您的位置: 专家智库 > >

田春岐

作品数:25 被引量:366H指数:10
供职机构:同济大学电子与信息工程学院更多>>
发文基金:国家自然科学基金国家重点基础研究发展计划教育部“新世纪优秀人才支持计划”更多>>
相关领域:自动化与计算机技术金属学及工艺电子电信更多>>

文献类型

  • 23篇期刊文章
  • 2篇学位论文

领域

  • 24篇自动化与计算...
  • 1篇金属学及工艺
  • 1篇电子电信

主题

  • 8篇网络
  • 7篇对等网
  • 7篇信任
  • 5篇信任模型
  • 3篇分布式
  • 3篇P2P网络
  • 2篇多播
  • 2篇多播安全
  • 2篇制件
  • 2篇密钥管理
  • 2篇故障管理
  • 2篇故障诊断
  • 2篇航空发动机
  • 2篇分布式P2P
  • 2篇感知
  • 2篇磁盘
  • 2篇DOCKER
  • 1篇带宽
  • 1篇单向函数
  • 1篇单向函数树

机构

  • 18篇同济大学
  • 9篇北京邮电大学
  • 4篇中国航发上海...
  • 3篇华东师范大学
  • 3篇西安电子科技...
  • 1篇北京大学
  • 1篇山西大学
  • 1篇中国科学院研...
  • 1篇中国科学院软...

作者

  • 25篇田春岐
  • 8篇邹仕洪
  • 7篇王文东
  • 7篇程时端
  • 2篇褚灵伟
  • 2篇李光耀
  • 2篇黄震华
  • 2篇胡治国
  • 1篇蔡勉
  • 1篇王立明
  • 1篇陈璟
  • 1篇李峰
  • 1篇田慧蓉
  • 1篇胡博
  • 1篇孙圣力
  • 1篇武延军
  • 1篇向阳
  • 1篇武斌
  • 1篇关晓蔷
  • 1篇江建慧

传媒

  • 6篇计算机科学与...
  • 3篇电子与信息学...
  • 3篇软件学报
  • 2篇计算机学报
  • 1篇IT经理世界
  • 1篇华东师范大学...
  • 1篇通信学报
  • 1篇电子学报
  • 1篇机床与液压
  • 1篇计算机工程与...
  • 1篇西安电子科技...
  • 1篇北京邮电大学...
  • 1篇信息网络安全

年份

  • 2篇2024
  • 2篇2022
  • 4篇2021
  • 1篇2020
  • 1篇2019
  • 1篇2017
  • 1篇2016
  • 1篇2015
  • 2篇2010
  • 1篇2009
  • 3篇2008
  • 3篇2007
  • 3篇2004
25 条 记 录,以下是 1-10
排序方式:
一种基于机器学习的Spark容器集群性能提升方法被引量:2
2019年
目前基于Spark的应用十分广泛,合理的参数配置会使Spark作业具备较高的执行效率,很多学者对虚拟机集群上的Spark参数调优进行了深入研究。近年来,容器作为一种新兴的云计算基础设施越来越广泛地被应用于服务集群中,因而对基于容器集群的Spark参数调优进行研究也具有重要意义。文章研究了Docker容器集群中Spark的参数配置问题,提出了一种新型的参数调优方法(ContainerOpt),使用机器学习方法学习并预测作业在不同参数组合下的性能,同时引入节点自动伸缩机制,使输入规模较大的作业可以获得更优的性能。文章还提出了由时间和资源共同决定的性能表示模型,代替传统的基于单一执行时间的性能表示模型,从而在作业执行时间和资源占用之间达到较好的平衡。实验结果表明,相较于默认配置,该参数调优方法可提升50%的执行效率。
田春岐李静王伟王伟
关键词:云计算SPARKDOCKER
多播安全中几个关键问题研究
随着互联网的发展和宽带网络的普及,多播通信由于其高效、快捷的数据传输技术而得到越来越广泛的应用.多播是一种群体间进行通信的方式,介于单播和广播之间.相对于单播和广播来说,多播具有节省带宽、减轻网络负载、减少拥塞等的优点,...
田春岐
关键词:多播安全组密钥管理
文献传递
一种动态环境下的互联网服务故障诊断算法被引量:4
2009年
服务环境中的动态性会对故障诊断算法性能造成影响.为了降低这种影响,分析了服务环境中的动态性,提出多层管理模型建模服务系统:二分贝叶斯网络建立依赖模型和二元对称信道建模噪声.针对故障自动修复机制导致的动态故障集环境,在故障持续时间统计的基础上修正当前窗口内先验故障概率;针对动态模型环境,基于当前窗口内原始模型和观察症状时间建立期望模型.仿真结果显示,算法可以有效地诊断动态环境下的互联网服务故障.
褚灵伟邹仕洪程时端田春岐王文东
关键词:动态系统故障管理故障诊断
基于ResNet的航空发动机制件表面缺陷分类研究被引量:3
2021年
针对现有航空发动机制件缺陷分类所存在的检测效率低、适用范围有限等缺陷,提出了一种基于ResNet-18算法的缺陷分类方法。该算法使用深度残差网络提取缺陷特征,并通过修改网络结构适应于不同的缺陷种类。在实验过程中,首先对原始的钢带表面图像进行预处理,使用裁剪、旋转角度等方法扩增数据集。然后使用PyTorch深度学习框架搭建卷积神经网络模型,并将增强后的图片数据输入到模型中进行训练,实现对缺陷的分类。最后,使用东北大学钢带表面缺陷公共数据集进行训练与评估。本文算法在东北大学钢带表面缺陷公共训练集上的分类准确率为97.33%,在测试集上的准确率达到95.36%,为真实工业场景下缺陷的分类提供了可能。
闫雪张瑜李光耀田春岐
基于改进LSTM方法的安全态势感知模型研究
2021年
网络环境中的各种网络攻击行为给网络带来了很多挑战,导致网络故障和负载增加等突发网络安全事件发生的概率变大,网络安全预警的前提是安全态势。因此,针对网络安全态势的不确定性、波动性等特点,提出了改进的长短期记忆(LSTM)网络的安全态势感知模型。首先,针对神经网络训练过程中速度较慢和数据维度过高的问题,采用卷积神经网络进行降维,然后利用改进的循环神经网络进行预测态势值,最后通过计算均方根误差来评价模型的优势。通过仿真对比实验验证了改进的LSTM模型大大降低了模型预测误差,能够更加高效、准确地实现对网络态势的评估和预测。
于春光孙远航李光耀田春岐
关键词:态势感知卷积神经网络RNN
计算机软件开发与数据库管理研究
2020年
科学技术的不断进步,使得计算机技术成为了人们生活和工作的重要方面,而计算机软件开发是为了更好的满足多种用户的多样化需求,在这个过程中数据库管理发挥着重要的作用。计算机软件开发和数据库管理是科技发展和互联网进步的重要内容,需要引起广泛的关注。另一方面计算机的软件开发要能够积极的与数据库管理相互配合,在更好的保障数据库的安全运行的同时促进软件开发。本次论文也将从计算机软件开发和数据库管理的基本概述出发,对加强数据库管理提出了简单的建议,希望可以给读者一定的启示。
周映宇田春岐
关键词:计算机软件开发数据库管理
基于排序学习的推荐算法研究综述被引量:110
2016年
排序学习技术尝试用机器学习的方法解决排序问题,已被深入研究并广泛应用于不同的领域,如信息检索、文本挖掘、个性化推荐、生物医学等.将排序学习融入推荐算法中,研究如何整合大量用户和物品的特征,构建更加贴合用户偏好需求的用户模型,以提高推荐算法的性能和用户满意度,成为基于排序学习推荐算法的主要任务.对近些年基于排序学习的推荐算法研究进展进行综述,并对其问题定义、关键技术、效用评价、应用进展等进行概括、比较和分析.最后,对基于排序学习的推荐算法的未来发展趋势进行探讨和展望.
黄震华张佳雯田春岐孙圣力向阳
关键词:个性化服务
一种基于推荐证据的有效抗攻击P2P网络信任模型被引量:52
2008年
提出一种基于推荐证据的对等网络(Peer-to-Peer,P2P)信任模型RETM(Recommendation Evidence based Trust Model for P2P networks),解决了基于推荐的信任模型中普遍存在的在汇聚推荐信息时无法处理不确定性信息以及强行组合矛盾推荐信息引起的性能下降问题,同时,RETM采取推荐证据预处理措施,在合成之前有效过滤了无用的以及误导性的推荐信息,使得该模型具有一定的抗攻击性能.在推荐信息的查找问题上,RETM提出了基于反馈信息的概率查找算法,该算法在降低了网络带宽开销的情况下,提高了信息查询的准确率.实验证明RETM较已有的信任机制在系统成功交易率、模型的安全性等问题上有较大改进.
田春岐邹仕洪王文东程时端
关键词:对等网信任
基于深度学习的通用本地图像检索系统设计
2024年
随着大量数字图像数据的产生,高效准确的图像检索技术变得尤为重要。本文提出了一种结合深度学习和磁盘向量检索技术的通用本地图像检索系统,采用了深度神经网络模型作为特征提取的主要工具,通过深层网络结构捕获图像的高层语义信息,实现对图像内容的精细描述,旨在提升检索的准确性和效率,图像数据库的容量。由具体的实例数据验证说明了系统可用性,证明了其在实际应用中的广泛适用性,文中研究可对图像检索系统的进一步发展起到积极的参考作用。
张浩东田春岐
关键词:图像检索
基于改进Faster R-CNN的航空发动机制件表面缺陷检测算法被引量:2
2022年
针对现有航空发动机制件缺陷检测所存在的检测准确率低、速度慢等问题,提出一种基于改进Faster R-CNN算法的缺陷检测方法。该算法使用深度残差网络提取缺陷特征,采用含有内容感知重组的特征金字塔模型融合各层次特征图,并根据检测框尺度选取相应层次的特征图进行检测和识别,在RCNN部分使用分层采样实现挖掘难例,增强模型对难例样本的学习。实验结果表明:所提算法具有较高的检测准确率,而且能够有效提升检测速度。
唐嘉鸿黄颀田春岐
共3页<123>
聚类工具0