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)中的各臺交換機，避免極端情況下交換機超出最大負(fù)載利用率。由網(wǎng)絡(luò)平均負(fù)載與各交換機負(fù)載的均方根誤差（RMSE）來評估網(wǎng)絡(luò)中整體負(fù)載均衡，計算式為交換機的硬件條件限制了其存儲空間的大小，因而對流表項的存儲存在著嚴(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中流表項的插入，以交換機平均表項占有率衡量該算法的效果，計算式為2) ImproveQoS。通常QoS 考慮的指標(biāo)為可用性、
通信學(xué)報 2023年10期2023-11-19
- 基于多級學(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制的特征分組重融合模塊。通過多頭自注意力機制提取候選框特征（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
計算機與數(shù)字工程 2023年3期2023-07-11
- GAP/PET/RDX基推進(jìn)劑的動態(tài)沖擊及點火響應(yīng)行為
中粒度RDX、粗粒度RDX的3種固體推進(jìn)劑開展實驗。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 2023年4期2023-05-12
- 基于隨機模型預(yù)測控制的火電-儲能兩階段協(xié)同調(diào)頻控制模型
進(jìn)行求解。首先粗粒度獲取一個粗略的指導(dǎo)性方案,同時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)建模型時需要考慮在非預(yù)期調(diào)頻信號下調(diào)頻策略的全場景可行性［17］。此外,功率型儲能和能量型儲能的差異不僅體現(xiàn)在其能量功率比上,也同時體現(xiàn)在其壽命特性上［6］。通常與火電機組協(xié)同的能量型儲能為電化學(xué)儲能,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］?；谏鲜鰡栴},本文建立了基于
電力系統(tǒng)自動化 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)行實驗的細(xì)節(jié)，并對實驗結(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體識別
息的識別，構(gòu)建粗粒度候選區(qū)間感知模塊，并采用二元序列標(biāo)記法過濾一些非實體區(qū)域。1 相關(guān)工作研究人員結(jié)合基于規(guī)則和機器學(xué)習(xí)的方法來處理嵌套命名實體［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］識別生物醫(yī)學(xué)文本中的蛋白質(zhì)實體和基因?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場構(gòu)建模型，有效提升生物醫(yī)學(xué)文本中的識別效果。然而，基于
計算機工程 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，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，由于粗粒度節(jié)點與細(xì)粒度節(jié)點之間的對應(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)點表示細(xì)化回原始網(wǎng)絡(luò)，得到原始網(wǎng)絡(luò)的節(jié)點向量.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)點表示以得到最終
小型微型計算機系統(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，降低了計算量，使定位結(jié)果具有實時性。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個部分構(gòu)成。首先，多觀測向量層獲取多個相鄰時刻的射頻鏈路RSS數(shù)據(jù)，形成多觀測向量，捕獲目標(biāo)運動的時空關(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)的時空狀態(tài)，設(shè)計塊稀疏貝葉斯學(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(自然科學(xué)版) 2022年3期2022-06-08
- 多粒度實值形式概念分析
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，fo(bjt)(t=1,2,…,k)均為?；當(dāng)fo(ai)={1}時，fo(bjt)(t=1,2,…,k)中有一個為性質(zhì)1表明多粒度實值形式背
陜西師范大學(xué)學(xué)報（自然科學(xué)版） 2022年3期2022-06-07
- 一種變粒度缺陷報告嚴(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的分類性能。而多分類問題則可以直接預(yù)測出缺陷報告所對應(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[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（自然科學(xué)版） 2022年1期2022-05-19
- 球團停用潤磨機下粗粒度鐵精粉消耗比例提升實踐
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態(tài)和循環(huán)加載測試得到證實。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（社會科學(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
振動信號進(jìn)行多粗粒度操作獲得多尺度信號，再基于CNN網(wǎng)絡(luò)進(jìn)行深層特征提取與融合，并引入注意力機制進(jìn)行特征重標(biāo)定，以強化對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械設(shè)備的振動信號進(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)粒度的二級檢測思想,設(shè)計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)置過低則會混入假目標(biāo),導(dǎo)致虛警率高。本文設(shè)置了兩個閾值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
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 5一個大型的信息系統(tǒng)均會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)限管理機制，控制各種用戶使用系統(tǒng)的權(quán)力訪問。[1]一個穩(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、高擴展性等特點。設(shè)計一個基于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)都獨立訓(xùn)練，不會增加整體網(wǎng)絡(luò)的深度。先基于驗證集圖像聚類，獲得一個粗粒度數(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或多個細(xì)類且每個細(xì)類只屬于一個粗類。在CTFTCNN 中，粗粒度網(wǎng)絡(luò)是一個多尺度卷積神經(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粗類，這項任務(wù)的重點是識別圖像的全局特征，相對較簡單
計算機與生活 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間片劃分，使用粗粒度特征判斷存在DNS隧道攻擊的時間片，再將可疑時間片中的DNS會話進(jìn)行重組，通過細(xì)粒度特征檢測出DNS隧道會話流量。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會話進(jìn)行重組、計算特征與檢測會導(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間片內(nèi)所有的DNS流
現(xiàn)代計算機 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)燃燒模型和獨立單元燃燒模型，即單位體積推進(jìn)劑的燃燒時間受黏合劑燃燒時間和填充物顆粒燃燒時間所控制。宋會彬等[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時燃速達(dá)到最大值；而壓強指數(shù)先
火炸藥學(xué)報 2021年3期2021-07-12
- 一種新型高效的移動端深度學(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的相似性；第二階段是分類過程，在這一階段設(shè)計了幾個自定義的輕量級分類器，分別識別圖像的特定類。要完成這項工作，將面臨兩大挑戰(zhàn)：一是需要得出一個粗粒度的聚類方法，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
- 基于圖挖掘擴展學(xué)習(xí)的增強需求跟蹤恢復(fù)方法
變化的.比如從粗粒度(例如高等級需求(high-level requirements, HL)和用例(user cases, UC)到細(xì)粒度(例如低等級需求(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)
計算機研究與發(fā)展 2021年4期2021-04-09
- 基于區(qū)塊鏈技術(shù)的網(wǎng)絡(luò)輿情觀點樹挖掘研究*
下，進(jìn)行第一層粗粒度觀點挖掘 （Opinion Mining，OM），得到關(guān)于主題的3 種觀點 （正面、負(fù)面和中立）。其次，對正面、負(fù)面兩種粗粒度觀點進(jìn)行中粒度OM，得到支持和反對的觀點強度。最后，對各個等級的觀點強度進(jìn)行細(xì)粒度OM，得到某種強度觀點的觀點屬性。2）第二種：先確定根節(jié)點，再進(jìn)行自下而上的觀點樹構(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)粒度觀點的基礎(chǔ)上再進(jìn)行中粒度OM；最后，在中粒度觀點的基礎(chǔ)上進(jìn)行粗粒度OM，整棵觀點樹構(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集，通過減少計算對象來降低建模耗時；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目標(biāo)間的引發(fā)序列計算，提前對不滿足引發(fā)閾值的移動目標(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間交集，并計算多軌跡間的時空鄰近頻繁度，減少挖掘過程中的冗余計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
計算機與數(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現(xiàn)原理和基于C++編程語言的實現(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，為了驗證兩種混合并行模式在非定常計算中的可擴展性，在機翼外掛物投放標(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算，得到了較高的并行計算效率。最
航空學(xué)報 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)用在這個數(shù)據(jù)集上是一個挑戰(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
計算機應(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, 即僅考慮對象的類別, 不考慮對象的某個特定實例. 粗粒度文本信息在本文中被稱為粗粒度數(shù)據(jù), 是一種不具特定實例的信息或數(shù)據(jù). 在現(xiàn)實數(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價方面用途較廣, 因此對粗粒度信息的分類、 評價與應(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（理學(xué)版） 2020年4期2020-07-18
- 基于動態(tài)數(shù)據(jù)流的粗粒度可重構(gòu)陣列設(shè)計
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。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)，在利用空間計算提升執(zhí)行效率的同時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)代計算機 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 通過兩個緩存踢出優(yōu)先級隊列,在全局踢出與桶內(nèi)踢出過程中獨立使用,實現(xiàn)了高緩存命中率.粗粒度LRU CCHT 方法則僅通過一個緩存踢出優(yōu)先級隊列,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,進(jìn)一步減少了優(yōu)先級隊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),提出了基于外存計算系統(tǒng)(out-of-core
軟件學(xué)報 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、粗粒度牌號壓坯中Co相分布(綠色)與中粒度牌號相比，粗粒度牌號壓坯中的Co分布規(guī)律略微不同。當(dāng)Co粉粒度在1.0-2.0之間時，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，壓坯中Co的分布出現(xiàn)團聚、不均勻現(xiàn)象。原因分析如下：當(dāng)Co粉粒度小于1.0 μm時，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
鑿巖機械氣動工具 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
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)，確定未知點所在的區(qū)域，排除不可能的區(qū)域點；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，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，有利于實現(xiàn)粗定位和精定位?；诜植降奈恢弥讣y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)的脫機手寫漢字識別
，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誤分類也會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)行分類造成的錯誤，從而提高總體識別正確率。2.
梧州學(xué)院學(xué)報 2018年3期2018-07-27
- 在線評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。對在線評論情感進(jìn)行分析，有利于消費者的購買決策，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；情感強度；細(xì)粒度；粗粒度；情感極性DOIDOI：10.11907/rjdk.173102中圖分類號：TP3-05文獻(xiàn)標(biāo)識碼：A 文章編號文章編號：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挖掘，它是依據(jù)計算機等先進(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在這個時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@個時間段內(nèi)有危險征候，需要加強防范。當(dāng)軌跡出現(xiàn)異常的時候，軌跡點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p2p3三個子
現(xiàn)代計算機 2018年1期2018-02-09
- 自動駕駛汽車的可視化因果關(guān)系解讀
視覺關(guān)注機制的粗粒度解碼器；（3）視覺關(guān)注機制的細(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上排名第一的超級計算機神威“太湖之光”平臺上實現(xiàn)。該算法模型采用兩級并行架構(gòu)，結(jié)合了MPI和Athread兩種編程模型，與傳統(tǒng)在單核或者一級并行構(gòu)架的多核集群上實現(xiàn)的遺傳算法相比，在申威眾核處理器上實現(xiàn)了二級并行，并得到了更好的性能和更高的加速比。實驗中，當(dāng)從核數(shù)為16×64時，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
計算機應(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 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,存在運行時間長、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
計算機與數(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，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算機上運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體時的拓?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；
計算機時代 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)國家重點實驗室，上海 201203；3.71315部隊，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)計了一種擁有48個 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,實現(xiàn)粗粒度區(qū)域級語義標(biāo)簽推斷.然后,為了改善粗粒度級的語義標(biāo)簽,利用幾何深度導(dǎo)引和內(nèi)部反饋機制改進(jìn)像素級稠密全連接條件隨機場模型,以求精細(xì)粒度像素級語義標(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個公開的RGB-D室內(nèi)場景數(shù)據(jù)集上的實驗結(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（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價方法*
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價；針對細(xì)粒度指標(biāo)難以量化的特點，提出了基于層次分析法(AHP)的細(xì)粒度評價方法，用于零件層的可再制造性評價。為提高評價效率，提出了逐層遞歸再制造性綜合評價方法。最后，驗證了所提方法的可行性與有效性。再制造性；評價；層次分析法再制造性評價一直是國內(nèi)外關(guān)注的熱點。文獻(xiàn)[3]將影響再制造的各設(shè)計屬性集成到設(shè)計表進(jìn)行再制造性評價和設(shè)計修改。文獻(xiàn)[4-5]基于可裝配設(shè)計指標(biāo)提出了通過實際和理論時間參
制造技術(shù)與機床 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。基于插樁技術(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)合的動態(tài)污點分析方法
分析方法。對比粗粒度污點分析和細(xì)粒度污點分析的實現(xiàn)過程，提出兩者結(jié)合的新型分析框架。預(yù)先在線執(zhí)行粗粒度污點分析以篩選有效指令，之后離線執(zhí)行細(xì)粒度污點分析以計算污點信息。根據(jù)粒度的差異分別建立粗細(xì)粒度污點數(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)計離線軌跡記錄結(jié)構(gòu)作為粗細(xì)粒度污點分析的傳遞文件。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分析信息采集的快速性，同時采用離線細(xì)粒度模式以合理的時間消耗提升了污點分析的精確
計算機工程 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替換成粗粒度的運算單元,同時簡化了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)字信號處理中的核心運算單元,FFT已經(jīng)在很多粗粒度可重構(gòu)架構(gòu)上被實現(xiàn),如NoC[7],MorphoSys[8],SmartCell[9], ePUMA[10]等.REMUS_LPP(reconfig
東南大學(xué)學(xué)報（自然科學(xué)版） 2013年6期2013-12-26
- 粗粒度并行遺傳算法的MapReduce并行化實現(xiàn)
礎(chǔ)平臺上研究了粗粒度并行遺傳算法的MapReduce并行編程實現(xiàn)方法，并進(jìn)行了相關(guān)實驗。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(或若干個)數(shù)據(jù)集分別由集群中的1個節(jié)點(一般是1臺普通計算機)并行執(zhí)行Map計算任務(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)點并行執(zhí)行Reduce計算任務(wù)(指定了歸約規(guī)則)，形成最終結(jié)果。圖1描述了MapReduce的運行機制
重慶理工大學(xué)學(xué)報(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替換成粗粒度的運算單元,同時簡化了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)字信號處理中的核心運算單元,FFT已經(jīng)在很多粗粒度可重構(gòu)架構(gòu)上被實現(xiàn),如NoC[7],MorphoSys[8],SmartCell[9], ePUMA[10]等.REMUS_LPP(reconfig
東南大學(xué)學(xué)報（自然科學(xué)版） 2013年6期2013-03-22
- 對象級粗粒度切片方法
統(tǒng)依賴圖構(gòu)造了粗粒度的切片，粒度是方法級的，也有文章如文獻(xiàn) ［7］對李必信的粗粒度切片有一定擴展的。D.Liang和 M.J.Harrold的對象級切片方法是基于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)造對象級切片，提出一種對象級粗粒度切片方法，這種對象級粗粒度切片相對于龐大的語句級切片在一定程度上有更好的可讀性和實用性，為人們分析面向?qū)ο蟪绦虻?/div>
計算機工程與設(shè)計 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)計重用
，格外構(gòu)造一個粗粒度網(wǎng)狀基于語義（例如用OWL表示）的零部件知識結(jié)構(gòu)網(wǎng).將企業(yè)原有的零部件數(shù)據(jù)庫作為細(xì)粒度樹狀知識網(wǎng)，建立兩個知識結(jié)構(gòu)網(wǎng)映射的知識網(wǎng)用于產(chǎn)品底層的設(shè)計重用.1 變粒度雙網(wǎng)映射的零部件設(shè)計知識重用本文給出的粗細(xì)粒度雙網(wǎng)映射的零部件設(shè)計知識重用方法如圖1所示.該方法的特點可描述如下：（1）借鑒語義網(wǎng)知識［13］，構(gòu)造一個粗粒度零部件知識網(wǎng)（網(wǎng)狀結(jié)構(gòu)）.在粗粒度零部件知識網(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 2012年1期2012-09-27
- 基于可重構(gòu)計算技術(shù)的ASIP設(shè)計與實現(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，實現(xiàn)虛擬指令的并行執(zhí)行，將指令級并行擴展為線程級并行。系統(tǒng)運行時，采用訂閱/發(fā)布機制作為可重構(gòu)陣列的通信機制，利用可重構(gòu)系統(tǒng)可重復(fù)配置的特點，提高了系統(tǒng)的計算效率。通過仿真實驗驗證了基于可重構(gòu)計算技術(shù)的流水線處理器結(jié)構(gòu)的有效性?？芍貥?gòu)計算;粗粒度可重構(gòu)陣列;循環(huán)指令流水線;訂閱/發(fā)布機制0 引言可重構(gòu)計算兼顧定制計算的高效性與通用計算的靈活性，是一種新型的時空域計算模式。在可重構(gòu)計算艦船科學(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算來提高系統(tǒng)計算吞吐量。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 2012年6期2012-01-27
- 信息管理系統(tǒng)中實體bean問題之解決方案研究
一：是設(shè)計一個粗粒度(coarse-grained)的實體 bean，還是一個細(xì)粒度(fine-grained)的實體bean。粗粒度一般表示類別級(the type of object)，即僅考慮對象的類別，不考慮對象的某個特定實例。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例。細(xì)粒度表示實例級，即需要考慮具體對象的實例(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動物營養(yǎng)學(xué)報 2010年5期2010-04-17
- 面向中小企業(yè)的變粒度雙網(wǎng)映射零部件設(shè)計重用