一种基于离散Hopfield神经网络的RTOS功耗优化方法

RTOS(Real-Time Operating System,实时操作系统)是SoC(System-on-a-Chip,系统芯片或片上系统)的一个重要组成部分,其功耗一般约占整个系统功耗30～40%的比例,而基于软/硬件划分的RTOS功耗优化方法(简称RTOS-Power划分)能够明显地减少SoC的功耗.因此,文中首先引入了RTOS-Power划分问题的一个新模型,这有助于理解RTOS-Power划分的本质.然后,提出了一种基于离散Hopfield神经网络的RTOS-Power划分方法,重新定义了神经网络的神经元表示、能量函数、运行方程和系数.最后,对该方法进行了仿真实验,并同遗传算法和蚂蚁算法进行了性能比较.实验结果表明:该文提出的方法能够以相对较小的代价(FPGA开销小于4K个可编程逻辑块)取得高达60%的功耗节省,同时,与纯软件实现的RTOS相比,系统性能也得到了相应的提高.

Bootstrap方法在基于ARMA-GARCH模型的电力市场价格区间预测中的应用(英文)

当今开放式电力市场是一个基于竟价拍卖形式的市场,市场清算价格(market clearing price-MCP)主要受变化的供需平衡、市场参与者的竞价策略以及电力企业已经签订的双边买卖合同等因素影响,现有的价格预测技术只集中在如何提高价格预测准确度上,而忽视了对预测本身不确定性的度量;其中ARMA-GARCH价格预测模型的前提是假设预测误差符合正态分布,而实际电力市场价格非线性波动使得正态分布的假设完全不成立.针对这一现象,将不依赖任何分布假设的Bootstrap技术应用于基于ARMA-GARCH模型的电力市场清算价格区间预测,并对澳大利亚电力市场的真实数据进行分析评测,精度高,可靠性好.