié)。其次,在國產(chǎn)in-house集群上,通過CRM(Common Research Model)標(biāo)模定常湍流算例[10]對兩種混合并行模式進(jìn)行測試和比較。隨后,為了驗(yàn)證兩種混合并行模式在非定常計(jì)算中的可擴(kuò)展性,在機(jī)翼外掛物投放標(biāo)模算例的3.6億非結(jié)構(gòu)重疊網(wǎng)格上進(jìn)行效率測試,并采用12 288核完成了基于混合并行模式投放過程的非定常計(jì)算,得到了較高的并行計(jì)算效率。最

        航空學(xué)報(bào) 2020年10期2020-11-06

      • 基于文本篩選和改進(jìn)BERT的長文本方面級(jí)情感分析
        集上將方面分為粗粒度方面和細(xì)粒度方面兩個(gè)層次,對于粒度方面的利用研究目前還在初步階段,如何把現(xiàn)有的模型應(yīng)用在這個(gè)數(shù)據(jù)集上是一個(gè)挑戰(zhàn)。針對以上問題,本文提出文本篩選和改進(jìn)BERT 的算法來處理長文本的ABSA 任務(wù)。該算法首先利用文本篩選網(wǎng)絡(luò)(Text Filter Network,TFN)對文本中的每個(gè)語句進(jìn)行粗粒度方面的分類,得到部分語句,再對部分語句按次序進(jìn)行組合,輸入到BERT-Pair-ATT 情感分類模型中進(jìn)行訓(xùn)練和預(yù)測。BERT-Pair-AT

        計(jì)算機(jī)應(yīng)用 2020年10期2020-10-18

      • 基于卷積神經(jīng)網(wǎng)絡(luò)的粗粒度數(shù)據(jù)分布式算法
        庫中的信息分為粗粒度信息和細(xì)粒度信息[1]. 粗粒度表示類別級(jí), 即僅考慮對象的類別, 不考慮對象的某個(gè)特定實(shí)例. 粗粒度文本信息在本文中被稱為粗粒度數(shù)據(jù), 是一種不具特定實(shí)例的信息或數(shù)據(jù). 在現(xiàn)實(shí)數(shù)據(jù)庫系統(tǒng)中粗粒度信息較難獲得, 而在很多場景下粗粒度信息在綜合信息評(píng)價(jià)方面用途較廣, 因此對粗粒度信息的分類、 評(píng)價(jià)與應(yīng)用, 已成為當(dāng)前大數(shù)據(jù)挖掘與應(yīng)用領(lǐng)域的研究熱點(diǎn)之一. 數(shù)據(jù)庫中的粗粒度信息與細(xì)粒度信息具有緊密的關(guān)聯(lián)性, 粗粒度數(shù)據(jù)的挖掘還要基于不同粒度數(shù)

        吉林大學(xué)學(xué)報(bào)(理學(xué)版) 2020年4期2020-07-18

      • 基于動(dòng)態(tài)數(shù)據(jù)流的粗粒度可重構(gòu)陣列設(shè)計(jì)
        法的能力,因此粗粒度可重構(gòu)陣列[1]成為了當(dāng)下研究的熱點(diǎn)。粗粒度可重構(gòu)陣列由陣列控制器、大量的處理單元(Process Element,PE)及互聯(lián)資源構(gòu)成,處理單元的功能及處理單元之間的互聯(lián)結(jié)構(gòu)均可以根據(jù)算法的需求重構(gòu),在利用空間計(jì)算提升執(zhí)行效率的同時(shí)還能夠獲得較高的靈活性。但是陣列中如此多的處理單元往往很難被充分的利用,受到長延遲操作、數(shù)據(jù)依賴關(guān)系等諸多因素的制約,因此提高處理單元的利用率是粗粒度可重構(gòu)陣列研究中的重要問題,也是提升整體性能的關(guān)鍵?,F(xiàn)有

        現(xiàn)代計(jì)算機(jī) 2020年6期2020-04-01

      • 一種適應(yīng)GPU的混合訪問緩存索引框架?
        占用相對更小的粗粒度LRU CCHT.其中,雙重LRU CCHT 通過兩個(gè)緩存踢出優(yōu)先級(jí)隊(duì)列,在全局踢出與桶內(nèi)踢出過程中獨(dú)立使用,實(shí)現(xiàn)了高緩存命中率.粗粒度LRU CCHT 方法則僅通過一個(gè)緩存踢出優(yōu)先級(jí)隊(duì)列,在全局踢出與桶內(nèi)踢出過程中共同使用,在保證了緩存命中率的同時(shí),進(jìn)一步減少了優(yōu)先級(jí)隊(duì)列對索引空間的占用開銷.本文將CCHT 在GPUCPU 異構(gòu)環(huán)境下進(jìn)行了實(shí)現(xiàn),并為減少內(nèi)存帶寬的占用與GPU 的訪問次數(shù),提出了基于外存計(jì)算系統(tǒng)(out-of-core

        軟件學(xué)報(bào) 2020年10期2020-01-02

      • 面向變電站視頻監(jiān)控終端的目標(biāo)檢測方法及其優(yōu)化
        的檢測主要采用粗粒度檢測與細(xì)粒度分類相結(jié)合的方案。在方案中,將檢測的目標(biāo)細(xì)分為作業(yè)人員、施工車輛2類,而其中作業(yè)人員又包含了是否穿戴作業(yè)安全帽和是否穿著工作服,施工車輛又進(jìn)一步劃分為吊車、泵車、鏟斗車、挖掘機(jī)等特種車類別。在面向上述目標(biāo)的粗粒度檢測方面,主要采用基于TensorFlow框架的YOLO v3目標(biāo)檢測方案,使用優(yōu)化后的YOLO v3算法對目標(biāo)進(jìn)行檢測并輸出其在圖像中的位置坐標(biāo)。在細(xì)粒度分類方面,采用基于TensorFlow框架的深層神經(jīng)網(wǎng)絡(luò)分類

        廣東電力 2019年9期2019-10-10

      • Co粉粒度對中、粗硬質(zhì)合金性能的影響
        o粉制備的中、粗粒度牌號(hào)壓坯中Co相分布(綠色)與中粒度牌號(hào)相比,粗粒度牌號(hào)壓坯中的Co分布規(guī)律略微不同。當(dāng)Co粉粒度在1.0-2.0之間時(shí),Co在壓坯中的分布較均勻,當(dāng)鈷粉粒度小于1.0 μm或大于2.0 μm時(shí),壓坯中Co的分布出現(xiàn)團(tuán)聚、不均勻現(xiàn)象。原因分析如下:當(dāng)Co粉粒度小于1.0 μm時(shí),Co粉與WC粉粒度差異較大,在球磨過程中,細(xì)顆粒的Co粉易出現(xiàn)團(tuán)聚、偏析的現(xiàn)象,反而不利于濕磨過程中Co粉的分散。而當(dāng)Co粉粒度大于2.0 μm后壓坯中Co分布

        鑿巖機(jī)械氣動(dòng)工具 2019年2期2019-06-24

      • 不同粒度遙感信息的非線性優(yōu)化Otsu分割算法
        分割,將此稱為粗粒度分割,若信息提取的需求是海島土地利用變化檢測,則需將島嶼上的不同地物類別進(jìn)行分割,將此稱為細(xì)粒度分割。閾值分割是圖像分割方法之一[9-11]。國內(nèi)外學(xué)者進(jìn)行了大量的研究,如日本學(xué)者Otsu基于聚類思想提出了最大類間方差圖像分割算法(Otsu算法),該算法計(jì)算簡單且不受圖像亮度與對比度影響[12]。Reddi等利用迭代方法將Otsu算法推廣為多閾值圖像分割算法[13]。Liao等提出利用查表方法改進(jìn)多閾值Otsu算法,降低了圖像分割算法計(jì)

        遙感信息 2019年1期2019-03-22

      • 基于分步的位置指紋定位算法研究
        訓(xùn)練階段,進(jìn)行粗粒度的定位(粗略定位),確定未知點(diǎn)所在的區(qū)域,排除不可能的區(qū)域點(diǎn);在在線定位階段,進(jìn)行細(xì)粒度的定位(精確定位)。2 基于分步的位置指紋定位算法使用基于分步的位置指紋定位算法進(jìn)行距離估算時(shí),不依賴精確的室內(nèi)傳播模型,可以減小環(huán)境因素對定位精度的影響;此外使用粗粒度與細(xì)粒度的概念,有利于實(shí)現(xiàn)粗定位和精定位。基于分步的位置指紋定位算法流程圖如圖2所示。圖2 位置指紋算法流程圖2.1 離線訓(xùn)練階段環(huán)境分析[11]是基于分步的位置指紋定位算法的第一步

        電子科技 2018年11期2018-12-03

      • 基于粗細(xì)粒度深度學(xué)習(xí)的脫機(jī)手寫漢字識(shí)別
        ,第一步是使用粗粒度的分類器對待分類樣本進(jìn)行初次分類,如果該漢字樣本被錯(cuò)誤分類也會(huì)以較大的大概率被分類到與它相似的其他漢字類別上,因此可以對漢字集進(jìn)行分析,找出全部的相似字集,然后對每一個(gè)相似字集訓(xùn)練專門的細(xì)粒度分類器;第二步根據(jù)初次分類的結(jié)果確定待分類漢字所對應(yīng)的相似字集,然后使用相應(yīng)的細(xì)粒度分類器進(jìn)行最終的分類。由于細(xì)粒度分類器的分類正確率更高,所以能夠糾正相當(dāng)多一部分原先通過大規(guī)模無差別學(xué)習(xí)得到的分類器進(jìn)行分類造成的錯(cuò)誤,從而提高總體識(shí)別正確率。2.

        梧州學(xué)院學(xué)報(bào) 2018年3期2018-07-27

      • 在線評(píng)論情感分析研究綜述
        粒度即細(xì)粒度和粗粒度兩方面進(jìn)行情感分類。對在線評(píng)論情感進(jìn)行分析,有利于消費(fèi)者的購買決策,也有利于商家制定營銷戰(zhàn)略。討論了情感分析的現(xiàn)有不足以及面臨的挑戰(zhàn)。關(guān)鍵詞:情感分析;情感強(qiáng)度;細(xì)粒度;粗粒度;情感極性DOIDOI:10.11907/rjdk.173102中圖分類號(hào):TP3-05文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào)文章編號(hào):1672-7800(2018)002-0001-041 在線文本情感分析概述文本情感分析又稱觀點(diǎn)挖掘,它是依據(jù)計(jì)算機(jī)等先進(jìn)技術(shù)對有關(guān)新聞資料、

        軟件導(dǎo)刊 2018年2期2018-03-10

      • 基于飛行軌跡的飛機(jī)飛行異常檢測算法
        跡檢測方法:由粗粒度到細(xì)粒度。1 算法描述如圖1所示,在5條軌跡中,明顯可以看出軌跡3屬于異常軌跡。在航空飛行中,這樣偏離正常的軌道說明飛機(jī)在這個(gè)時(shí)間段遇到了異常狀況,有可能是內(nèi)部因素(航空器異常),也有可能是外部因素(天氣因素)??傊谶@個(gè)時(shí)間段內(nèi)有危險(xiǎn)征候,需要加強(qiáng)防范。當(dāng)軌跡出現(xiàn)異常的時(shí)候,軌跡點(diǎn)之間的夾角也隨之發(fā)生較大的偏差。因此,方向信息也可以反映出異常情況。在這種情況下,再對異常軌跡進(jìn)行細(xì)粒度劃分,如圖1中的p0p1、p1p2和p2p3三個(gè)子

        現(xiàn)代計(jì)算機(jī) 2018年1期2018-02-09

      • 自動(dòng)駕駛汽車的可視化因果關(guān)系解讀
        視覺關(guān)注機(jī)制的粗粒度解碼器;(3)視覺關(guān)注機(jī)制的細(xì)粒度解碼器,用于因果關(guān)系的視覺檢測,并細(xì)化空間關(guān)注圖。編碼器:使用卷積神經(jīng)網(wǎng)絡(luò)提取編碼的視覺特征向量,稱為卷積特征立方體。每個(gè)特征向量具有輸入圖像的部分特征,這些特征是視覺關(guān)注網(wǎng)絡(luò)模型篩選出的特征。粗粒度解碼器:采用深度學(xué)習(xí)中的軟注意力分析,尋找最優(yōu)的背景向量,稱為卷積特征向量。利用一種標(biāo)準(zhǔn)反向傳播方法進(jìn)行訓(xùn)練。細(xì)粒度解碼器:改進(jìn)了關(guān)注圖像,并檢測了局部視覺效果。通過視覺關(guān)注網(wǎng)絡(luò)模型獲得了3個(gè)數(shù)據(jù)集(Com

        汽車文摘 2017年11期2017-12-04

      • 基于申威眾核處理器的混合并行遺傳算法
        于此,設(shè)計(jì)了“粗粒度-主從式”混合式并行遺傳算法(HBPGA),并在目前TOP500上排名第一的超級(jí)計(jì)算機(jī)神威“太湖之光”平臺(tái)上實(shí)現(xiàn)。該算法模型采用兩級(jí)并行架構(gòu),結(jié)合了MPI和Athread兩種編程模型,與傳統(tǒng)在單核或者一級(jí)并行構(gòu)架的多核集群上實(shí)現(xiàn)的遺傳算法相比,在申威眾核處理器上實(shí)現(xiàn)了二級(jí)并行,并得到了更好的性能和更高的加速比。實(shí)驗(yàn)中,當(dāng)從核數(shù)為16×64時(shí),最大加速比達(dá)到544,從核加速比超過31?;旌喜⑿羞z傳算法;神威“太湖之光”;眾核;MPI;At

        計(jì)算機(jī)應(yīng)用 2017年9期2017-11-15

      • 論子話題粒度對搜索結(jié)果多樣化算法的影響
        題,我們稱之為粗粒度的子話題。同理,我們將每個(gè)子話題分別輸入Google并收集其query suggestions,得到子話題的子話題集合,稱之為細(xì)粒度的子話題。表1展示了對于NTCIR的查詢“三毛”(id=13)在Google上取得的粗粒度子話題T1和細(xì)粒度子話題T2。表1 基于Google Suggestions生成的查詢“三毛”的粗粒度子話題和細(xì)粒度子話題本文進(jìn)一步研究了子話題粒度和多樣化算法的關(guān)系,發(fā)現(xiàn)使用不同粒度的子話題,對于多樣化算法的表現(xiàn)有直

        中文信息學(xué)報(bào) 2017年4期2017-10-11

      • 一種基于解空間分割的并行遺傳算法
        標(biāo)準(zhǔn)遺傳算法和粗粒度并行遺傳算法。解空間分割; 并行化; 遺傳算法; 線性加速比; 優(yōu)化Class Number TP1831 引言遺傳算法作為一種經(jīng)典的求解復(fù)雜問題最優(yōu)解的算法,在電網(wǎng)規(guī)劃、生產(chǎn)調(diào)度、復(fù)雜網(wǎng)絡(luò)分析等領(lǐng)域得到廣泛應(yīng)用[1~3]。由于標(biāo)準(zhǔn)遺傳算法[4]是串行算法,存在運(yùn)行時(shí)間長、易陷入局部最優(yōu)解的弊端,為更好滿足當(dāng)今大規(guī)模計(jì)算的應(yīng)用需求,往往需要對標(biāo)準(zhǔn)遺傳算法進(jìn)行并行化改進(jìn)。其中,粗粒度并行遺傳算法[5]是應(yīng)用最為廣泛的一種并行遺傳算法,具備

        計(jì)算機(jī)與數(shù)字工程 2017年2期2017-03-02

      • 高精度太陽追蹤系統(tǒng)研究與實(shí)現(xiàn)
        到預(yù)期位置完成粗粒度定位。系統(tǒng)在定位追蹤的過程中會(huì)不斷地讀取PSD傳感器的數(shù)值,若某一次讀到的數(shù)值處于精調(diào)范圍,則系統(tǒng)立即進(jìn)入精粒度追蹤模式[6],執(zhí)行精粒度調(diào)整子程序。若左右掃描過程中沒有進(jìn)入精粒度調(diào)整范圍,則系統(tǒng)開始進(jìn)入粗粒度追蹤模式,該模式主要由GPS算出太陽當(dāng)前高度角和方位角,然后系統(tǒng)執(zhí)行粗粒度定位。大約每四分鐘會(huì)定位一次,直到進(jìn)入精調(diào)范圍則執(zhí)行精粒度追蹤。若粗粒度追蹤時(shí)間大于預(yù)設(shè)閾值,則程序回到左右掃描的過程繼續(xù)執(zhí)行。在主程序不斷循環(huán)過程中,系統(tǒng)

        電子技術(shù)應(yīng)用 2016年8期2016-12-01

      • 基于公共池自適應(yīng)遷移策略的并行遺傳算法
        : 分析了傳統(tǒng)粗粒度并行遺傳算法的局限性,針對其遷移固定不變及無效遷移造成的通信開銷大等缺點(diǎn),將公共池與自適應(yīng)遷移策略相結(jié)合,提出了一種適合在多核計(jì)算機(jī)上運(yùn)行的基于公共池自適應(yīng)遷移策略的并行遺傳算法。該算法根據(jù)當(dāng)前的進(jìn)化狀態(tài)自適應(yīng)地進(jìn)行遷移,并利用公共池淡化了子種群間交換個(gè)體時(shí)的拓?fù)浣Y(jié)構(gòu)。對復(fù)雜非線性函數(shù)求極值的仿真結(jié)果表明,該算法與傳統(tǒng)并行遺傳算法相比,收斂速度快,求解精度高,得到最優(yōu)解的進(jìn)化代數(shù)提前,并行效率明顯提升。關(guān)鍵詞: 粗粒度; 并行遺傳算法;

        計(jì)算機(jī)時(shí)代 2016年10期2016-11-30

      • 基于3D-Mesh互連網(wǎng)絡(luò)的粗粒度邏輯陣列研究*
        sh互連網(wǎng)絡(luò)的粗粒度邏輯陣列研究*趙宗國1,李偉1,2,戴紫彬1,耿九光3(1.解放軍信息工程大學(xué),河南 鄭州 450000;2.復(fù)旦大學(xué) 專用集成電路與系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室,上海 201203;3.71315部隊(duì),河南 商丘476000)提出了一種3D-Mesh拓?fù)浠ミB網(wǎng)絡(luò)結(jié)構(gòu),其支持動(dòng)態(tài)可重構(gòu)配置,數(shù)據(jù)路徑位寬為32 bit?;谠?D-Mesh拓?fù)浠ミB網(wǎng)絡(luò)結(jié)構(gòu),設(shè)計(jì)了一種擁有48個(gè) RPE(Reconfigurable Process Element)

        電子技術(shù)應(yīng)用 2016年5期2016-11-30

      • 一種由粗至精的RGB-D室內(nèi)場景語義分割方法
        語義類別,實(shí)現(xiàn)粗粒度區(qū)域級(jí)語義標(biāo)簽推斷.然后,為了改善粗粒度級(jí)的語義標(biāo)簽,利用幾何深度導(dǎo)引和內(nèi)部反饋機(jī)制改進(jìn)像素級(jí)稠密全連接條件隨機(jī)場模型,以求精細(xì)粒度像素級(jí)語義標(biāo)注.最后,在粗、細(xì)粒度語義標(biāo)注之間引入全局遞歸式反饋,漸進(jìn)式迭代更新室內(nèi)場景的語義類別標(biāo)簽.2個(gè)公開的RGB-D室內(nèi)場景數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,與其他方法相比,所提出的語義分割方法無論在主觀還是客觀評(píng)估上,均具有較好的效果.RGB-D室內(nèi)場景;語義分割;SLIC過分割;稠密CRFs;遞歸式反饋場

        東南大學(xué)學(xué)報(bào)(自然科學(xué)版) 2016年4期2016-09-21

      • 復(fù)雜產(chǎn)品多粒度再制造性綜合評(píng)價(jià)方法*
        化方法。給出了粗粒度指標(biāo)的量化公式,用于產(chǎn)品和組件層的可再制造性評(píng)價(jià);針對細(xì)粒度指標(biāo)難以量化的特點(diǎn),提出了基于層次分析法(AHP)的細(xì)粒度評(píng)價(jià)方法,用于零件層的可再制造性評(píng)價(jià)。為提高評(píng)價(jià)效率,提出了逐層遞歸再制造性綜合評(píng)價(jià)方法。最后,驗(yàn)證了所提方法的可行性與有效性。再制造性;評(píng)價(jià);層次分析法再制造性評(píng)價(jià)一直是國內(nèi)外關(guān)注的熱點(diǎn)。文獻(xiàn)[3]將影響再制造的各設(shè)計(jì)屬性集成到設(shè)計(jì)表進(jìn)行再制造性評(píng)價(jià)和設(shè)計(jì)修改。文獻(xiàn)[4-5]基于可裝配設(shè)計(jì)指標(biāo)提出了通過實(shí)際和理論時(shí)間參

        制造技術(shù)與機(jī)床 2016年1期2016-08-31

      • 阿根廷米納畢戈塔地區(qū)水系沉積物采樣粒度試驗(yàn)研究
        積物樣品篩分成粗粒度(10~60目)、中間粒度(-60目、60~80目)和細(xì)粒度(-80目)三級(jí)4種粒度。(4)樣品由國土資源部長春礦產(chǎn)資源監(jiān)督監(jiān)測中心進(jìn)行分析。采用原子熒光、X 熒光光譜、質(zhì)譜、發(fā)射光譜、原子吸收和離子選擇電極等分析方法分析了Au、Ag、Cu、Pb、Zn等39種元素和氧化物(表1)。表1 分析方法及分析元素3.2粒度試驗(yàn)結(jié)果對4種粒度(10~60目、-60目、60~80目、-80目)水系沉積物的元素分析所進(jìn)行的統(tǒng)計(jì)結(jié)果,如表2—表5所述。

        地質(zhì)找礦論叢 2016年2期2016-07-16

      • 控制流完整性的發(fā)展歷程
        被分為細(xì)粒度和粗粒度兩種。細(xì)粒度CFI嚴(yán)格控制每一個(gè)間接轉(zhuǎn)移指令的轉(zhuǎn)移目標(biāo),這種精細(xì)的檢查,在現(xiàn)有的系統(tǒng)環(huán)境中,通常會(huì)引入很大的開銷。而粗粒度CFI則是將一組類似或相近類型的目標(biāo)歸到一起進(jìn)行檢查,以降低開銷,但這種方法會(huì)導(dǎo)致安全性的下降。CFI已經(jīng)被提出十多年的今天,依然有許多研究者在探索新的CFI技術(shù),使其在可接受的開銷下能獲得高安全性,圖1給出了CFI的發(fā)展歷程,本文將介紹在該歷程中的重要的技術(shù)創(chuàng)新和相關(guān)研究成果?;诓鍢都夹g(shù)的CFI為了有效防御控制流

        中國教育網(wǎng)絡(luò) 2016年4期2016-06-06

      • 程序周期行為技術(shù)分析*
        為細(xì)粒度劃分和粗粒度劃分兩種。目前并無區(qū)分粗細(xì)粒度的嚴(yán)格界限。一般來講,細(xì)粒度程序段可以是長度相對較小的定長程序段,如 100K條指令或 10M條指令,也可以是程序的最內(nèi)層循環(huán)或最內(nèi)層遞歸調(diào)用。而粗粒度程序段可以是長度相對較長的定長程序段,如 1 000M條指令,也可以是程序的最外層循環(huán)或遞歸調(diào)用。在周期行為分析過程中,除單獨(dú)使用這兩種劃分方法外,也有將兩種劃分方法結(jié)合構(gòu)造多層次粒度劃分程序執(zhí)行的方法。2 周期行為分析和預(yù)測技術(shù)在利用周期行為進(jìn)行動(dòng)態(tài)優(yōu)化過

        電子技術(shù)應(yīng)用 2015年3期2015-02-23

      • 一種粗細(xì)粒度結(jié)合的動(dòng)態(tài)污點(diǎn)分析方法
        分析方法。對比粗粒度污點(diǎn)分析和細(xì)粒度污點(diǎn)分析的實(shí)現(xiàn)過程,提出兩者結(jié)合的新型分析框架。預(yù)先在線執(zhí)行粗粒度污點(diǎn)分析以篩選有效指令,之后離線執(zhí)行細(xì)粒度污點(diǎn)分析以計(jì)算污點(diǎn)信息。根據(jù)粒度的差異分別建立粗細(xì)粒度污點(diǎn)數(shù)據(jù)的引入標(biāo)記方法,制定粗細(xì)粒度條件下的數(shù)據(jù)流和控制流傳播策略,設(shè)計(jì)離線軌跡記錄結(jié)構(gòu)作為粗細(xì)粒度污點(diǎn)分析的傳遞文件。在原型系統(tǒng)上的測試結(jié)果表明,該方法通過在線粗粒度模式保證了污點(diǎn)分析信息采集的快速性,同時(shí)采用離線細(xì)粒度模式以合理的時(shí)間消耗提升了污點(diǎn)分析的精確

        計(jì)算機(jī)工程 2014年3期2014-06-02

      • 粒度配比對WC基金剛石鉆頭的性能影響研究①
        t2.1 調(diào)整粗粒度對鉆進(jìn)性能的影響粗粒度的調(diào)整是在保證中、細(xì)粒度配比不變的情況下,通過40/45和45/50目之間的調(diào)換來實(shí)現(xiàn)的。SY1和SY4都是以60/70、80/100目這些稍大粒度的金剛石顆粒作為中粒度和細(xì)粒度的配比,不同的是SY4使用了更小的45/50目為粗粒度配比。通過對比SY1和SY4的鉆進(jìn)結(jié)果可知,胎體的磨損高度從0.98mm下降到了0.91mm,增加了0.09mm;壽命從7.346m增加到7.912m,增加了大約0.6m;效率從2.83

        超硬材料工程 2014年5期2014-03-24

      • 基于粗粒度可重構(gòu)架構(gòu)的并行FFT算法實(shí)現(xiàn)
        FPGA相比,粗粒度可重構(gòu)架構(gòu)[2]的區(qū)別在于將FPGA中的LUT替換成粗粒度的運(yùn)算單元,同時(shí)簡化了FPGA的互聯(lián)類型.近年來眾多粗粒度可重構(gòu)架構(gòu)[2]被提出并得到應(yīng)用.例如,XPP和ADRES架構(gòu)已經(jīng)被應(yīng)用于無線通訊[3-4]和媒體處理[5-6]領(lǐng)域.而作為數(shù)字信號(hào)處理中的核心運(yùn)算單元,FFT已經(jīng)在很多粗粒度可重構(gòu)架構(gòu)上被實(shí)現(xiàn),如NoC[7],MorphoSys[8],SmartCell[9], ePUMA[10]等.REMUS_LPP(reconfig

        東南大學(xué)學(xué)報(bào)(自然科學(xué)版) 2013年6期2013-12-26

      • 粗粒度并行遺傳算法的MapReduce并行化實(shí)現(xiàn)
        礎(chǔ)平臺(tái)上研究了粗粒度并行遺傳算法的MapReduce并行編程實(shí)現(xiàn)方法,并進(jìn)行了相關(guān)實(shí)驗(yàn)。1 MapReduce編程模型MapReduce編程模型的基本思路是將大數(shù)據(jù)集分解為成百上千的小數(shù)據(jù)集splits,每個(gè)(或若干個(gè))數(shù)據(jù)集分別由集群中的1個(gè)節(jié)點(diǎn)(一般是1臺(tái)普通計(jì)算機(jī))并行執(zhí)行Map計(jì)算任務(wù)(指定了映射規(guī)則),并生成中間結(jié)果,然后這些中間結(jié)果又由大量的節(jié)點(diǎn)并行執(zhí)行Reduce計(jì)算任務(wù)(指定了歸約規(guī)則),形成最終結(jié)果。圖1描述了MapReduce的運(yùn)行機(jī)制

        重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)) 2013年10期2013-08-01

      • 基于粗粒度可重構(gòu)架構(gòu)的并行FFT算法實(shí)現(xiàn)
        FPGA相比,粗粒度可重構(gòu)架構(gòu)[2]的區(qū)別在于將FPGA中的LUT替換成粗粒度的運(yùn)算單元,同時(shí)簡化了FPGA的互聯(lián)類型.近年來眾多粗粒度可重構(gòu)架構(gòu)[2]被提出并得到應(yīng)用.例如,XPP和ADRES架構(gòu)已經(jīng)被應(yīng)用于無線通訊[3-4]和媒體處理[5-6]領(lǐng)域.而作為數(shù)字信號(hào)處理中的核心運(yùn)算單元,FFT已經(jīng)在很多粗粒度可重構(gòu)架構(gòu)上被實(shí)現(xiàn),如NoC[7],MorphoSys[8],SmartCell[9], ePUMA[10]等.REMUS_LPP(reconfig

        東南大學(xué)學(xué)報(bào)(自然科學(xué)版) 2013年6期2013-03-22

      • 對象級(jí)粗粒度切片方法
        統(tǒng)依賴圖構(gòu)造了粗粒度的切片,粒度是方法級(jí)的,也有文章如文獻(xiàn) [7]對李必信的粗粒度切片有一定擴(kuò)展的。D.Liang和 M.J.Harrold的對象級(jí)切片方法是基于SDG的。專門對對象間的關(guān)系的探討如文獻(xiàn) [8],闡述了對象間的關(guān)系類型。本文在程序切片技術(shù)思想的基礎(chǔ)上,依據(jù)對象間的關(guān)聯(lián)、組合等UML類間關(guān)系[9]構(gòu)造對象級(jí)切片,提出一種對象級(jí)粗粒度切片方法,這種對象級(jí)粗粒度切片相對于龐大的語句級(jí)切片在一定程度上有更好的可讀性和實(shí)用性,為人們分析面向?qū)ο蟪绦虻?/div>

        計(jì)算機(jī)工程與設(shè)計(jì) 2012年3期2012-11-30

      • 面向中小企業(yè)的變粒度雙網(wǎng)映射零部件設(shè)計(jì)重用
        ,格外構(gòu)造一個(gè)粗粒度網(wǎng)狀基于語義(例如用OWL表示)的零部件知識(shí)結(jié)構(gòu)網(wǎng).將企業(yè)原有的零部件數(shù)據(jù)庫作為細(xì)粒度樹狀知識(shí)網(wǎng),建立兩個(gè)知識(shí)結(jié)構(gòu)網(wǎng)映射的知識(shí)網(wǎng)用于產(chǎn)品底層的設(shè)計(jì)重用.1 變粒度雙網(wǎng)映射的零部件設(shè)計(jì)知識(shí)重用本文給出的粗細(xì)粒度雙網(wǎng)映射的零部件設(shè)計(jì)知識(shí)重用方法如圖1所示.該方法的特點(diǎn)可描述如下:(1)借鑒語義網(wǎng)知識(shí)[13],構(gòu)造一個(gè)粗粒度零部件知識(shí)網(wǎng)(網(wǎng)狀結(jié)構(gòu)).在粗粒度零部件知識(shí)網(wǎng)中,僅保留了重要零部件檢索信息(例如零部件結(jié)構(gòu)、功能等特征),更具體的細(xì)節(jié)

        大連理工大學(xué)學(xué)報(bào) 2012年1期2012-09-27

      • 基于可重構(gòu)計(jì)算技術(shù)的ASIP設(shè)計(jì)與實(shí)現(xiàn)
        令,以及嵌入式粗粒度可重構(gòu)陣列流水線處理器的體系結(jié)構(gòu)。通過指令流水線設(shè)計(jì),實(shí)現(xiàn)虛擬指令的并行執(zhí)行,將指令級(jí)并行擴(kuò)展為線程級(jí)并行。系統(tǒng)運(yùn)行時(shí),采用訂閱/發(fā)布機(jī)制作為可重構(gòu)陣列的通信機(jī)制,利用可重構(gòu)系統(tǒng)可重復(fù)配置的特點(diǎn),提高了系統(tǒng)的計(jì)算效率。通過仿真實(shí)驗(yàn)驗(yàn)證了基于可重構(gòu)計(jì)算技術(shù)的流水線處理器結(jié)構(gòu)的有效性。可重構(gòu)計(jì)算;粗粒度可重構(gòu)陣列;循環(huán)指令流水線;訂閱/發(fā)布機(jī)制0 引言可重構(gòu)計(jì)算兼顧定制計(jì)算的高效性與通用計(jì)算的靈活性,是一種新型的時(shí)空域計(jì)算模式。在可重構(gòu)計(jì)算

        艦船科學(xué)技術(shù) 2012年5期2012-07-12

      • 基于細(xì)粒度任務(wù)分配的空時(shí)自適應(yīng)并行處理算法研究
        題,傳統(tǒng)方法以粗粒度的劃分方式將 STAP算法分配到特定硬件系統(tǒng)中的不同處理器中,利用處理器間的流水計(jì)算來提高系統(tǒng)計(jì)算吞吐量。該文分析了傳統(tǒng)并行處理方法的缺陷:粗粒度的任務(wù)劃分方式犧牲了 STAP算法的并行度;傳統(tǒng)處理方法僅能適用于特定的系統(tǒng)環(huán)境。針對上述情況,該文提出一種基于細(xì)粒度任務(wù)分配的 STAP并行處理方法,該方法分為以下3個(gè)步驟:構(gòu)建細(xì)粒度的DAG(Direct Acyclic Graph)形式的STAP算法任務(wù)模型;使用統(tǒng)一拓?fù)浣Y(jié)構(gòu)模型描述不同

        電子與信息學(xué)報(bào) 2012年6期2012-01-27

      • 信息管理系統(tǒng)中實(shí)體bean問題之解決方案研究
        一:是設(shè)計(jì)一個(gè)粗粒度(coarse-grained)的實(shí)體 bean,還是一個(gè)細(xì)粒度(fine-grained)的實(shí)體bean。粗粒度一般表示類別級(jí)(the type of object),即僅考慮對象的類別,不考慮對象的某個(gè)特定實(shí)例。比如,用戶管理中,創(chuàng)建、刪除,對所有的用戶都一視同仁,并不區(qū)分操作的具體對象實(shí)例。細(xì)粒度表示實(shí)例級(jí),即需要考慮具體對象的實(shí)例(the instance of object),當(dāng)然,細(xì)粒度是在考慮粗粒度的對象類別之后才再考慮特

        網(wǎng)絡(luò)安全技術(shù)與應(yīng)用 2011年1期2011-06-12

      • 玉米粒度對蛋雞消化道生理及飼料流通速率的影響
        瘍評(píng)分顯著高于粗粒度組(P=0.027),而粗粒度組和中等粒度組(P=0.661)、中等粒度組和細(xì)粒度組(P= 0.062)之間差異不顯著。玉米粉碎粒度對十二指腸形態(tài)發(fā)育(腸壁厚度,P=0.078;絨毛高度,P=0.276;隱窩深度,P= 0.159;V/C,P=0.158)有一定影響。具體表現(xiàn)為:粗粒度組的腸壁厚度顯著高于細(xì)粒度組(P= 0.031);玉米粒度越大,十二指腸絨毛高度和V/C值越大,而隱窩深度越小,但各處理間差異不顯著(P>0.05)。表3

        動(dòng)物營養(yǎng)學(xué)報(bào) 2010年5期2010-04-17

      大洼县| 故城县| 广汉市| 梓潼县| 普兰县| 方山县| 遂川县| 宣城市| 卢氏县| 诏安县| 梁平县| 安多县| 彭阳县| 冀州市| 崇明县| 含山县| 朝阳市| 和顺县| 阳曲县| 德令哈市| 克拉玛依市| 通辽市| 满洲里市| 武清区| 独山县| 大新县| 同心县| 富阳市| 峨山| 普定县| 逊克县| 宝鸡市| 安化县| 浑源县| 汝城县| 桐庐县| 扶沟县| 白沙| 宁阳县| 连州市| 乌拉特前旗|