针对云服务器中存在软件老化现象,将造成系统性能衰退与可靠性下降问题,借鉴剩余使用寿命(Remaining useful life,RUL)概念,提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting,SVs-GFF)的老化预测方法.首...针对云服务器中存在软件老化现象,将造成系统性能衰退与可靠性下降问题,借鉴剩余使用寿命(Remaining useful life,RUL)概念,提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting,SVs-GFF)的老化预测方法.首先,提取云服务器老化数据的统计特征指标,并采用支持向量回归(Support vector regression,SVR)对统计特征指标进行数据稀疏化处理,得到支持向量(Support vectors,SVs)序列数据;然后,建立基于密度聚类的高斯函数拟合(Gaussian function fitting,GFF)模型,对不同核函数下的支持向量序列数据进行老化曲线拟合,并采用Fréchet距离优化算法选取最优老化曲线;最后,基于最优老化曲线,评估系统到达老化阈值前的RUL,以预测系统何时发生老化.在OpenStack云服务器4个老化数据集上的实验结果表明,基于RUL和SVs-GFF的云服务器老化预测方法与传统预测方法相比,具有更高的预测精度和更快的收敛速度.展开更多
对电视经纬仪拍摄到的飞行小目标图像进行了归一化高斯模板相关。传统的模板相关方法不能将真假目标集合充分分离,导致真目标的漏检或引入虚假目标。基于模板相关的高斯函数拟合方法(Gaussian Function Fitting Method, GFFM),对模板相...对电视经纬仪拍摄到的飞行小目标图像进行了归一化高斯模板相关。传统的模板相关方法不能将真假目标集合充分分离,导致真目标的漏检或引入虚假目标。基于模板相关的高斯函数拟合方法(Gaussian Function Fitting Method, GFFM),对模板相关所得到的目标集(含有真目标和假目标)中的每一个元素进行高斯函数拟合,并引入了一个更为灵敏的检验量—高斯函数拟合误差,可以将真假目标集合明显区分开,减小阈值确定的难度。实验表明:当相关系数阈值rth=0.8时,传统模板相关方法漏检率20%,虚警率40%;而GFFM方法则检出了所有真目标,且无虚假目标。展开更多
文摘针对云服务器中存在软件老化现象,将造成系统性能衰退与可靠性下降问题,借鉴剩余使用寿命(Remaining useful life,RUL)概念,提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting,SVs-GFF)的老化预测方法.首先,提取云服务器老化数据的统计特征指标,并采用支持向量回归(Support vector regression,SVR)对统计特征指标进行数据稀疏化处理,得到支持向量(Support vectors,SVs)序列数据;然后,建立基于密度聚类的高斯函数拟合(Gaussian function fitting,GFF)模型,对不同核函数下的支持向量序列数据进行老化曲线拟合,并采用Fréchet距离优化算法选取最优老化曲线;最后,基于最优老化曲线,评估系统到达老化阈值前的RUL,以预测系统何时发生老化.在OpenStack云服务器4个老化数据集上的实验结果表明,基于RUL和SVs-GFF的云服务器老化预测方法与传统预测方法相比,具有更高的预测精度和更快的收敛速度.
文摘对电视经纬仪拍摄到的飞行小目标图像进行了归一化高斯模板相关。传统的模板相关方法不能将真假目标集合充分分离,导致真目标的漏检或引入虚假目标。基于模板相关的高斯函数拟合方法(Gaussian Function Fitting Method, GFFM),对模板相关所得到的目标集(含有真目标和假目标)中的每一个元素进行高斯函数拟合,并引入了一个更为灵敏的检验量—高斯函数拟合误差,可以将真假目标集合明显区分开,减小阈值确定的难度。实验表明:当相关系数阈值rth=0.8时,传统模板相关方法漏检率20%,虚警率40%;而GFFM方法则检出了所有真目标,且无虚假目标。
