A variation-aware task mapping approach is proposed for a multi-core network-on-chips with redundant cores, which includes both the design-time mapping and run-time scheduling algorithms. Firstly, a design-time geneti...A variation-aware task mapping approach is proposed for a multi-core network-on-chips with redundant cores, which includes both the design-time mapping and run-time scheduling algorithms. Firstly, a design-time genetic task mapping algorithm is proposed during the design stage to generate multiple task mapping solutions which cover a maximum range of chips. Then, during the run, one optimal task mapping solution is selected. Additionally, logical cores are mapped to physically available cores. Both core asymmetry and topological changes are considered in the proposed approach. Experimental results show that the performance yield of the proposed approach is 96% on average, and the communication cost, power consumption and peak temperature are all optimized without loss of performance yield.展开更多
针对瓷砖色差检测中传统方法依赖主观目测导致的结果不稳定问题,提出一种融合纹理与颜色特征的瓷砖色差量化与分级方法。构建包含纹理与颜色双标签的大规模瓷砖数据集TILE-TCR(TILE Texture and Color Recognition),以提升模型对纹理与...针对瓷砖色差检测中传统方法依赖主观目测导致的结果不稳定问题,提出一种融合纹理与颜色特征的瓷砖色差量化与分级方法。构建包含纹理与颜色双标签的大规模瓷砖数据集TILE-TCR(TILE Texture and Color Recognition),以提升模型对纹理与颜色特征的表征能力;同时,构建色差分级数据集TILE-CAG(TILE Chromatic Aberration Grade),用于支持色差分类任务。在此基础上,改进分形编码网络(FENet)的网络结构,即引入空间金字塔池化(SPP)与SE(Squeeze-and-Excitation)模块,从而实现多任务特征提取与关键区域聚焦。然后,通过聚类算法自适应确定色差分级阈值,从而实现色差分级的客观量化。实验结果表明,所提改进方法在瓷砖纹理分类任务中的准确率达到92.82%,较FENet提升了1.84个百分点;在色差分级任务中所提方法的准确率、精确率、召回率和F1分数均超过90%。此外,还搭建了模拟生产流水线,以完成模型的工业部署与实时性测试。而所提方法在常见规格瓷砖上的平均检测时间低于3 s,满足工业传送带在线检测的实时性要求。展开更多
针对行人轨迹预测中存在的时序特征建模不足、多尺度融合缺乏明确区分以及多任务训练不稳定等问题,提出一种基于矩阵记忆长短期记忆网络(matrix long short-term memory, mLSTM)的纯时序预测算法。该算法构建以mLSTM为核心的编码器-解...针对行人轨迹预测中存在的时序特征建模不足、多尺度融合缺乏明确区分以及多任务训练不稳定等问题,提出一种基于矩阵记忆长短期记忆网络(matrix long short-term memory, mLSTM)的纯时序预测算法。该算法构建以mLSTM为核心的编码器-解码器架构,挖掘轨迹的时间依赖特征;设计多尺度轨迹特征融合模块,采用双向策略实现短期与长期特征的层次化表达;引入指数移动平均标准化的多任务机制,提升训练的稳定性与模型的泛化能力。在ETH和UCY数据集上的实验结果表明,该算法相较于Trajectory-Transformer和SGCN,在平均位移误差上分别降低14.81%和16.21%,在最终位移误差上分别降低19.66%和4.62%,展现出良好的预测精度与鲁棒性,为行人轨迹预测提供稳健有效的基础模型。展开更多
在航空航天技术领域,代理模型发挥着关键作用。为平衡代理模型的训练成本与预测精度,需要发展能够有效挖掘多保真度数据间潜在相关性的建模方法。针对现有模型依赖预设核函数、缺乏数据自适应性的问题,提出了一种基于稀疏混合专家神经核...在航空航天技术领域,代理模型发挥着关键作用。为平衡代理模型的训练成本与预测精度,需要发展能够有效挖掘多保真度数据间潜在相关性的建模方法。针对现有模型依赖预设核函数、缺乏数据自适应性的问题,提出了一种基于稀疏混合专家神经核(mixture of experts neural kernel,MoENK)的多保真度代理模型。MoENK通过线性混合和乘积混合基本单元构造新核函数,选择性屏蔽中间结果以过滤噪声,并应用于多任务高斯过程中。将该方法应用于3个函数示例和2个翼型算例中,结果表明该方法的预测精度有较大提升,尤其在NACA0012翼型阻力系数的预测中,相较于次佳方法LR-MFS,RMSE和MAE分别降低了40.42%和44.70%。证实了所提出的MoENK核函数能够不依赖预设核函数进行自适应预测,具有良好的泛化能力和鲁棒性,为工程系统的代理模型构建提供了新的工具。展开更多
文摘A variation-aware task mapping approach is proposed for a multi-core network-on-chips with redundant cores, which includes both the design-time mapping and run-time scheduling algorithms. Firstly, a design-time genetic task mapping algorithm is proposed during the design stage to generate multiple task mapping solutions which cover a maximum range of chips. Then, during the run, one optimal task mapping solution is selected. Additionally, logical cores are mapped to physically available cores. Both core asymmetry and topological changes are considered in the proposed approach. Experimental results show that the performance yield of the proposed approach is 96% on average, and the communication cost, power consumption and peak temperature are all optimized without loss of performance yield.
文摘针对瓷砖色差检测中传统方法依赖主观目测导致的结果不稳定问题,提出一种融合纹理与颜色特征的瓷砖色差量化与分级方法。构建包含纹理与颜色双标签的大规模瓷砖数据集TILE-TCR(TILE Texture and Color Recognition),以提升模型对纹理与颜色特征的表征能力;同时,构建色差分级数据集TILE-CAG(TILE Chromatic Aberration Grade),用于支持色差分类任务。在此基础上,改进分形编码网络(FENet)的网络结构,即引入空间金字塔池化(SPP)与SE(Squeeze-and-Excitation)模块,从而实现多任务特征提取与关键区域聚焦。然后,通过聚类算法自适应确定色差分级阈值,从而实现色差分级的客观量化。实验结果表明,所提改进方法在瓷砖纹理分类任务中的准确率达到92.82%,较FENet提升了1.84个百分点;在色差分级任务中所提方法的准确率、精确率、召回率和F1分数均超过90%。此外,还搭建了模拟生产流水线,以完成模型的工业部署与实时性测试。而所提方法在常见规格瓷砖上的平均检测时间低于3 s,满足工业传送带在线检测的实时性要求。
文摘针对行人轨迹预测中存在的时序特征建模不足、多尺度融合缺乏明确区分以及多任务训练不稳定等问题,提出一种基于矩阵记忆长短期记忆网络(matrix long short-term memory, mLSTM)的纯时序预测算法。该算法构建以mLSTM为核心的编码器-解码器架构,挖掘轨迹的时间依赖特征;设计多尺度轨迹特征融合模块,采用双向策略实现短期与长期特征的层次化表达;引入指数移动平均标准化的多任务机制,提升训练的稳定性与模型的泛化能力。在ETH和UCY数据集上的实验结果表明,该算法相较于Trajectory-Transformer和SGCN,在平均位移误差上分别降低14.81%和16.21%,在最终位移误差上分别降低19.66%和4.62%,展现出良好的预测精度与鲁棒性,为行人轨迹预测提供稳健有效的基础模型。
文摘在航空航天技术领域,代理模型发挥着关键作用。为平衡代理模型的训练成本与预测精度,需要发展能够有效挖掘多保真度数据间潜在相关性的建模方法。针对现有模型依赖预设核函数、缺乏数据自适应性的问题,提出了一种基于稀疏混合专家神经核(mixture of experts neural kernel,MoENK)的多保真度代理模型。MoENK通过线性混合和乘积混合基本单元构造新核函数,选择性屏蔽中间结果以过滤噪声,并应用于多任务高斯过程中。将该方法应用于3个函数示例和2个翼型算例中,结果表明该方法的预测精度有较大提升,尤其在NACA0012翼型阻力系数的预测中,相较于次佳方法LR-MFS,RMSE和MAE分别降低了40.42%和44.70%。证实了所提出的MoENK核函数能够不依赖预设核函数进行自适应预测,具有良好的泛化能力和鲁棒性,为工程系统的代理模型构建提供了新的工具。
