基于FPGA的卷积神经网络优化压缩技术研究

针对现有卷积神经网络(CNN)模型计算效率低、内存带宽浪费大等问题，提出了一种基于现场可编程门阵列(FPGA)优化压缩策略。对预先训练好的CNN模型进行分层剪枝，采用基于新型的遗传算法进行信道剪枝，同时设计了两步逼近适应度函数，进一步提高了遗传过程的效率。此外，通过对剪枝CNN模型进行数据量化，使得卷积层和全连接层的权值根据各自的数据结构以完全不同的方式存储，从而减少了存储开销。实验结果表明，在输入4 000个训练图像进行压缩过程中，该方法所耗压缩时间仅为15.9 s。     

基于负载均衡的Kubernetes改进优化算法研究

为了改善Kubernetes资源调度算法的负载均衡性，针对传统的Kubernetes默认调度算法只考虑了节点的CPU利用率和内存利用率，未考虑磁盘IO利用率和网络带宽利用率的问题，提出一种基于鸽群算法的Kubernetes资源调度算法。选择CPU、内存、磁盘IO和网络带宽平均资源利用率标准差作为适应度函数，通过鸽群算法的调度分配实现资源的最佳分配。研究结果表明，PIO-Kubernetes算法提高了集群负载能力，并且具有更强的并行处理能力。     

高校建筑物能耗评测与节能管控

采用实地调研、文献查阅、软件仿真、对照实验等方法，以华北电力大学建筑物为研究对象，从房屋设计、用能设备、管理举措等方面对高校建筑物的能耗现状进行调研、评测与分析，考察室内照明、空调制冷、房间采暖等方面的耗能情况。为高校建筑物节能方案提出建议，构建校园节能评测与管控平台，推算精细化控制方式下能源和经费节约情况。