基于HHO-CNN的轴承故障诊断方法研究

轴承是传动系统重要的支撑部件，也是整个系统的薄弱环节，卷积神经网络(convolutional neural network, CNN)强大的特征提取和学习能力为轴承运行状态模式识别提供了可能性.针对CNN处理多分类模式识别过程中，由超参数问题引起的准确率低、收敛速度慢等问题，提出了一种基于哈里斯鹰优化(Harris hawks optimization, HHO)算法优化的CNN分类模型.首先，对不同故障类型和故障程度轴承故障数据集进行划分，初始化CNN模型参数；然后，使用HHO算法对CNN模型的超参数空间进行优化，计算适应度值并获取全连接层的单元数量和迭代次数；最后，利用优化后的CNN模型对轴承数据集进行模式识别.通过不同故障类型和故障程度轴承实验数据验证，表明HHO-CNN模型可以使得全连接层的单元数量和迭代次数迅速收敛，及时准确调整CNN的网络参数，提升分类器的性能，提高了故障模式识别准确性，增强了模型的稳定性.     

住房抵押贷款还贷结构设计

首先给出了居民消费模式函数,指出了居民的消费模式符合“生命周期假说”和应用抵押贷款购房的必要性;然后建立了抵押贷款还贷效用函数,并求出抵押贷款还贷效用最大化的条件．在此基础上提出居民在应用抵押贷款购房时采取不同还贷方式所能购住房的房价,或在房价一定的情况下抵押贷款的还贷期限的测定方法;分析了影响居民购买住房的房价或还贷期限的因素,并在一定假设下计算了等额、等比递增和等比递减还贷方式下可购住房的价格．     

住房抵押贷款结构设计

首先给出了居民消费模式函数,指出了居民的消费模式符合“生命周期假说”和应用抵押贷款购房的必要性,然后建立了抵押贷款还贷效用函数,并求出抵押贷款还贷效用最大化的条件,在此基础上在民在应用抵押贷款购房时采用不同还贷方式所能购住房的房价,或在房价一定的情况下抵押贷款的还贷期限的测定方法,分析了影响居民购买住房的房价或还贷期限的因素,并在一定假设下计算了等额,等比递增和等比递减还贷方式下可购住房的价格。     

面向深度学习Kubernetes负载饱和调度算法设计与实现

构建深度学习云平台的基础技术Kubernetes在调度过程中使用负载均衡策略,易产生资源碎片,增加任务等待时间。Kubernetes没有考虑对GPU等外部拓展资源的评分,不能很好适应深度学习云平台的业务场景。针对以上问题提出一种负载饱和调度策略,对Kubernetes调度过程进行改进,减少资源碎片,提高资源利用率。该策略支持对用户指定的外部拓展资源进行评分,能更好适应深度学习云平台业务场景。实验结果表明,负载饱和调度策略能够减少23.40%的任务等待时间,并能将GPU利用率提升14.15%,GPU显存利用率提升6.85%。