【摘 要】
：
数据去重的过程中,云存储系统会产生大量的计算机调度冲突。针对去重操作调度冲突问题,提出一种基于长短期记忆网络(LSTM)机器学习方法的预测模型,可根据历史操作预测服务器
【基金项目】
：
山东省自然科学基金(批准号:ZR2019MF058)资助
论文部分内容阅读
数据去重的过程中,云存储系统会产生大量的计算机调度冲突。针对去重操作调度冲突问题,提出一种基于长短期记忆网络(LSTM)机器学习方法的预测模型,可根据历史操作预测服务器负载情况,由此给出操作序列建议,对服务器进程进行合理调度并实施去重操作。并与基于随机模拟仿真数据的操作调度进行了对比,实验结果表明,本方案在提高服务器去重操作执行效率方面具有优势,能够降低服务器的性能开销。
其他文献
识别人体状态与理解人类情感是家电智能化的最终目的,人体许多日常行为并不携带明显的状态信息和情感倾向,而诸如跌倒、打哈欠、腰痛等出现频率较低却包含丰富的人体状态信息。以带有一定情感倾向或意图的人体状态为研究对象,从公开数据集中筛选出9种带有人体状态信息的典型行为,考虑到家居环境下实时产生的原始视频数据量庞大、存在特征冗余,提出用相邻视频帧做减法得到的RGB连续差分图像序列作为输入,鉴于样本少,使用常
针对当前的实例分割算法无法分割两个高度重叠的人体对象,且量化的Mask实例与其ground truth之间的IoU的Mask质量通常与分类分数相关性不强等问题,利用人体骨骼和姿态来对人体进行分割,增加一个全新的Evaluation模块,利用预测Mask与ground truth之间的IoU来描述实例分割质量,提出了一种直接学习IoU的网络,能够提高实例分割的质量。为了获得更加丰富的特征信息,采用R
在智能化药房中,为完成对药品存/取操作,需要为机器人配备视觉系统来实现对目标药品的定位与名称识别。对基于深度学习的文本检测与文字识别方法进行理论分析与实验,采用CRAFT算法检测药品文本区域,根据药名文本的特征检出并截取药名区域;基于LSTM的Tesseract-OCR对药名进行文字识别。对202个实物药盒进行的识别实验表明,对药名区域检测截取的准确率为98.02%;对药品名称的识别中,常规字体的