基于集成深度学习的玻璃缺陷识别方法

针对玻璃缺陷形态复杂多变,难以准确识别其所属类型的特点,文章提出了一种集成深度学习模型对玻璃缺陷进行识别,该模型本质上是一种稀疏编码分类器与深度卷积神经网络的结合。该模型在自编码器的基础上引进了KL距离和L1范数作为稀疏项,构成新的稀疏自编码器。并在次通过稀疏自编码器学习输入样本特征,将训练好的权值作为卷积神经网络的卷积核从而提高了识别速度。在稀疏编码阶段用L<sub>1</sub>-L<sub>2</sub>范数代替L<sub>0</sub>范数,并在KSVD上添加了判别分类能力使其更好的进行分类运算,以此提高识别准确率。实验结果表明,该方法识别准确率达到了95%,满足了工程上的应用,并有很好的鲁棒性。     

国产化混合云平台建设与性能优化的研究

为了验证实时性业务迁移至国产化混合云平台的可行性,采用国产化主机、虚拟化云平台软件、容器化云平台软件搭建混合云平台,对时统和组播两个具有代表性的实时业务模型迁移进行了研究;为了保证混合云平台测试范畴的完整性,硬件普适性,实验设计了四种混合云模式,并适配两个品牌主机,对时统和组播两个业务模型按照组合方式进行了八个云模型的迁移实践;实验针对不同混合云模式综合采用了软件和硬件调优技术,达到了同时满足时统业务模型满足时延不大于8ms和组播业务模型满足数据包丢包率不大于10-6 个/s两个性能指标;得出时敏性业务可以迁移到国产化混合云平台的结论,并通过分析混合云四种模式优劣势,对时敏性业务和通用业务的云平台部署模式提供了决策支持。     

基于时空融合图的共享单车需求预测系统

作为一种新的城市公共交通方式,共享单车的出现给人们的日常出行带来了极大的便利性;但由于其使用的过程中存在动态不均衡的性质,用户常会面临无车可借和无桩可还的现象,因此需要一个精确的需求预测模型,来解决共享单车的调度问题;为此提出一种新的基于时空融合图的注意力网络模型,该模型将不同时间片的相同车站节点进行连接,从而形成一张大的时空融合图;得益于时空融合图下的自注意力机制,模型在时间相关性和空间相关性之外,还可以捕获局部时空相关性和全局时空相关性;在Divvy数据集上的实验表明,该模型的预测精度优于以往的时空数据预测模型,预测结果与真实结果曲线相吻合,可为实际中共享单车需求预测系统提供有效参考。