排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
为了提升标准量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)的收敛精度,提出了基于粒子势阱长度变化率的粒子平均最优位置权重计算方法,通过平均最优位置的调节,来提升粒子的寻优能力,并将改进后的QPSO算法应用于深度置信网络(Depth Belief Network,DBN)模型的学习率参数寻优中,以便找到最优的DBN模型参数,来提升DBN模型的识别准确率。将通过改进后QPSO算法进行参数寻优的DBN网络(LQ_DBN)应用于蛋黄形状检测中,与现有典型的DBN网络模型对比表明,LQ_DBN模型在蛋黄形状检测实验中的识别准确率比CC-PSO-DBN、PSO_MDBN和标准DBN模型都要高,且检测识别准确率的稳定性也是四种对比模型中最高的,表明基于改进的QPSO算法的DBN网络模型取得了较好的优化效果。 相似文献
2.
3.
为解决已有病毒检测机制无法很好地处理大量未知病毒及深度网络模型难以部署在嵌入式设备上应用的问题,提出一种基于轻量级深度网络的计算机病毒检测方法.采用B2M算法将病毒映射为灰度图像,提取灰度共生矩阵GLCM作为轻量级深度网络SqueezeNet的输入,将传统视觉特征与深度神经网络进行整合,实现病毒的高准确率判别.对Squ... 相似文献
4.
为了提升量子粒子群算法(QPSO)的全局收敛性及收敛效率,优化QPSO的全局最优位置计算方法.通过计算粒子当前适应度值与历史最高适应度值的差值占所有粒子适应度差值和的比重,来作为全局最优位置计算中各粒子局部最优位置的权重.粒子的寻优能力越强,其局部最优位置在全局最优位置计算中所占的权重就越高,使得粒子迅速向优秀粒子靠拢.将优化后的QPSO应用于大数据云存储平台的任务调度中.仿真实验表明,优化后的QPSO具有高效的全局搜索性能,能快速地为大数据云存储平台提供最佳任务调度策略. 相似文献
5.
6.
7.
8.
为了解决LSF调度算法在实时调度中由颠簸现象引起的调度实时性差、浪费系统资源的问题,在LSF算法中引入一个任务重要度系数,采用云模型对任务重要度系数和裕度进行定量表示,并通过由重要度系数云和裕度云两个任务特征参数云模型共同确定的二维云模型,为每个任务设定一个抢占阈值,当某一就绪任务要抢占当前任务时,必须要满足它的优先级高于当前任务的抢占阈值.仿真结果表明,采用云模型优化后的LSF算法不仅有效解决了颠簸现象,而且能使紧急且重要的任务优先运行. 相似文献
1