【摘 要】
：
本文为解决IT系统结构可视化中IT架构不透明,结构关系复杂,IT系统结构实时渲染帧率低等问题,提出了一种面向IT系统结构可视化的实时渲染方法.通过建立IT结构可视化模型,采用端到端的设计理念,从底层IT基础设施至上层系统、业务、应用等逻辑层次的对象、元素、规则和关系以三维可视化形式呈现,使IT内部结构关系清晰可见.采用混合型布局算法,针对IT结构关系的不同特点,适配相应布局算法,从而适应复杂多变的
【机 构】
：
中国科学院 沈阳计算技术研究所有限公司,沈阳,110168;中国科学院大学,北京,100049;广东科学技术职业学院,珠海,519090;辽宁省医疗器械检验检测院,沈阳,110000;中国医科大学附属
论文部分内容阅读
本文为解决IT系统结构可视化中IT架构不透明,结构关系复杂,IT系统结构实时渲染帧率低等问题,提出了一种面向IT系统结构可视化的实时渲染方法.通过建立IT结构可视化模型,采用端到端的设计理念,从底层IT基础设施至上层系统、业务、应用等逻辑层次的对象、元素、规则和关系以三维可视化形式呈现,使IT内部结构关系清晰可见.采用混合型布局算法,针对IT结构关系的不同特点,适配相应布局算法,从而适应复杂多变的IT系统结构关系.同时,通过CPU和GPU协同的方式实现布局算法,提高IT系统结构的实时渲染效率.实验结
其他文献
针对SRGAN红外图像超分辨重建时,存在图像高频特征丢失及细节伪影问题,本文提出双判别生成对抗网络DDSRGAN(Double Discrimination-SRGAN)重建算法,并改进网络结构.在图像判别器的基础上增设特征判别器,在生成网络中引入无BN(Batch Normalization)层的残差中的残差块RIRB(Residual in Residual Block),内部残差块密集连接,
为了解决K-means算法对初始聚类数k和初始聚类中心经验参数的依赖问题,提出了一种基于最小生成树的无参数化聚类MNC算法(MST based Non-parameterized Clustering).首先将待
有容量集合覆盖选址问题是组合优化中的一个经典的NP-Hard问题,在许多工程领域和科学领域中的应用十分广泛.本文将集合覆盖问题的模型应用到有容量设施选址问题中,首先研究了
为了缩小可见光视频和红外视频之间的模态差异而提高红外行为识别率,以及简化深度学习用于红外行为识别需人工标注数据集繁琐的问题.基于迁移学习的思想,本文提出一种用可见光动作(源域)来识别红外动作(目标域)的无监督异构红外行为识别算法(UHDIAR). UHDIAR算法将可见光数据和红外数据映射到同一个对齐的特征空间中,采取余弦相似度调整源域样本的权重,利用对齐后的可见光数据训练权重支持向量机(W-SV
传统的K-means算法及其改进算法在对数据集进行聚类划分时通常精确地确定样本点与聚簇的隶属关系,没有充分考虑隶属关系模糊的边界点.本文提出一种结合三支决策理论的改进算
不断增长的互联网网页信息和成千上万的用户查询请求给搜索引擎的索引更新和查询访问带来了前所未有的实时性挑战.高效的索引压缩算法能够降低索引数据的存储和传输开销,加快
本文针对实际生产中需要对工件进行自动检测,获取工件质心的问题,采用了边缘检测技术以及最小外接矩形算法对工件定位的方式,采用了BP神经网络完成相机标定.针对基于RCF的边缘检测技术生成边缘粗糙的问题,提出了一种RCF(Richer Convolutional Features for Edge Detection)模型的优化方法,将每个阶段用于提升特征图分辨率的反卷积操作替换成可以生成更精细边缘、时
传统的图像分类问题多使用人工设计的图像特征进行分类,然而部分果蔬图像存在颜色、纹理和形状差异较小的现象,导致传统特征分类效果不够理想.针对这一问题,本文提出一种融合人工特征和深度学习特征的果蔬分类算法.首先使用Inception V3预训练模型提取果蔬图像的卷积神经网络特征;其次提取图像的颜色直方图和SIFT特征,并对SIFT特征进行局部线性编码;接着使用判别相关分析对特征进行降维融合;最后使用S
基于相关滤波的目标跟踪算法已经取得了较好的性能并引起关注.在RGB图像序列的跟踪中,遮挡、背景与前景相似纹理的情况下会出现跟踪失败.本文提出了一种在判别相关滤波框架中融合深度信息的跟踪算法.由深度图分割获得空间可靠性图,根据可靠性图计算约束滤波器,避免传统判别相关滤波的边界效应.在跟踪阶段,通过对通道响应进行可靠性加权求和获得目标位置.通过目标的深度信息估计尺度,根据目标区域的深度分布和相关滤波器
医疗图像辅助诊断是深度学习在智慧医疗领域中的一个重要应用.针对传统图像处理方法中人工提取特征过程复杂度高、测试识别准确度低和泛化能力差等问题,本文利用深度学习方法对乳腺癌病理学图像进行计算机辅助诊断.先对VGG16浅层卷积网络引入冻结层,并训练微调其余部分参数,再对结合迁移学习的Inception-V3和Res Net-V2-152进行整体参数微调,最后将训练好的的三个模型进行融合,以增强最终识别