针对BDLS(Blockchain version of DLS)共识算法在含有大量节点且具有层次结构的系统中共识效率低下的问题,提出一种基于BDLS的区块链共识改进算法HBDLS(Hierarchical BDLS)。首先,根据实际应用中节点的属性将节点分为两个层次,每个高层...针对BDLS(Blockchain version of DLS)共识算法在含有大量节点且具有层次结构的系统中共识效率低下的问题,提出一种基于BDLS的区块链共识改进算法HBDLS(Hierarchical BDLS)。首先,根据实际应用中节点的属性将节点分为两个层次,每个高层节点分别管理一个低层节点簇;其次,将所有低层节点进行分簇共识,并将共识结果汇报至相应的高层节点;最后,所有高层节点对低层的共识结果再次共识,通过高层共识的数据将被写入区块链。理论分析和仿真实验结果表明,在36个节点且单个区块包含4500个交易的情况下,HBDLS的吞吐量相较于BDLS算法提高了21%;在44个节点且单个区块包含3000个交易的情况下,HBDLS的吞吐量相较于BDLS算法提高了约52%;在44个节点且单个区块包含1个交易的情况下,HBDLS的共识时延相较于BDLS算法下降了26%。实验结果表明,在节点数多且交易量大的系统中,HBDLS能够大幅提高系统的共识效率。展开更多
作战任务和平台资源的合理匹配是战役作战准备阶段的主要内容。考虑平台资源能力在作战过程中的损耗,在问题建模的过程中引入了资源能力的损耗系数,使得所建模型更加符合实际作战。提出了基于动态列表调度(dynamic list scheduling,DLS...作战任务和平台资源的合理匹配是战役作战准备阶段的主要内容。考虑平台资源能力在作战过程中的损耗,在问题建模的过程中引入了资源能力的损耗系数,使得所建模型更加符合实际作战。提出了基于动态列表调度(dynamic list scheduling,DLS)和遗传算法(genetic algorithm,GA)的模型求解方法,使用DLS选择处理的任务,使用GA为选定任务分配平台资源,给出了该方法具体的设计思路和流程。最后结合联合作战的战役算例,验证了所提方法的优越性和适用性。展开更多
The performance of deep learning(DL)networks has been increased by elaborating the network structures. However, the DL netowrks have many parameters, which have a lot of influence on the performance of the network. We...The performance of deep learning(DL)networks has been increased by elaborating the network structures. However, the DL netowrks have many parameters, which have a lot of influence on the performance of the network. We propose a genetic algorithm(GA) based deep belief neural network(DBNN) method for robot object recognition and grasping purpose. This method optimizes the parameters of the DBNN method, such as the number of hidden units, the number of epochs, and the learning rates, which would reduce the error rate and the network training time of object recognition. After recognizing objects, the robot performs the pick-andplace operations. We build a database of six objects for experimental purpose. Experimental results demonstrate that our method outperforms on the optimized robot object recognition and grasping tasks.展开更多
精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL...精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据,利用随机森林算法提取影响负荷预测的关键特征量;然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练,并通过粗糙集理论修正预测结果。最后,通过算例进行仿真验证,结果表明,该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。展开更多
目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,...目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,包含死亡患者1320例,收集其基线资料进行回顾性研究。使用SPSS Modeler 18.0软件编制FP-Growth和Apriori算法程序,通过DL功能计算1320例死亡患者的基线资料间有效强关联规则。对全部患者行Logistic回归分析导致死亡的独立风险因素。参考Logistic回归分析对患者死亡风险的预测结果来验证DL功能的预测结果。结果通过DL功能计算获得死亡患者的基线资料间有效强关联规则9项,其前项包括:年龄、急性生理学与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、序贯器官衰竭评分(SOFA)、院内感染、机械通气、动静脉插管、动静脉插管时间、导尿管插管。除“肝脏疾病”和“昏迷”外,DL功能同Logistic回归分析预测结果高度一致。两种方法预测结果的比较在一定程度上证实DL功能的科学性和可靠性。结论基于FP-Growth和Apriori算法的DL功能可用于预测ICU患者死亡的关联因素,具有一定应用和推广价值。展开更多
文摘针对BDLS(Blockchain version of DLS)共识算法在含有大量节点且具有层次结构的系统中共识效率低下的问题,提出一种基于BDLS的区块链共识改进算法HBDLS(Hierarchical BDLS)。首先,根据实际应用中节点的属性将节点分为两个层次,每个高层节点分别管理一个低层节点簇;其次,将所有低层节点进行分簇共识,并将共识结果汇报至相应的高层节点;最后,所有高层节点对低层的共识结果再次共识,通过高层共识的数据将被写入区块链。理论分析和仿真实验结果表明,在36个节点且单个区块包含4500个交易的情况下,HBDLS的吞吐量相较于BDLS算法提高了21%;在44个节点且单个区块包含3000个交易的情况下,HBDLS的吞吐量相较于BDLS算法提高了约52%;在44个节点且单个区块包含1个交易的情况下,HBDLS的共识时延相较于BDLS算法下降了26%。实验结果表明,在节点数多且交易量大的系统中,HBDLS能够大幅提高系统的共识效率。
文摘作战任务和平台资源的合理匹配是战役作战准备阶段的主要内容。考虑平台资源能力在作战过程中的损耗,在问题建模的过程中引入了资源能力的损耗系数,使得所建模型更加符合实际作战。提出了基于动态列表调度(dynamic list scheduling,DLS)和遗传算法(genetic algorithm,GA)的模型求解方法,使用DLS选择处理的任务,使用GA为选定任务分配平台资源,给出了该方法具体的设计思路和流程。最后结合联合作战的战役算例,验证了所提方法的优越性和适用性。
文摘The performance of deep learning(DL)networks has been increased by elaborating the network structures. However, the DL netowrks have many parameters, which have a lot of influence on the performance of the network. We propose a genetic algorithm(GA) based deep belief neural network(DBNN) method for robot object recognition and grasping purpose. This method optimizes the parameters of the DBNN method, such as the number of hidden units, the number of epochs, and the learning rates, which would reduce the error rate and the network training time of object recognition. After recognizing objects, the robot performs the pick-andplace operations. We build a database of six objects for experimental purpose. Experimental results demonstrate that our method outperforms on the optimized robot object recognition and grasping tasks.
文摘精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据,利用随机森林算法提取影响负荷预测的关键特征量;然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练,并通过粗糙集理论修正预测结果。最后,通过算例进行仿真验证,结果表明,该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。
文摘目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,包含死亡患者1320例,收集其基线资料进行回顾性研究。使用SPSS Modeler 18.0软件编制FP-Growth和Apriori算法程序,通过DL功能计算1320例死亡患者的基线资料间有效强关联规则。对全部患者行Logistic回归分析导致死亡的独立风险因素。参考Logistic回归分析对患者死亡风险的预测结果来验证DL功能的预测结果。结果通过DL功能计算获得死亡患者的基线资料间有效强关联规则9项,其前项包括:年龄、急性生理学与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、序贯器官衰竭评分(SOFA)、院内感染、机械通气、动静脉插管、动静脉插管时间、导尿管插管。除“肝脏疾病”和“昏迷”外,DL功能同Logistic回归分析预测结果高度一致。两种方法预测结果的比较在一定程度上证实DL功能的科学性和可靠性。结论基于FP-Growth和Apriori算法的DL功能可用于预测ICU患者死亡的关联因素,具有一定应用和推广价值。
