机器学习中集成模型的应用问题研究

文章综合运用了机器学习的各种理论对糖尿病的风险预测等问题进行了深度研究与分析,主要包括:(1)采用Logistic回归算法和决策树算法构建集成模型,最终发现集成模型能够在一定程度上解决单分类模型预测结果不稳定的问题,同时也能提升预测准确率。(2)风险预测模型由集成模型构建而来,综合比较预测准确率、精确度、召回率,发现集成模型的综合效果最好。     

云计算环境下面向能耗降低的虚拟机选择策略

云计算通过网络按需提供可动态伸缩的廉价计算服务,核心概念是资源池.在实际生活中,体现为由数百万台的各种物理设备组成的数据中心.随着现阶段云计算数据中心规模的日益增长,其对应消耗的能源也在倍速提高,如何有效降低整个数据中心能耗,成为云计算重点研究内容之一.本文针对何时触发迁移以及选择哪部分虚拟机进行迁移,提出了考虑CPU...     

基于排序学习的PRLMDF推荐算法

针对数据集在排序学习中可解释特征的样本覆盖太少,容易产生过拟合现象,提出了基于排序学习的PRLMDF推荐算法。在类别推荐的基础上进行兴趣点推荐,将类别推荐结果经过预处理和使用多粒度级联森林来构建推荐模型,将每个森林分为许多子森林,在执行过程中使用分布式技术,在保持准确率的基础上提升执行效率。     

云计算中基于三阈值的虚拟机迁移策略研究

云计算通过网络按需提供可动态伸缩的廉价计算服务,核心概念是资源池。随着现阶段日益增长的云计算数据中心规模,其对应消耗的能源也在倍速提高,如何有效降低整个数据中心能耗,成为云计算重点研究内容之一。文章针对虚拟化技术重点研究了虚拟机迁移技术,提出了自适应三阈值迁移算法改良策略ATEAI,通过仿真实验结果表明,上述虚拟机迁移算法在降低能耗方面有一定的成效。     

移动边缘计算在车联网中的应用

随着物联网的快速发展,出现了很多新兴的技术和应用,一方面这些数据处理需要大量存储和计算资源,对通信网络的服务质量提出了更高的要求;另一方面,移动中的设备很大程度影响任务的数据卸载服务,可能会导致计算任务卸载出现中断,现有的车联网无法满足这些新兴车载应用对于时延和计算的要求,而移动边缘计算（MEC）技术的实现使设备能够将计算密集型任务卸载到移动资源丰富的边缘云端（即支持移动边缘计算的基站）,以提高性能。提出了一种基于移动预测技术的计算卸载优化方法：基于MEC-BS的移动性预测,充分利用移动性问题和MECBS的接收控制决策;随后基于收集的数据集,利用ARIMA的算法和LSTM的算法进行预测,最后使用预测子数据结果的总和作为整个模型输出。     

移动群智感知中基于空间时间序列的真值发现算法研究

随着智能移动设备的日益增多,移动群智感知(MCS)在现实生活中被广泛普及.人们使用自己的移动设备作为传感器来报告关于实体的真实信息.因此,如何从人们上传的海量数据中找到真实的信息是一个关键问题.文章提出了一种新的基于关联实体的实值感测数据的概率模型.该模型利用了时间序列分析来预测实体在一段时间内的概率时间分布,这样可以...