导读:本文包含了面向任务论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:机器人,自适应,深度,分配,方法,无人机,系统。
面向任务论文文献综述
陈伟,陈庆奎[1](2019)在《面向深度学习训练任务的自适应任务分配方法》一文中研究指出随着深度学习的任务训练对计算资源的需求不断提高,采用GPU集群来训练深度学习任务成为首选.但基于集群的一些深度学习框架都需要手动设置训练方法以及环境资源,这样往往不能保证训练任务的耗时最短.本文针对该问题提出一种自适应任务分配方法,可以根据不同的训练模型,自动选择最佳的分配方案.本方法首先根据Roofline模型并结合训练模型,计算出每个计算节点的理论计算时间,然后再考虑不同训练方式过程中的通信时间和其它额外开销,最后根据组合优化的原理,从而确定深度学习任务的训练方式以及所涉及的计算节点.实验表明,本方法在异构GPU集群下训练Alexnet网络,可以表现出91. 6%的高准确率.(本文来源于《小型微型计算机系统》期刊2019年12期)
刘林,张东[2](2019)在《面向任务服务质量的网络资源需求预测算法》一文中研究指出在信息化时代背景下,云计算作为一种全新的共享基础资源架构的模式,给予用户更加经济和便利的解决方案。一般情况下,用户对于完成任务所需求资源量是不了解的,用户只能大概估计需要的资源需求量。这样不仅会承担不必要费用,也会造成云资源浪费。为了满足不同用户对不同任务需求,并优化资源分配,论文提出了一个面向任务服务质量的资源需求预测方法,用户仅需提出任务的Qos指标,算法自动预测能够保障用户最小的网络资源供给量。在此基础上,调度器根据预测结果实现用户需求与网络资源之间的匹配。实验表明该方法可精确预测用户需求,并且能提高网络资源的利用率。(本文来源于《舰船电子工程》期刊2019年11期)
胡亚辉,朱宗卫,刘黄河,王超[3](2019)在《面向任务调度优化的分布式系统信息管理框架》一文中研究指出近年来深度学习作为学术界与工业界共同关注的热点,取得了飞跃式的发展,在计算机视觉、语音识别等领域取得了令人瞩目的成果.深度学习分训练与推理两个阶段,在实际应用中主要关注的是推理阶段.深度学习推理过程中伴随着巨大的计算量,通过分布式系统提高其计算速度也得到了越来越多的关注.然而,构建分布式深度学习推理系统面临着深度学习加速设备更新迭代快速、上层应用及计算任务复杂多样等挑战.本文设计并实现的系统信息管理框架,用于收集并处理系统中的各类信息,收集及处理的规则具有高度的可扩展性和灵活性,并提供通用的RESTful API数据访问接口,以支持分布式深度学习推理系统对各类硬件加速器的灵活兼容性以及对任务调度策略的动态调整能力.最后,本文通过一个应用实例对该框架的功能进行验证并对实验结果进行分析.(本文来源于《计算机系统应用》期刊2019年11期)
孙恒义,麻兴斌,冷月香,武军魁[4](2019)在《一种面向中继-任务双机模式的任务机定位方法》一文中研究指出针对无人机空-空定向链路通信中任务机数据链定位问题,提出了一种基于中继机位置、空空测距值、双机速度矢量等信息的动态定位方法。该方法利用空空测距值确定任务机所在球面,进而根据任务机气压高度,运动矢量等信息求解任务机位置,并结合机载惯性导航信息判断最优解。本文最后给出了相关参数对任务机位置解算的影响,计算结果表明空空测距值、中继机速度、空空距离变化率对任务机位置产生近似线性映射关系。本文定位方法不依赖定向天线测角值,位置误差不随空空测距值增大而增加。(本文来源于《科学技术创新》期刊2019年31期)
胡月,丁萌,姜欣言,曹云峰,禹科[5](2019)在《一种面向有人/无人直升机协同打击的地面目标任务分配方法》一文中研究指出针对有人/无人直升机协同打击地面目标的任务分配问题,依据有人/无人直升机协同集中式结构建立任务分配模型,利用Vonoroi图粗略估算航程,并引入时敏特征函数和无人直升机最大航程限制作为任务分配模型的约束条件。采用模拟退火算法改进的粒子群算法(PSO),实现对分配模型的解算。结果表明该算法合理,具有良好的全局寻优性。(本文来源于《航空科学技术》期刊2019年10期)
张崇峰,韩亮亮[6](2019)在《面向载人月球探测任务的月面机器人系统初探》一文中研究指出未来有人参与的月面活动将更加复杂和多样化。针对载人月球探测任务对月面机器人系统的需求,介绍了空间机器人的发展现状,提出了我国月面活动按机器人先导探测、人机联合探测、远期科研站建设分步开展的设想,论证了月面活动不同发展阶段对机器人系统的任务及能力需求,按有限规模、多功能集成的原则提出了各阶段机器人配置设想,分析了月面机器人系统发展在移动、操作、感知、交互、环境适应性方面需解决的关键问题。(本文来源于《载人航天》期刊2019年05期)
冉悄然,王强,王双川[7](2019)在《面向复杂任务的装备维修人员仿真评估》一文中研究指出为解决装备维修任务人员需求分析与决策中解析模型建立困难的问题,采用仿真技术对复杂任务的装备维修人员评估进行研究。在仿真线程设计的基础上,通过对装备维修人员评估仿真中的关键部分进行设计,建立仿真整体控制程序,得到装备维修人员编配方案并进行仿真评估。结果表明:该研究可提高维修人员仿真评估的科学性和合理性,为实施维修保障运行仿真及维修人员编配方案仿真评估提供技术参考。(本文来源于《兵工自动化》期刊2019年10期)
陈凯[8](2019)在《面向多任务模式学习与外推的自适应高斯过程算法研究》一文中研究指出在机器学习中,自适应多任务模式学习和外推算法可以广泛应用在气候预测、市场波动预警、环境监测、河流流量变化估计等物联网场景中。近年来,多任务高斯过程MTGPs(Multi-task Gaussian Processes)在学习任务间的协同关系和多任务并发预测上取得了显着的进展,比如:从线性结合相互独立的单任务高斯过程模型到直接对任务间的交叉协方差结构建模,使其可以有效地同时对多任务进行自适应模式学习,因而提高了多任务并发预测的精度。值得注意的是,所有这些具有代表性的MTPGs都必须对任意变量间两层相关关系进行编码,分别是单任务输入空间内随机变量的相关关系和任务间的协同关系,但是现有方法SM(Spectral Mixture)、GPRN(Gaussian Process Regression Network)、CSM(Cross Spectral Mixture)在可表达性和可解释性上还需进一步提升,MOSM(Multi-output Spectral Mixture)则存在多任务与单任务的兼容性问题,而这些问题都影响了自适应多任务模式学习和外推预测的准确率。为了纠正和更好地数学描述这两层相关关系,本论文提出了一种结构化可解释的通用卷积谱混合成分核函数GCSM(Generalized Convolution Spectral Mixture)来构造单任务高斯过程,然后利用这种核函数的交叉卷积机制将其平滑扩展到多任务高斯过程学习的场景中,从而得到了MOCSM(Multi-output Convolution Spectral Mixture)和GCSM-CC(Generalized Convolution Spectral Mixture with Cross Coregionalization)。首先,在高斯过程(Gaussian Processes,GP)机器学习中,表示能力较强的谱混合成分核函数SM可以自适应地从数据中发现模式、进行外推甚至描述变量间的负协方差。由于SM仅仅只是准周期高斯成分的线性加权级数,使得SM难以明确地表示这些成分间的依赖关系。本论文研究了SM成分间的依赖关系、依赖关系的时延和相位特点以及这些依赖关系的作用。通过分析后验协方差和代表性的实例,本论文提出了一种框架来分析这种依赖关系的存在性。进一步扩展SM使其可以明确地表示SM成分间的依赖关系,在本论文称之为GCSM。构造满足正定条件的GCSM可以分为两个步骤:1.改造SM成分成为使其可以包含时延θ和相位?,然后利用卷积将改造后的SM成分开根号分解为基成分;2.构造基成分之间交叉相关系数,本质上等同于交叉卷积,该交叉相关系数经过傅里叶变换后成为交叉谱密度。在该方法中,SM仅仅考虑到了基成分的自卷积。如果不考虑时延和相位,相比SM,GCSM没有额外增加超参数的数量。无论是在合成数据集还是在真实数据集上,全面的实验分析和比较表明对SM成分的依赖进行表示可以有效提高GP的自适应学习能力和外推性能,同时还可以利用交叉验证技术来设置依赖关系中是否包含时延和相位。这种性能提升在对自然现象的建模中特别明显,因为自然现象往往较少受到人类活动的干扰,而受到物理因素的相干干涉影响较大。其次,受到GCSM的启发,本论文利用交叉卷积来构造了一个新的多通道多输出卷积谱混合成分核MOCSM来解决多通道多输出高斯过程的自适应学习,在这里多通道多输出高斯过程和多任务高斯过程本质一样,一个通道输出对应于一个任务。在MOCSM中,利用交叉卷积来表示不同通道间的依赖关系,该依赖关系也具有时延和相位特点。MOCSM可以同时预测多个输出通道,并且具有更好的性能和兼容性。通过在合成数据集和实际物联网数据集上的全面实验表明MOCSM在自适应学习能力上具有明显的优势并且超过当前的最新模型。特别是,考虑一种特殊情况,即当只有一种输出通道需要拟合时,MOCSM可以完美的降级为SM,这是其他的模型所不具备的。与最近提出的MOSM模型做全面对比,在MOSM的幅度信息中混合了信号方差(signal variance)和距离缩放因子(length scale),当不同通道中的谱密度比较相似时,MOSM会产生不合理的局部协方差缩放效果。因此,显然MOCSM具有更好的自适应兼容性和普适性。然后,本论文进一步分析了MTGPs中的高斯过程回归网络框架GPRN,并且针对任务间的协同关系提出了一种参数化解释。GPRN用神经网络来表示多任务建模的协同关系,而在所有基于GPRN的方法中,全部使用了多个通道(神经元)的线性加权和来描述单个任务输入空间的变量关系和任务间的协同关系,而忽略了通道间的交互耦合。鉴于此,本论文赋予该神经网络的多个通道间存在依赖关系并对其进行编码。本论文提出了一种新的基于神经网络的多任务高斯过程模型,该模型可以同时模拟两层依赖关系,分别是单任务输入空间内随机变量内在成分间的依赖(即变量内在依赖)和任务间不同协同关系通道的依赖(任务交叉依赖),该模型提升了现有方法的可表达性和可解释性。具体而言,本论文利用交叉卷积来描述GPRN神经网络中各独立通道(神经元)之间的变量内在依赖,其中每个通道都由一个SM成分来描述,再利用耦合区域协同来描述任务间交叉依赖。这两个层次的依赖建立了一种信息管道使得GPRN神经网络中不同的神经元之间可以通信。本论文把这种对GPRN神经网络中神经元之间依赖关系进行显式建模的方法称为通道交叉卷积和耦合区域协同的高斯过程回归网络GCSM-CC。以上方法兼顾了单任务和多任务高斯过程的不同特点,具有很好的兼容性、可解释性、可表达性、普适性和自适应模式学习能力。在合成数据集和物联网数据集上的大量实验表明,本论文提出的方法可以有效地实现单任务和多任务的未来趋势外推预测,相比于现有最新的方法,均表现出了更优的预测性能。(本文来源于《中国科学院大学(中国科学院深圳先进技术研究院)》期刊2019-10-01)
宋富洪,邢焕来,潘炜[9](2019)在《一种面向移动云计算的多目标任务卸载算法》一文中研究指出计算能力和资源受限的移动设备可将待处理的密集型任务卸载到云端执行,从而增强移动设备的计算能力并减少电池能源消耗(EC)。然而,现有研究在卸载任务时不能较好地均衡移动端的应用完成时间(FT)和EC。提出了基于分解的多目标进化算法(MOEA/D)来同时优化应用FT和EC,并将动态电压频率调整技术引入MOEA/D中,在不增加应用FT的前提下,调节移动设备的CPU时钟频率以进一步降低移动设备的EC。仿真结果表明,与多个算法相比,所提出的算法在多目标性能上更优。(本文来源于《物联网学报》期刊2019年03期)
胡聪,凌烈,王岩,王洪光,杨鑫[10](2019)在《面向悬垂绝缘子串更换任务的机器人机构设计与优化》一文中研究指出依据输电线路悬垂绝缘子串环境特点和更换绝缘子串的任务需求,提出了一种新型输电线路悬垂绝缘子串更换机器人代替等电位电工进行作业,介绍了绝缘子串更换机器人机构构型,基于此构型进行了爬行移动机构、双作业手臂和环形抱夹装置的结构设计,阐述了机器人工作原理与流程。该机构具有作业效率高、易维护、安全性好,以及对不同尺寸的绝缘子串适应性强等特点。(本文来源于《机械与电子》期刊2019年09期)
面向任务论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
在信息化时代背景下,云计算作为一种全新的共享基础资源架构的模式,给予用户更加经济和便利的解决方案。一般情况下,用户对于完成任务所需求资源量是不了解的,用户只能大概估计需要的资源需求量。这样不仅会承担不必要费用,也会造成云资源浪费。为了满足不同用户对不同任务需求,并优化资源分配,论文提出了一个面向任务服务质量的资源需求预测方法,用户仅需提出任务的Qos指标,算法自动预测能够保障用户最小的网络资源供给量。在此基础上,调度器根据预测结果实现用户需求与网络资源之间的匹配。实验表明该方法可精确预测用户需求,并且能提高网络资源的利用率。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
面向任务论文参考文献
[1].陈伟,陈庆奎.面向深度学习训练任务的自适应任务分配方法[J].小型微型计算机系统.2019
[2].刘林,张东.面向任务服务质量的网络资源需求预测算法[J].舰船电子工程.2019
[3].胡亚辉,朱宗卫,刘黄河,王超.面向任务调度优化的分布式系统信息管理框架[J].计算机系统应用.2019
[4].孙恒义,麻兴斌,冷月香,武军魁.一种面向中继-任务双机模式的任务机定位方法[J].科学技术创新.2019
[5].胡月,丁萌,姜欣言,曹云峰,禹科.一种面向有人/无人直升机协同打击的地面目标任务分配方法[J].航空科学技术.2019
[6].张崇峰,韩亮亮.面向载人月球探测任务的月面机器人系统初探[J].载人航天.2019
[7].冉悄然,王强,王双川.面向复杂任务的装备维修人员仿真评估[J].兵工自动化.2019
[8].陈凯.面向多任务模式学习与外推的自适应高斯过程算法研究[D].中国科学院大学(中国科学院深圳先进技术研究院).2019
[9].宋富洪,邢焕来,潘炜.一种面向移动云计算的多目标任务卸载算法[J].物联网学报.2019
[10].胡聪,凌烈,王岩,王洪光,杨鑫.面向悬垂绝缘子串更换任务的机器人机构设计与优化[J].机械与电子.2019