-
公开(公告)号：CN105760220A
公开(公告)日：2016-07-13
申请号：CN201610066773.9
申请日：2016-01-29
Applicant: 湖南大学
IPC: G06F9/48
CPC classification number: Y02D10/24 , G06F9/4893 , G06F9/485
Abstract: 本发明涉及数据处理领域，提供一种基于混合内存的任务与数据调度方法和装置，所述方法包括：步骤1，根据任务与数据的DAG图，获得任务的输入数据与输出数据；步骤2，对所述输入数据与输出数据进行数据分类，得到共享数据源与独立数据源；步骤3，根据任务对处理器和内存的访问时间，获得执行任务最快的处理器，将任务分配到该处理器上，完成初始化调度；步骤4，根据数据分类和初始化调度，对输入数据进行调度；步骤5，根据处理器处理任务和内存访问数据的能耗，对任务所在的处理器和数据所在的内存进行位置调整。本发明充分考虑了数据对任务调度的影响，提高了数据识别的能力，降低了能耗。
-
Patent Agency Ranking
公开(公告)号：CN105760220B
公开(公告)日：2019-05-17
申请号：CN201610066773.9
申请日：2016-01-29
Applicant: 湖南大学
IPC: G06F9/48
Abstract: 本发明涉及数据处理领域，提供一种基于混合内存的任务与数据调度方法和装置，所述方法包括：步骤1，根据任务与数据的DAG图，获得任务的输入数据与输出数据；步骤2，对所述输入数据与输出数据进行数据分类，得到共享数据源与独立数据源；步骤3，根据任务对处理器和内存的访问时间，获得执行任务最快的处理器，将任务分配到该处理器上，完成初始化调度；步骤4，根据数据分类和初始化调度，对输入数据进行调度；步骤5，根据处理器处理任务和内存访问数据的能耗，对任务所在的处理器和数据所在的内存进行位置调整。本发明充分考虑了数据对任务调度的影响，提高了数据识别的能力，降低了能耗。
-
公开(公告)号：CN105550374A
公开(公告)日：2016-05-04
申请号：CN201610069166.8
申请日：2016-01-29
Applicant: 湖南大学
CPC classification number: G06F17/30943 , G06F2216/03 , G06N99/005
Abstract: 本发明公开了一种Spark云服务环境下面向大数据的随机森林并行机器学习方法，通过特征向量重要性分析对高维大数据降维处理，并采用加权投票方式进行预测；利用分布式内存管理机制、云计算平台，对随机森林训练过程模型构建、单棵决策树分裂过程以及预测投票等三层并行化进行改进。本发明通过特征向量重要性分析对高维大数据降维处理和采用加权投票方式进行预测，实现了随机森林的方法优化，提高了随机森林机器学习方法对复杂大数据的挖掘效果；在此基础上进行基于Spark云平台的随机森林并行化方法，提高了随机森林机器学习方法的运行效率。
-
公开(公告)号：CN105681096A
公开(公告)日：2016-06-15
申请号：CN201610067599.X
申请日：2016-01-29
Applicant: 湖南大学
CPC classification number: H04L41/145 , G06F9/5038 , H04L41/50 , H04L67/10
Abstract: 本发明涉及服务器配置领域，提供一种用于云平台利润最大化的服务器配置方法和装置，所述方法包括：步骤1，设置每个任务的最大等待时间；步骤2，根据最大等待时间，利用有限容量的排队模型对多服务器系统进行建模，得到每个服务器对任务的等待时间分布函数；步骤3，获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费，并计算出利润；步骤4，根据获得的利润，获得最佳的多服务器配置方案；步骤5，按照获得最佳的多服务器配置方案，对服务器进行配置。本发明能够合理配置云平台的服务器，使服务提供商的利润最大化并提高服务质量。
-
公开(公告)号：CN113221981A
公开(公告)日：2021-08-06
申请号：CN202110464653.5
申请日：2021-04-28
Abstract: 本发明属于边缘计算的深度学习技术领域，涉及一种面向边缘深度学习的数据协同处理优化方法，具体是：总控制中心发出需求数据，边缘设备接收总控制中心发出的待识别数据并作为基础数据，对捕获的信息采用压缩深度学习模型min_Alexnet进行识别，对识别的有效数据标记，并存储到边缘设备的本地控制中心的数据库中，本地控制中心将所述数据加密推送到消息列队中进行缓存，总控制中心将其转给总控制中心服务器上的深度学习完整模型Fast_AlexNet进行验证和识别的深度处理。本发明可以在很大程度上提高监控设备的利用率并且极大的缩短了依靠监控设备查找有效信息的时间，从长远的效用角度来看是十分有应用和研究价值的。
-
公开(公告)号：CN105740604A
公开(公告)日：2016-07-06
申请号：CN201610044881.6
申请日：2016-01-22
Applicant: 湖南大学
CPC classification number: G06K9/6223 , G16H50/70
Abstract: 本发明公开了一种基于冗余距离消除和极端点优化的并行k?means聚类方法，使用正弦定理和余弦定理，找出每个聚类中的冗余距离并消除每个聚类中的冗余距离；对极端点与其相应的中心点之间距离采用曼哈顿距离进行计算；在迭代过程中，采用平均值的计算方式选取K?means聚类方法中的中心点。本发明找出每个聚类中的冗余距离，然后避免聚类中的点与不相关的中心点做距离计算，让K?means方法在目前的情况下更大程度的消除冗余距离计算；进行优化极端点的处理，对极端点采用曼哈顿距离代替欧氏距离来计算极端点与中心点之间的距离；最后，中心点的选取方式，采用平均值的计算方式代替随机选取的方式，使得聚类中的点分布的更均匀，聚类结果更精确。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
