摘要:高效的网络选择方法是异构车载网络环境中保证多用户服务质量体验的关键。针对现有方法从优化车辆个体出发选择最佳接入网络,导致网络资源分配不均和部分网络拥塞的问题,提出一种基于自适应分簇和演化博弈的异构车载网络选择方法(adaptive clustering and evolutionary game based network selection method,AENS)。首先,采用自适应分簇减少直接接入网络的车辆数量,有效降低车流密集情况下的网络拥塞概率;接着,分别基于模糊层次分析法和指标相关性权重法计算候选网络属性的主、客观权重,得到更加准确评估候选网络性能的综合效用值;最后,将车辆对网络的选择抽象成基于复制动态的演化博弈模型,并引入记忆效应以加快其收敛速度,最终通过策略更新获得系统最优的网络选择策略集合。实验结果表明,在融合5G/6G的异构车载网络环境下AENS方法能够有效减少网络切换次数、提升网络吞吐量和平衡网络负载,在提高网络资源利用率的同时实现了负载均衡,且在车流密集情况下优势更为明显。
摘要:在传统的图像描述生成任务中,已有方法对图像的描述仅仅停留在浅层,并缺乏真实世界知识的指导,难以挖掘出对象在特定背景下的逻辑语义关系。新闻文本的引入为图像描述带来了新的可能,同时对模型的学习能力有了更高要求;此外,新闻图集中往往存在多幅图像,且相互之间联系紧密,导致现有单图描述生成方法不适用于新闻图集描述生成。针对上述问题,本文提出了一种基于图文双向引导注意力(image and text bidirectional guidance attention,ITBGA)的新闻图集描述方法,以图集作为研究对象,并辅以对应的新闻文本作为背景知识,基于ITBGA分别实现粗、细两个粒度的跨模态信息交互,并通过指针网络辅助命名实体词生成。在本文构建的新闻图集数据集上进行了实验验证,结果表明ITBGA能有效提升描述文本的质量,在关键的CIDEr指标上达到了最优。
摘要:多项选择作为机器阅读理解中的一项重要任务,在自然语言处理(natural language processing,NLP)领域受到了广泛关注。由于数据中需要处理的文本长度不断增长,长文本多项选择成为了一项新的挑战。然而,现有的长文本处理方法容易丢失文本中的有效信息,导致结果不准确。针对上述问题,提出了一种基于压缩与推理的长文本多项选择答题方法(Long Text Multiple Choice Answer Method Based on Compression and Reasoning,LTMCA),通过训练评判模型识别相关句子,将相关句拼接成短文本输入到推理模型进行推理。为了提高评判模型的精度,在评判模型中增加了文章与选项之间的交互以补充文章对选项的注意力,有针对性地进行相关语句识别,更加准确地完成多项选择答题任务。在本文构建的CLTMCA中文长文本多项选择数据集上进行了实验验证,结果表明本文方法能够有效地解决BERT在处理长文本多项选择任务时的限制问题,相比于其他方法,在各项评价指标上均取得了较高的提升。
关键词:BERT(bidirectional encoder representation from transformer);中文长文本;多项选择;注意力
摘要:传统的基于趋势分析的老化检测方法可能存在较高的误报。虽然多版本检测方法将先前的健壮版本作为基准版本与待测软件版本进行差分分析,但基准版本是否存在软件老化问题被忽略。为了解决以上问题,提出了一种基于差分分析的负载相关方法来检测软件老化。该方法对待测软件施加不同强度的负载,通过监控不同负载下内存资源消耗(驻留集大小(resident set size,RSS))趋势的差异并分析其与负载差异之间的关系,帮助开发人员在软件开发过程中检测单个版本(无需先验知识)的软件老化。实验结果表明,本文的方法能够检测出由内存泄漏引发软件老化,并且能够应用到真实的商业软件Squid中。