【摘 要】
：
针对移动云主机负载变化大、难以精准预测的问题,提出一种联合特征选择下基于长短期记忆网络的AR-LSTM-ED负载预测模型,能够对云主机负载进行单步和长时间多步预测。首先采用联合特征选择的方法得到与目标预测负载序列相关的其他负载序列,并且利用适用于在线预测的无抽取的小波变换方法将目标预测特征分解成更加易于预测的子序列。最后将这些序列和目标预测序列一起输入AR-LSTM-ED模型中,AR-LSTM-ED模型利用长短期记忆编-解码网络对目标负载进行预测,具有能够捕捉负载中的长期依赖关系的优点,且进一步结合了自回
【机 构】
：
南京航空航天大学计算机科学与技术学院
【基金项目】
：
国家自然科学基金资助项目(61572253)。
论文部分内容阅读
针对移动云主机负载变化大、难以精准预测的问题,提出一种联合特征选择下基于长短期记忆网络的AR-LSTM-ED负载预测模型,能够对云主机负载进行单步和长时间多步预测。首先采用联合特征选择的方法得到与目标预测负载序列相关的其他负载序列,并且利用适用于在线预测的无抽取的小波变换方法将目标预测特征分解成更加易于预测的子序列。最后将这些序列和目标预测序列一起输入AR-LSTM-ED模型中,AR-LSTM-ED模型利用长短期记忆编-解码网络对目标负载进行预测,具有能够捕捉负载中的长期依赖关系的优点,且进一步结合了自回
其他文献
密文搜索可以用于保护用户存储在云端的文件,防止隐私的泄露,允许用户在不泄露明文信息的情况下进行搜索,根据使用密钥体制的不同,可分为对称可搜索加密和非对称可搜索加密。但是现有大多数的PEKS方案的索引构造都是基于文件-关键词对,每次搜索都需要遍历所有文件,这会使方案的搜索效率较为低下,并且现有的PEKS方案大都只支持静态的搜索操作,云端的文件不能进行动态更新必然带来资源上的浪费和使用上的不便。针对存在的问题,提出一种较为高效的动态公钥可搜索加密方案,与其他同类方案相比具有一定的优势,并在随机预言模型下证明该
现有的基于图卷积的实体对齐算法大多基于实体之间的关系结构构建,没有有效利用实体的属性结构信息,为此提出一种结合实体属性结构信息的图卷积实体对齐方法。该方法在实体以属性连接起来的知识图上进行卷积,学习实体基于属性结构的嵌入,再结合实体基于关系结构的嵌入来比较实体的相似性。在真实数据集上的实验结果表明提出的方法优于基准方法,从而为实体对齐提供了一种新的可能。
当前单一混沌图像加密算法的图像置乱程度低,导致加密结果易受到已知明文攻击,存在安全性低的问题。本文提出基于复合混沌的鲁棒型医学图像加密算法。设置图像密文反馈机制作为算法实现的理论支持,并读取鲁棒型医学原始图像。根据混沌模型的建立条件,构建复合混沌模型。选择Logistics混沌映射,生成复合混沌序列并进行多次迭代后,置乱加密鲁棒型医学初始图像像素值并进行替换与扩散,生成对应的密钥,从而实现鲁棒型医学图像的加密。通过与传统加密算法的对比,本文方法的置乱位数增加了886位,即置乱程度提升了8.7%,且明密文序
目前高强度的超混沌图像加密方法普遍在一维序列上实现扩散过程,但较慢的加密速度导致其实用价值不高。基于此,本文提出一种基于矩阵四向扩散的超混沌图像加密算法。首先,量化重构超混沌系统迭代产生的原始序列,生成与明文图像尺寸相同的密钥矩阵;然后,由低维混沌系统生成扩散过程所需的初始向量;最后,在图像矩阵上以行向量、列向量为计算单元,依次从上下左右4个方向完成像素信息的全局扩散。仿真实验结果表明,本文算法能够抵御选择明文、差分分析等攻击手段,同时算法时间复杂度仅为线性阶,兼具安全性能和运行效率,在图像实时保密通信领
利用区块链钱包保存的私钥对交易进行签名是区块链上交易的唯一途径,钱包中存储的私钥一旦丢失或泄露将造成无法挽回的损失。目前主流的钱包管理方案都将钱包集中存储在单个位置或者依赖可信第三方的参与,无法抵抗单点失效。针对区块链的钱包安全问题,提出一个基于无可信中心门限椭圆曲线数字签名的区块链钱包保护方案。该方案在无可信中心参与的情况下由参与者合作生成公私钥和各自的私钥碎片,超过门限阈值的参与者合作才能对交
为了及时掌握医学文本表示学习的研究现状,对其现有研究进行系统全面综述。首先,基于技术范式对现有技术进行分类,分别从基于统计学习的方法、基于知识图谱表示的方法和基于图表示的方法,对医学文本表示学习主流方法和相应的代表性成果进行总结。然后,提出了运用定量和定性的质量评测体系,系统地梳理和总结了医学文本表示学习的质量评测方法。最后,对医学文本表示学习的研究趋势进行了展望。
为了解决小批量、多品种工业产品的表面质量检测问题,提出一种基于改进深度度量学习的缺陷检测算法。该算法对VGG16网络模型做改进,更有利于原始图像的隐空间映射。针对产品表面缺陷检测的任务,提出条件三元组损失函数以加强神经网络的拟合能力。同时,在隐空间中进行缺陷判定时,抛弃原始度量学习中基于KNN算法的归类方法,提出基于高斯分布概率的归类模型。在检测新类型产品时,在已训练好的网络模型的基础上,使用新产
配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆(LSTM),构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持
许多的生物医学命名实体识别(Bio-NER)工作都集中于提取扁平化的实体,而忽略了嵌套实体和不连续实体。此外,大多数生物医学命名实体都未遵循统一的命名法,具有许多典型的领域特征,但其使用效率较低。为此提出一种结合CRF的边界组合命名实体识别方法,有效地利用了生物医学实体特征。该方法包括边界检测、边界组合和实体筛选三个步骤。首先使用神经网络模型和基于特征的CRF模型识别实体开始和结束边界,然后经过边
针对地下车库内定位信号差,无人驾驶车辆不能获得自身位置信息来完成在全局参考系中路径规划的问题,提出利用道路边沿的几何结构,从理论上推导转向控制的方法以完成车辆的出库。首先,给出车辆的驾驶场景和用于仿真的低速车辆模型;然后根据道路边沿数据,从理论上推导车辆相对于道路的位姿以及转弯处的转向曲率,并给出车辆在各路段的转向角控制方法;最后,在获取理想与非理想的道路边沿数据情况下,分别仿真采用该方法的车辆行驶状况。仿真结果表明,在道路边沿测量误差小于±20 cm的情况下,方法可以实现无定位的自主驾驶。