面向混部云失败批处理作业的预测算法

为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model,TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic,ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。

一种利用虚拟数据学习的电力部件识别方法

针对电力领域高质量标记数据不足的情况,提出了一种虚拟电力场景的搭建及相应的数据和标记的快速生成方法。并且本文通过虚拟数据集,以防振锤作为主要对象,经过3种基于机器学习的目标检测方法的实验比较与理论分析,得出可变部件模型(Deformable Parts Model,DPM)在虚拟数据集上训练后,能够在真实数据集取得了最好结果的结论。通过本文方法,可以快速得到针对电力线路部件的训练样本,并可以得到相对较好的初始分类结果,以进一步扩充样本以获得更精确的检测模型。同时本文的方法还可以方便的应用到其他电力场景与其他电力部件中去。

DNA纳米结构自装配的语言能力分析(英文)

文中研究了DNA分子杂交的内在计算能力.一方面,文中基于Winfree先前关于线性分子自装配仅能产生正则语言工作的基础上,进一步扩展证明了线性自装配通过杂交分别表示左、右线性派生的线性分子,也能产生线性语言.另一方面,文中定义了一种新的通过上下文无关语言通过自装配产生线性语言的方法,即证明了等价于上下文无关语言的特定序列集能通过1-,2-,3-粘头分子的混合自装配产生线性语言,同时,这是对Winfree关于树状纳米结构自装配等价于上下文无关语言理论的一个较好的补充.