基于深度学习的对抗网络图像识别方法研究

为了解决传统图像的识别低效且需要过多的人工参与的问题,对更加高效的生成式对抗网络模型进行研究:(1)在经过博弈训练达到收敛的GAN模型的基础上,对判定器进行优化,并加入softamx层以便能更好地进行图像识别;(2)在基础IR-DCGAN模型上选用MNIST数据集进行训练和测试,并将生成器生成的实验样本输入判定器中,每进行一次迭代训练,数据集就会有所扩充,经过足够的迭代训练后IR-DCGAN就基本稳定,其图像识别准确率相较于其他识别方法有显著提升。当迭代次数达到25000次时IR-DCGAN识别网络已经基本成熟,同时表明IR-DCGAN模型比其他方法的识别准确率大幅增加。

基于优先级的云平台视频配置网络算法

为解决云视频配置网络不能满足用户需求、不能保证服务质量以及用户使用成本高等问题,设计基于优先级的视频配置算法。利用视频受欢迎程度算法和分布式控制法解决视频网络中面临的资源消耗问题和副本配置问题。根据会员用户和非会员用户区分用户请求的优先级,会员用户比普通用户享有更高的资源优先使用权,即可以优先使用。利用网络上常见的团购策略帮助需要高视频质量但资金有限的用户解决消费成本问题,参与团购的用户越多,享受的优惠越高。

基于网络社区划分的链路预测算法改进与研究

为了解决经典算法预测中命中率不稳定、效率低等问题,提出基于网络社区划分的链路预测算法.首先,对网络社区的链路进行划分,优化预测算法,分析网络化分的具体形式,得出网络社区划分的方法步骤.其次,为了分析网络社区的特征对链路预测算法的影响,对社区相关性特性进行预测挖掘,并通过规则推理构建预测模型.最后,进行了基于网络社区划分的链路预测算法实验,验证算法的实际效果.