基于明暗恢复形状(shape from shading,简称SFS)方法进行海底侧扫声呐图像三维重建时,会因为方法中反射模型与海底表面不相符而降低重建精度。为此文章在分析大陆架海底表面特点及侧扫声呐工作机理的基础上,提出了基于SFS混合反射模型...基于明暗恢复形状(shape from shading,简称SFS)方法进行海底侧扫声呐图像三维重建时,会因为方法中反射模型与海底表面不相符而降低重建精度。为此文章在分析大陆架海底表面特点及侧扫声呐工作机理的基础上,提出了基于SFS混合反射模型的侧扫声呐图像海底地形重建方法。首先在保留Lambert漫反射模型的基础上引入Blinn-Phong镜面反射模型,并基于侧扫声呐图像粗糙度进行漫反射系数、镜面反射系数和镜面反射指数的自适应设计,从而形成适合复杂海底表面的混合反射模型;然后线性化处理辐射照度方程,并采用牛顿-拉夫逊方法来获得海底表面高程;最后根据海底点设计反演高程约束系数来约束表面高程,进而完成侧扫声呐图像的三维重建。试验测试结果表明,相较于其他三维重建方法,文中方法的平均绝对误差值VMAE平均降低了32.18%、相关系数值VCC平均提高了29.62%、信噪比值VSNR平均提升了27.23%,有效实现了侧扫声呐图像三维重建。展开更多
为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。...为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。引入自适应鲁棒损失函数(adaptive robust loss function,ARLF)改进LightGBM模型损失函数,降低航班数据中存在离群值的影响;通过改进的麻雀搜索算法对改进后的LightGBM模型进行参数寻优,形成混合LightGBM模型。采用全国2019年全年航班数据进行验证,实验结果验证了方法的可行性。展开更多
近年来,大模型推动自然语言处理、机器视觉等众多领域取得前所未有的进展.混合专家(mixture of experts,MoE)凭借在模型参数扩展、计算成本控制和复杂任务处理等方面的独特优势成为大模型的主流架构之一.然而,随着参数规模的持续增长,...近年来,大模型推动自然语言处理、机器视觉等众多领域取得前所未有的进展.混合专家(mixture of experts,MoE)凭借在模型参数扩展、计算成本控制和复杂任务处理等方面的独特优势成为大模型的主流架构之一.然而,随着参数规模的持续增长,系统的执行效率和可扩展能力愈发难以满足需求,亟待解决.系统优化方法是解决这一挑战的有效途径,日益成为研究热点.故综述大模型时代MoE系统优化技术的研究现状,首先介绍MoE大模型的发展现状,并分析其在系统端面临的性能瓶颈;然后从内存占用、通信延迟、计算效率和并行扩展4个系统核心维度对最新的研究进展进行全面梳理和深入分析,并对其中涉及的关键技术、适用场景和待优化方向进行详细对比阐述;最后总结MoE系统优化的研究现状,并展望未来研究方向.展开更多
文摘基于明暗恢复形状(shape from shading,简称SFS)方法进行海底侧扫声呐图像三维重建时,会因为方法中反射模型与海底表面不相符而降低重建精度。为此文章在分析大陆架海底表面特点及侧扫声呐工作机理的基础上,提出了基于SFS混合反射模型的侧扫声呐图像海底地形重建方法。首先在保留Lambert漫反射模型的基础上引入Blinn-Phong镜面反射模型,并基于侧扫声呐图像粗糙度进行漫反射系数、镜面反射系数和镜面反射指数的自适应设计,从而形成适合复杂海底表面的混合反射模型;然后线性化处理辐射照度方程,并采用牛顿-拉夫逊方法来获得海底表面高程;最后根据海底点设计反演高程约束系数来约束表面高程,进而完成侧扫声呐图像的三维重建。试验测试结果表明,相较于其他三维重建方法,文中方法的平均绝对误差值VMAE平均降低了32.18%、相关系数值VCC平均提高了29.62%、信噪比值VSNR平均提升了27.23%,有效实现了侧扫声呐图像三维重建。
文摘为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。引入自适应鲁棒损失函数(adaptive robust loss function,ARLF)改进LightGBM模型损失函数,降低航班数据中存在离群值的影响;通过改进的麻雀搜索算法对改进后的LightGBM模型进行参数寻优,形成混合LightGBM模型。采用全国2019年全年航班数据进行验证,实验结果验证了方法的可行性。
文摘近年来,大模型推动自然语言处理、机器视觉等众多领域取得前所未有的进展.混合专家(mixture of experts,MoE)凭借在模型参数扩展、计算成本控制和复杂任务处理等方面的独特优势成为大模型的主流架构之一.然而,随着参数规模的持续增长,系统的执行效率和可扩展能力愈发难以满足需求,亟待解决.系统优化方法是解决这一挑战的有效途径,日益成为研究热点.故综述大模型时代MoE系统优化技术的研究现状,首先介绍MoE大模型的发展现状,并分析其在系统端面临的性能瓶颈;然后从内存占用、通信延迟、计算效率和并行扩展4个系统核心维度对最新的研究进展进行全面梳理和深入分析,并对其中涉及的关键技术、适用场景和待优化方向进行详细对比阐述;最后总结MoE系统优化的研究现状,并展望未来研究方向.
