-
公开(公告)号：CN110413657A
公开(公告)日：2019-11-05
申请号：CN201910624505.8
申请日：2019-07-11
Applicant: 东北大学
IPC: G06F16/2458 , G06F16/215 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种面向季节型非平稳并发量的平均响应时间评估方法，涉及云计算技术领域。该方法首先基于自相关系数法判定云服务系统中的请求并发量中的季节型非平稳并发量；然后建立基于RNN-LSTM神经网络的季节型非平稳并发量预测模型，并进行季节型非平稳并发量预测；建立基于RBF的云服务系统平均响应时间预测模型，将预测的用户季节型非平稳并发量、CPU利用率、内存利用率这些影响云服务平均响应时间的资源状态信息预处理完之后作为输入，输出为云服务系统的平均响应时间大小。本发明方法克服了传统的负载均衡策略的不足，提高了季节型非平稳并发量的预测精度，能及时对服务性能作出评估响应，使云计算系统能更好的为用户提供服务。
-
公开(公告)号：CN110348122A
公开(公告)日：2019-10-18
申请号：CN201910624856.9
申请日：2019-07-11
Applicant: 东北大学
Abstract: 本发明提供一种基于特征选择的季节型非平稳并发量能耗分析方法，涉及云计算技术领域。该方法针对Web应用特性建立能耗模型。首先，基于负载检测工具提取出相关多维特征，并使用工具测出对应能耗数据；然后，对提取的数据进行预处理，提高数据质量与建模效率；然后，采用效率高的过滤型特征选择算法与性能好的装箱式特征选择算法进行相关特征的选择；最后，对筛选完的多维特征以及能耗数据进行回归分析，建立能耗模型。本发明方法同时考虑多种对云服务中心整体能耗有贡献的资源，提取多种数据特征，并对提取的数据进行预处理，提高了数据质量与建模效率，也使能耗模型更加精确。
-
公开(公告)号：CN110362383B
公开(公告)日：2022-06-24
申请号：CN201910627610.7
申请日：2019-07-12
Applicant: 东北大学
Abstract: 本发明提供一种面向季节型非平稳并发量的P‑E权衡的VM迁移方法，涉及云计算技术领域。该方法包括VM静态部署和VM动态迁移两部分；首先，根据物理服务器提供的以及各个VM需要的内存与CPU资源进行VM的静态部署，该过程在满足客户需求的情况下，将VM部署到物理主机上，同时，尽量减少物理主机的数量，达到降低能耗的目的。VM静态部署之后，采用VM动态迁移策略完成VM的迁移。包括两部分，第一部分使用RBF算法对各VM的平均响应时间进行预测，根据设置的阈值选择需要迁移的VM；第二部分是目标服务器的选择，通过更新的资源需求矩阵选择目标服务器，完成一个阶段的VM的迁移；第一部分与第二部分循环进行，完成整个的VM迁移过程。
-
公开(公告)号：CN110362383A
公开(公告)日：2019-10-22
申请号：CN201910627610.7
申请日：2019-07-12
Applicant: 东北大学
Abstract: 本发明提供一种面向季节型非平稳并发量的P-E权衡的VM迁移方法，涉及云计算技术领域。该方法包括VM静态部署和VM动态迁移两部分；首先，根据物理服务器提供的以及各个VM需要的内存与CPU资源进行VM的静态部署，该过程在满足客户需求的情况下，将VM部署到物理主机上，同时，尽量减少物理主机的数量，达到降低能耗的目的。VM静态部署之后，采用VM动态迁移策略完成VM的迁移。包括两部分，第一部分使用RBF算法对各VM的平均响应时间进行预测，根据设置的阈值选择需要迁移的VM；第二部分是目标服务器的选择，通过更新的资源需求矩阵选择目标服务器，完成一个阶段的VM的迁移；第一部分与第二部分循环进行，完成整个的VM迁移过程。
-
公开(公告)号：CN110215656A
公开(公告)日：2019-09-10
申请号：CN201910504150.9
申请日：2019-06-12
Applicant: 东北大学
Abstract: 本发明提供一种基于云边融合的上肢智能康复装置及方法，涉及人工智能技术领域。该装置包括复健器、基板、安装在基板上的多个智能传感节点、供电模块、通信模块、控制模块以及云端服务器和手机客户端；供电模块为整套智能康复装置进行供电，控制模块通过通信模块与云端服务器相连，根据云端服务器传来的指令控制智能传感节点，定制复健线路；复健器通过复健者根据复健线路压到智能传感节点；云端服务器用于向控制模块发送训练方案，并接收控制模块传送的康复者实际的运动轨迹；手机客户端内置程序，并从云端服务器读取复健者的训练得分进行显示。本发明装置及方法将计算机前沿技术与传统机械式康复医疗进行融合，为复健者提供简单便捷的复健工具。
-
Patent Agency Ranking
公开(公告)号：CN110097755A
公开(公告)日：2019-08-06
申请号：CN201910353551.9
申请日：2019-04-29
Applicant: 东北大学
Abstract: 本发明提供一种基于深度神经网络的高速公路交通流量状态识别方法，涉及智能交通技术领域。该方法对交通流量状态进行分类并定义，对音频信号进行降噪处理和特征提取，使用DNN进行建模，得到对高速公路交通流量状态进行识别的DNN模型，并对DNN模型进行预训练；然后对DNN模型的参数进行调优；利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码；最后用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计，根据计算出的概率给出高速公路交通流量状态的识别结果。本发明方法可以有效解决目前图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大等问题。
-
公开(公告)号：CN110348122B
公开(公告)日：2023-01-17
申请号：CN201910624856.9
申请日：2019-07-11
Applicant: 东北大学
Abstract: 本发明提供一种基于特征选择的季节型非平稳并发量能耗分析方法，涉及云计算技术领域。该方法针对Web应用特性建立能耗模型。首先，基于负载检测工具提取出相关多维特征，并使用工具测出对应能耗数据；然后，对提取的数据进行预处理，提高数据质量与建模效率；然后，采用效率高的过滤型特征选择算法与性能好的装箱式特征选择算法进行相关特征的选择；最后，对筛选完的多维特征以及能耗数据进行回归分析，建立能耗模型。本发明方法同时考虑多种对云服务中心整体能耗有贡献的资源，提取多种数据特征，并对提取的数据进行预处理，提高了数据质量与建模效率，也使能耗模型更加精确。
-
公开(公告)号：CN110413657B
公开(公告)日：2021-08-17
申请号：CN201910624505.8
申请日：2019-07-11
Applicant: 东北大学
IPC: G06F16/2458 , G06F16/215 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种面向季节型非平稳并发量的平均响应时间评估方法，涉及云计算技术领域。该方法首先基于自相关系数法判定云服务系统中的请求并发量中的季节型非平稳并发量；然后建立基于RNN‑LSTM神经网络的季节型非平稳并发量预测模型，并进行季节型非平稳并发量预测；建立基于RBF的云服务系统平均响应时间预测模型，将预测的用户季节型非平稳并发量、CPU利用率、内存利用率这些影响云服务平均响应时间的资源状态信息预处理完之后作为输入，输出为云服务系统的平均响应时间大小。本发明方法克服了传统的负载均衡策略的不足，提高了季节型非平稳并发量的预测精度，能及时对服务性能作出评估响应，使云计算系统能更好的为用户提供服务。
-
公开(公告)号：CN110097755B
公开(公告)日：2021-08-17
申请号：CN201910353551.9
申请日：2019-04-29
Applicant: 东北大学
Abstract: 本发明提供一种基于深度神经网络的高速公路交通流量状态识别方法，涉及智能交通技术领域。该方法对交通流量状态进行分类并定义，对音频信号进行降噪处理和特征提取，使用DNN进行建模，得到对高速公路交通流量状态进行识别的DNN模型，并对DNN模型进行预训练；然后对DNN模型的参数进行调优；利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码；最后用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计，根据计算出的概率给出高速公路交通流量状态的识别结果。本发明方法可以有效解决目前图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大等问题。
-
公开(公告)号：CN110120218B
公开(公告)日：2021-06-22
申请号：CN201910353445.0
申请日：2019-04-29
Applicant: 东北大学
IPC: G10L15/14 , G10L15/02 , G10L21/0208
Abstract: 本发明提供一种基于GMM‑HMM的高速公路大型车辆识别方法，涉及智能交通技术领域。该方法提取音频信号的MFCC特征，对此音频信号特征分析其在特征空间中的特定分布，采用高斯概率密度函数拟合特征向量，得到GMM‑HMM模型；在训练阶段，采用EM算法训练GMM，进而估计出模型参数；采用K‑means算法选择训练样本；采用Baum‑Welch算法，结合高斯概率密度函数拟合的观测序列概率分布，对GMM‑HMM模型参数进行训练，生成训练模型。在识别阶段，待识别的音频数据提取出MFCC特征参数，采用Viterbi算法将其与模型库中的各个模型进行特征概率匹配，匹配概率最大的模型即为识别结果。本发明的高速公路大型车辆识别方法，能够准确的识别出高速公路上各大型车辆。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
