多核环境下一种支持动态预测性能损失的方法

在多核处理器环境中,并行程序对处理器共享资源,如最后一级缓存、内存控制器等的争用会造成其性能下降。对程序性能进行准确地预测能够为协同调度提供决策依据,从而减少争用导致的性能损失。传统的基于重用距离的性能建模方法的预测效果好,但由于开销较大而无法动态实施。针对此不足,基于机器学习提出一种支持动态预测程序性能损失的方法。选取硬件性能指标用于度量程序对共享资源的使用强度,建立双层预测模型:以协同运行时的性能指标作为输入,估计程序的竞争度和敏感度或其独立运行时的性能指标,预测出任意两个程序间的性能损失。仿真实验结果表明,相比启发式调度算法,基于该预测方法的调度结果对不同数据集有更小的整体性能损失。     

一种飞行数据预测方法

为了解决实际飞行试验中机载系统与GPS采样率频率相异,难以对飞行状态实时估计和性能导航进行计算等问题,通过对GPS进行预测来对数据统一化处理.如果机载系统采样频率是GPS的整数倍且GPS输出时间对应于机裁系统采样时刻,给出了一种基于模型的预测方法.对于一般情况,采用了时间序列的混沌多项式预测模型,对实测数据进行相空间重构的基础上,选取最优邻近点进行预测.实际飞行试验数据分析结果表明,给出的预测方法是有效的.     

一种新的集成预测方法——GPVECM

采用基于遗传规划的因子提取方法来解决从大量非平稳数据中提取非平稳因子的问题,并提出一个基于遗传规划与向量误差修正模型相结合的集成预测方法(GPVECM).此方法以预测误差最小化为目标优化了因子提取过程,将因子提取与预测模型有机地集成在一起.本文应用GPVECM方法对中国进出口贸易预测进行了实证检验,取得了良好的预测结果,表明此方法能够有效地提炼数据中的信息,从而提高预测精度,进行有效预测.     

一种新的基于神经网络的非线性组合预测方法

一种新的基于神经网络的非线性组合预测方法文新辉牛明洁（西安电子科技大学，７１００７１）（新疆石油学院，乌鲁木齐８３００００）ＡＮｅｗＮｏｎｌｉｎｅａｒＣｏｍｂｉｎｅｄＦｏｒｅｃａｓｔｉｎｇＭｅｔｈｏｄｏｎｔｈｅＢａｓｉｓｏｆＮｅｕｒａｌＮｅｔｗｏｒｋ...     

一种新的基于模糊模型的非线性组合预测方法及其应用

针对线性组合预测方法的局限性,提出了一种基于T－S模糊模型的非线性组合预测新方法,并给出了相应的反向传播学习算法．理论分析和应用实例表明：该方法具有很强的学习与泛化能力,在处理诸如非线性系统中时间序列的组合建模与预测方面有很好的应用价值．     

基于MPC方法的供热系统一次侧流量实时预测

基于模型预测控制方法,使用离散的受控自回归模型建立二级网动态热传输滞后模型与热力站模型,结合机器学习算法中的多项式拟合方法对二级网模型和热力站模型中的参数进行辨识校准,并基于模型结果对未来工况条件下的热力站一次侧流量进行预测,为供热系统质量调节提供依据.使用实测数据对模型进行了验证,实际偏差在5％以下,为供热系统流量调...     

基于模型的构件系统性能预测综述

在软件开发过程的早期引入性能需求，并通过建立性能模型对待实现系统的性能进行预测可以极大减小项目风险。给出了构件系统性能预测的一系列相关定义，总结并比较了各种性能模型在描述能力和解析难度上的优缺点。在总结通用的性能预测方法基础上，提出了基于模型的性能预测方法的一般思路。详细介绍了基于模型的构件系统性能预测3类方法，从多个方面对各种方法进行了比较和分析。探讨了当前研究中的不足之处，给出了本领域有前途的研究方向。     

一种基于相对模型的分布式预测控制算法研究

针对分布式系统中高精度的相对状态比绝对状态更易获取的特点,提出了一种基于相对状态模型的分布式预测控制方法.该方法的本质是各子系统通过预测其与相邻子系统的相对状态轨迹来求解分布式最优控制问题.与常规基于绝对状态的分布式预测控制方法相比,该方法的特点在于通过相对状态模型的引进改进算法的实时性,并通过减少测量噪声源提高控制精度.该方法适用于一般非线性分布系统,且在满足一定条件下能够保证整个系统的渐近收敛性.最后,在Matlab仿真环境中将该方法应用于多机器人编队控制中,并验证的该方法的可行性.     

一种网络拥塞预测新方法

提出基于粗糙集的模糊神经网络流量预测算法。传统的流量控制技术,总是以网络资源当前使用情况对包进行处理,没有考虑流量预测问题,易造成流量控制滞后的情况。将基于粗糙集的模糊神经网络引入流量控制,利用其处理不确定性问题和自学习能力,进行流量预测,较好地解决这一问题。最后仿真分析了本方法的性能,证明方法的有效性。     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

基于随机Petri网的机载软件更新系统性能评价

近年来,航电系统发展的趋势由联合式航电系统向综合化航电系统逐步演进,许多应用将原来专用集成电路实现的功能采用软件实现。软件更新系统在机载航电系统中的地位日益重要。提出了一种高效机载软件更新系统OBSUS,并运用随机Petri网理论对其性能评价。首先,提出了OBSUS的系统结构与组件间的通信协议。其次,根据OBSUS的系统结构与通信协议,建立了系统的随机Petri网模型。最后,对随机Petri网模型进行了瞬态概率分析,针对影响系统的诸多因素,如flash芯片烧写时间、数据传输丢包率和数据传输速率等,对系统的综合性能的影响进行了量化分析。仿真研究结果对于机载软件更新系统的结构与数据传输协议设计,以及如何提高系统性能,具有较强的指导意义。     

基于小波分析和神经网络的软件衰退预测

许多研究人员指出软件性能衰退的主要原因之一是系统资源的耗尽,为了避免软件衰退导致的高成本,应用了基于小波分析和神经网络的四阶段混合模型来实现软件性能衰退的预测。首先应用小波过滤器去除噪声数据;然后使用冗余的Haar小波变换把监控系统采集到的系统资源使用数据分解到不同的分辨层上;再在每一层使用神经网络进行预测,神经网络的权重采用基于免疫机理和模拟退火算法来初始化;最后使用神经网络组合各个分辨层上的预测值。为了验证算法的预测精度,使用软件运行中采集到的系统资源耗费数据进行了仿真实验和比较,实验结果显示该算法具有较好的预测精度。     

基于性能预测的遗传强化学习动态调度方法

针对作业车间动态调度问题,在模式驱动调度的框架下,提出遗传强化学习动态调度方法。首先,采用优先规则编码的染色体表达问题的解,将染色体分割成基因模式作为分阶段调度算法的状态模式;其次,设计性能预测变量,构建启发式立即回报函数,引导和加快遗传强化学习算法的搜索进程;再次,设置遗传算子、强化学习及其相关参数以实现搜索过程＂开采＂与＂探索＂之间的平衡;最后,仿真实验结果验证了遗传强化学习调度方法的有效性。

Abstract：

In the framework of pattern driven scheduling,a genetic reinforcement learning （GRL） approach to schedule the job in the dynamical job-shop was proposed.First,the chromosome was coded by preference rules-based representation for the problem.The chromosome was divided into gene schema as state patterns for the multi-phase scheduling system.Secondly,a performance predictive variable to construct instant reward function was designed which was used to guide the learning system to progress rapidly.Thirdly,genetic operators,RL and controlling parameters carried out the search strategy for the balance of ＂exploration＂ and ＂exploitation＂.Finally,the simulation results verify the efficiency of GRL scheduling approach.     

基于分形的软件衰退预测

许多研究人员指出导致软件性能衰退的主要原因之一是系统资源的耗尽,而软件系统实时运行时采集到的系统资源耗费数据展示出了分形这一几何特征,因此应用了基于分形分析的方法,计算反映软件衰退状态的霍尔德指数,实现软件性能衰退的预测。首先改进和扩展了霍尔德指数计算算法,使得能够计算多维霍尔德指数;然后使用经典的统计方法预测软件衰退导致宕机的时间,接着用实验验证了改进的多维霍尔德指数计算算法的精度,最后使用软件运行中采集到的系统资源耗费数据进行了仿真实验,实验结果显示该算法有效的预测宕机时间,从而为执行软件自愈策略提供依据。     

新股价值低估的随机前沿分析

把新股价值低估作为新股发行的间接成本，综合考虑1999至2001年在沪深两市首次公开发行、外资股增发和A股增发共341只新股．应用随机前沿成本函数，从整体上测度新股间接发行成本的合理性。研究发现，新股价值低估程度远高于随机前沿成本函数决定的成本前沿，说明新股发行过程中有较多的不合理间接发行成本，效率损失比较严重。     

岩性Markov预测下的长隧洞TBM施工进度随机仿真分析

长距离输水隧洞的TBM施工技术复杂,工序繁多,且受到众多不确定性因素(尤其是地质条件)的影响,给工程施工进度的安排及计划带来了相当的风险.在分析围岩岩性分布随机特性的基础上,提出了基于Markov过程的地质岩性风险预测方法,确定了沿隧洞轴线上岩性的分布概率,克服了以往方法难以量化地质风险的弊端,为定量分析地质风险提供了新的途径.在顾及岩性不确定性和工作活动时间随机性条件下,建立了针对不同岩性的TBM施工随机循环网络仿真模型,采用Monte-Carlo方法,对工程工期、完工概率以及资源利用情况进行了风险分析.工程实例应用表明本方法的可行性及有效性.     

基于UML语言的航空电子系统快速原型设计

航空电子系统中的快速原型设计主要涉及航空电子系统的快速原型设计,作战飞行软件的快速原型设计和座舱显示系统的快速原型设计等,主要提出用UML语言描述航空电子系统设计的方法以及航空电子系统、作战飞行软件和座舱显示系统一体化设计开发过程,并以一个典型的综合航空电子系统为例进行了分析、设计、建模、仿真和演示验证。     

基于MCMC方法的虚拟试验贝叶斯校准研究

虚拟试验利用计算模型研究复杂物理过程,并预测其性能.计算模型输入参数中通常包含部分固定但未知参数,可利用计算模型结果和少量有限的试验数据校准未知参数,并研究存在建模不确定性时虚拟试验的预测问题.提出了一种贝叶斯统计方法,采用高斯过程为仿真计算模型以及模型不确定性建模,利用Markov chain蒙特卡罗抽样方法计算校准参数和仿真模型预测后验分布.设计测试算例演示所提出方法的高效性.     

基于支持向量机的故障过程趋势预测研究

提出了运用SVM机器学习方法进行故障过程趋势预测的方法，并设计了一个实用的SVM回归算法对“Tennessee Eastman”工厂的实际数据进行仿真研究，结果表明，用SVM方法进行故障过程趋势预测，具有较强的抗噪能力，在样本量有限情况下，采用ε－不敏感损失函数得到的回归结果具有较高的实用价值，通过大量实验，给出了ε取值不同对估计结果的影响的一个具体实验结果，分析了ε取值对支持向量数目的控制作用。