系统级动态功耗管理(DPM,Dynamic Power Management)策略根据系统状态和负载的变化,动态地调整系统配置,从而能够降低系统功耗。PBALT(Probability Based Adaptive Learning Tree)预测策略以预测正确率为单一评估标准,存在高预测正确率...系统级动态功耗管理(DPM,Dynamic Power Management)策略根据系统状态和负载的变化,动态地调整系统配置,从而能够降低系统功耗。PBALT(Probability Based Adaptive Learning Tree)预测策略以预测正确率为单一评估标准,存在高预测正确率高功耗的问题。本文提出基于空闲时间期望表(IET,Idle Expectation Table)的DPM预测策略IETBP(Idle Expectation Table Based Prediction),通过对空闲时间的分布和状态的误预测能耗的分析,以空闲时间的期望作为预测依据,从而克服了PBALT所存在的问题,并降低了算法复杂度。仿真实验表明与PBALT策略相比,IETBP策略在较低预测正确率的情况下能够更有效地降低部件的功耗。展开更多
形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GM...形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GMFPT)的形状距离学习方法.将形状样本集合视作状态空间,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离.通过引入广义期望首达时间,形状距离学习方法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响.将所提出的方法应用到不同形状数据集中进行仿真实验,本文方法比其他方法能够得到更准确的形状检索结果.展开更多
对文献(Dwyer R A.Higher-dimensional Voronoi diagrams in linear expected time.Discrete&ComputationalGeometry,1991,6(4):342-367)给出的对d≥2维空间站点集合构造Delaunay超三角形算法做了改进,提高了其计算效率,并把站点的...对文献(Dwyer R A.Higher-dimensional Voronoi diagrams in linear expected time.Discrete&ComputationalGeometry,1991,6(4):342-367)给出的对d≥2维空间站点集合构造Delaunay超三角形算法做了改进,提高了其计算效率,并把站点的分布从限于单位球体扩展成d≥2维空间中任意凸的超多面体.证明了如果站点是独立地从一致分布在凸的超多面体的点集中取出,在线性期望时间内可对站点集实现Delaunay三角化.该证明方法比较直观.虽然这类算法对输入点集有一致分布的要求,但在很多实际应用情况下这种要求常是被满足的,此时使用这类算法便可体现文中算法快速和易于实现的优点.展开更多
文摘系统级动态功耗管理(DPM,Dynamic Power Management)策略根据系统状态和负载的变化,动态地调整系统配置,从而能够降低系统功耗。PBALT(Probability Based Adaptive Learning Tree)预测策略以预测正确率为单一评估标准,存在高预测正确率高功耗的问题。本文提出基于空闲时间期望表(IET,Idle Expectation Table)的DPM预测策略IETBP(Idle Expectation Table Based Prediction),通过对空闲时间的分布和状态的误预测能耗的分析,以空闲时间的期望作为预测依据,从而克服了PBALT所存在的问题,并降低了算法复杂度。仿真实验表明与PBALT策略相比,IETBP策略在较低预测正确率的情况下能够更有效地降低部件的功耗。
文摘形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GMFPT)的形状距离学习方法.将形状样本集合视作状态空间,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离.通过引入广义期望首达时间,形状距离学习方法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响.将所提出的方法应用到不同形状数据集中进行仿真实验,本文方法比其他方法能够得到更准确的形状检索结果.
文摘对文献(Dwyer R A.Higher-dimensional Voronoi diagrams in linear expected time.Discrete&ComputationalGeometry,1991,6(4):342-367)给出的对d≥2维空间站点集合构造Delaunay超三角形算法做了改进,提高了其计算效率,并把站点的分布从限于单位球体扩展成d≥2维空间中任意凸的超多面体.证明了如果站点是独立地从一致分布在凸的超多面体的点集中取出,在线性期望时间内可对站点集实现Delaunay三角化.该证明方法比较直观.虽然这类算法对输入点集有一致分布的要求,但在很多实际应用情况下这种要求常是被满足的,此时使用这类算法便可体现文中算法快速和易于实现的优点.