CN113627490A - 基于多核异构处理器的运维多模态决策方法及*** - Google Patents
基于多核异构处理器的运维多模态决策方法及*** Download PDFInfo
- Publication number
- CN113627490A CN113627490A CN202110798398.8A CN202110798398A CN113627490A CN 113627490 A CN113627490 A CN 113627490A CN 202110798398 A CN202110798398 A CN 202110798398A CN 113627490 A CN113627490 A CN 113627490A
- Authority
- CN
- China
- Prior art keywords
- decision
- content distribution
- distribution matrix
- data
- content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000012423 maintenance Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 168
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 254
- 239000011159 matrix material Substances 0.000 claims description 206
- 230000000875 corresponding effect Effects 0.000 claims description 60
- 230000005540 biological transmission Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 24
- 230000001276 controlling effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 230000002596 correlated effect Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供的基于多核异构处理器的运维多模态决策方法及***,抽取决策内容向量作为历史内容向量,进而根据历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法。利用种类划分方法控制目标关键决策类别的决策事项误差时,能够使目标关键决策类别中的排布方式误差变化范围与同一排布方式的决策内容向量相关。可以使范围调整较大的内容向量,在决策内容向量较小的范围调整较小的内容向量,从而使得目标关键决策类别相较于待处理决策数据的内容在各个匹配度较高。因此,根据待处理决策数据分别对目标关键决策类别的各个排布方式的决策事项误差进行调整,进而可以合理控制向量集合,降低待处理决策数据对关键决策类别的决策效果的影响。
Description
技术领域
本申请涉及数据决策技术领域,具体而言,涉及基于多核异构处理器的运维多模态决策方法及***。
背景技术
随着信息技术的不断地进步,在早期是通过人工决策的方法,对运维多模态进行处理,这样就导致相关数据决策的步骤十分缓慢,从而可能导致相关数据处理效率降低,带来不好的用户体验。
通过多核异构处理器,在相关数据量不断增加的过程中,能有效地提高相关数决策的效率。
然而,在相关数据决策的技术中还存在一些缺陷。
发明内容
鉴于此,本申请提供了基于多核异构处理器的运维多模态决策方法及***。
第一方面,提供一种基于多核异构处理器的运维多模态决策方法包括:
获取待处理决策数据并确定所述待处理决策数据的决策内容排布数据;其中,所述决策内容排布数据包括排布方式和决策内容向量的映射关系;
根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量;
根据所述历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法;其中,所述种类划分方法包括所述目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围;
根据所述种类划分方法控制所述目标关键决策类别的决策事项误差。
进一步地,根据所述种类划分方法控制所述目标关键决策类别的决策事项误差,包括:
根据所述种类划分方法确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围,并根据所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围控制所述目标关键决策类别的决策事项误差;其中,所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围在误差变化区间范围内;
所述误差变化区间范围为开区间范围,所述误差变化区间范围的端点向量为上一边界划分所述目标关键决策类别的目标排布方式误差变化范围,以及当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
其中,根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量,包括:
对所述决策内容排布数据中的决策内容向量归一化关联至目标区间范围;
根据归一化关联后的决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量。
进一步地,在根据所述决策内容排布数据控制目标关键决策类别的决策事项误差之后,还包括:
利用内容分布矩阵识别装置识别划分所述目标关键决策类别时的全局内容分布矩阵数据;其中,所述全局内容分布矩阵数据包括所述目标关键决策类别的内容分布矩阵和待处理决策数据;
判断所述全局内容分布矩阵数据的内容分布矩阵数量是否大于预设数量向量;若是,则执行第一预设步骤和/或第二预设步骤;其中,所述第一预设步骤为生成向量集合过大的预警数据;所述第二预设步骤为降低所述目标关键决策类别的决策事项误差。
进一步地,确定所述待处理决策数据的决策内容排布数据,包括:
计算所述待处理决策数据的决策关键内容;
对所述决策关键内容执行训练模型的反馈向量加权步骤得到所述待处理决策数据的决策内容排布数据。
进一步地,还包括:
采集传输轨迹描述数据;其中,所述传输轨迹描述数据用于描述传输在多个排布方式的内容分布矩阵兴趣程度;
若获得到向量集合控制指令,则根据传输轨迹描述数据确定所述目标关键决策类别对应的向量集合控制向量;其中,所述向量集合控制向量包括所述目标关键决策类别中每一排布方式对应的排布方式误差变化范围,所述排布方式误差变化范围与同一排布方式的内容分布矩阵兴趣程度正相关;
根据所述向量集合控制向量控制所述目标关键决策类别的决策事项误差;
其中,所述采集传输轨迹描述数据包括:
依次划分界线内容分布矩阵节点,并根据操作行为反馈数据确定内容分布矩阵兴趣度数据;其中,所述内容分布矩阵兴趣度数据包括传输对所有所述界线内容分布矩阵节点的兴趣内容分布矩阵数量,所述兴趣内容分布矩阵数量与所述内容分布矩阵兴趣程度正相关;
将所有所述界线内容分布矩阵节点的排布方式在线性关系的内容分布矩阵数量作为标准内容分布矩阵数量;
将同一排布方式对应的所述标准内容分布矩阵数量和所述兴趣内容分布矩阵数量进行内容分布矩阵数量比较,根据所述内容分布矩阵数量比较结果确定所述传输轨迹描述数据;
其中,所述根据操作行为反馈数据确定内容分布矩阵兴趣度数据,包括:
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差在预计误差范围内,则将所述第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的平均向量作为传输对所述目标界线内容分布矩阵节点的兴趣内容分布矩阵数量;其中,所述第一历史内容分布矩阵数量为在第一过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第二历史内容分布矩阵数量为在第二过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第一过程为按照从小到大的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程,所述第二过程为按照从大到小的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程;
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差不在预计误差范围内,则重新划分所述界线内容分布矩阵节点,并调整所述界线内容分布矩阵节点的内容分布矩阵数量,以便根据操作行为反馈数据确定新的第一历史内容分布矩阵数量和新的第二历史内容分布矩阵数量。
第二方面,提供一种基于多核异构处理器的运维多模态决策***,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
获取待处理决策数据并确定所述待处理决策数据的决策内容排布数据;其中,所述决策内容排布数据包括排布方式和决策内容向量的映射关系;
根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量;
根据所述历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法;其中,所述种类划分方法包括所述目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围;
根据所述种类划分方法控制所述目标关键决策类别的决策事项误差。
进一步地,所述数据处理终端具体用于:
根据所述种类划分方法确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围,并根据所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围控制所述目标关键决策类别的决策事项误差;其中,所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围在误差变化区间范围内;
所述误差变化区间范围为开区间范围,所述误差变化区间范围的端点向量为上一边界划分所述目标关键决策类别的目标排布方式误差变化范围,以及当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
其中,所述数据处理终端具体用于:
对所述决策内容排布数据中的决策内容向量归一化关联至目标区间范围;
根据归一化关联后的决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量。
进一步地,所述数据处理终端具体用于:
利用内容分布矩阵识别装置识别划分所述目标关键决策类别时的全局内容分布矩阵数据;其中,所述全局内容分布矩阵数据包括所述目标关键决策类别的内容分布矩阵和待处理决策数据;
判断所述全局内容分布矩阵数据的内容分布矩阵数量是否大于预设数量向量;若是,则执行第一预设步骤和/或第二预设步骤;其中,所述第一预设步骤为生成向量集合过大的预警数据;所述第二预设步骤为降低所述目标关键决策类别的决策事项误差。
进一步地,所述数据处理终端具体用于:
计算所述待处理决策数据的决策关键内容;
对所述决策关键内容执行训练模型的反馈向量加权步骤得到所述待处理决策数据的决策内容排布数据。
进一步地,所述数据处理终端具体用于:
采集传输轨迹描述数据;其中,所述传输轨迹描述数据用于描述传输在多个排布方式的内容分布矩阵兴趣程度;
若获得到向量集合控制指令,则根据传输轨迹描述数据确定所述目标关键决策类别对应的向量集合控制向量;其中,所述向量集合控制向量包括所述目标关键决策类别中每一排布方式对应的排布方式误差变化范围,所述排布方式误差变化范围与同一排布方式的内容分布矩阵兴趣程度正相关;
根据所述向量集合控制向量控制所述目标关键决策类别的决策事项误差;
其中,所述数据处理终端具体用于:
依次划分界线内容分布矩阵节点,并根据操作行为反馈数据确定内容分布矩阵兴趣度数据;其中,所述内容分布矩阵兴趣度数据包括传输对所有所述界线内容分布矩阵节点的兴趣内容分布矩阵数量,所述兴趣内容分布矩阵数量与所述内容分布矩阵兴趣程度正相关;
将所有所述界线内容分布矩阵节点的排布方式在线性关系的内容分布矩阵数量作为标准内容分布矩阵数量;
将同一排布方式对应的所述标准内容分布矩阵数量和所述兴趣内容分布矩阵数量进行内容分布矩阵数量比较,根据所述内容分布矩阵数量比较结果确定所述传输轨迹描述数据;
其中,所述数据处理终端具体用于:
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差在预计误差范围内,则将所述第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的平均向量作为传输对所述目标界线内容分布矩阵节点的兴趣内容分布矩阵数量;其中,所述第一历史内容分布矩阵数量为在第一过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第二历史内容分布矩阵数量为在第二过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第一过程为按照从小到大的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程,所述第二过程为按照从大到小的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程;
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差不在预计误差范围内,则重新划分所述界线内容分布矩阵节点,并调整所述界线内容分布矩阵节点的内容分布矩阵数量,以便根据操作行为反馈数据确定新的第一历史内容分布矩阵数量和新的第二历史内容分布矩阵数量。
本申请实施例所提供的基于多核异构处理器的运维多模态决策方法及***,在获取待处理决策数据之后确定待处理决策数据的决策内容排布数据,决策内容排布数据中包括待处理决策数据中每一排布方式的决策内容向量。本申请根据决策内容排布数据抽取M个目标排布方式的对应的决策内容向量作为历史内容向量,进而根据历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法。由于种类划分方法包括目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围,利用种类划分方法控制目标关键决策类别的决策事项误差时,能够使目标关键决策类别中每一排布方式对应的排布方式误差变化范围与同一排布方式的决策内容向量相关。通过上述控制方法可以使目标关键决策类别在决策内容向量较大的范围调整较大的内容向量,在决策内容向量较小的范围调整较小的内容向量,从而使得目标关键决策类别相较于待处理决策数据的内容在各个匹配度较高。因此,本申请根据待处理决策数据分别对目标关键决策类别的各个排布方式的决策事项误差进行调整,进而可以合理控制向量集合,降低待处理决策数据对关键决策类别的决策效果的影响。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种基于多核异构处理器的运维多模态决策方法的流程图。
图2为本申请实施例所提供的一种基于多核异构处理器的运维多模态决策装置的框图。
图3为本申请实施例所提供的一种基于多核异构处理器的运维多模态决策***的架构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种基于多核异构处理器的运维多模态决策方法,该方法可以包括以下步骤100-步骤400所描述的技术方案。
步骤100,获取待处理决策数据并确定所述待处理决策数据的决策内容排布数据。
举例而言,所述决策内容排布数据包括排布方式和决策内容向量的映射关系。
步骤200,根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量。
举例而言,历史内容向量用于表征历史决策内容向量。
步骤300,根据所述历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法。
举例而言,所述种类划分方法包括所述目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围。
步骤400,根据所述种类划分方法控制所述目标关键决策类别的决策事项误差。
可以理解,在执行上述步骤100-步骤400所描述的技术方案时,在获取待处理决策数据之后确定待处理决策数据的决策内容排布数据,决策内容排布数据中包括待处理决策数据中每一排布方式的决策内容向量。本申请根据决策内容排布数据抽取M个目标排布方式的对应的决策内容向量作为历史内容向量,进而根据历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法。由于种类划分方法包括目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围,利用种类划分方法控制目标关键决策类别的决策事项误差时,能够使目标关键决策类别中每一排布方式对应的排布方式误差变化范围与同一排布方式的决策内容向量相关。通过上述控制方法可以使目标关键决策类别在决策内容向量较大的范围调整较大的内容向量,在决策内容向量较小的范围调整较小的内容向量,从而使得目标关键决策类别相较于待处理决策数据的内容在各个匹配度较高。因此,本申请根据待处理决策数据分别对目标关键决策类别的各个排布方式的决策事项误差进行调整,进而可以合理控制向量集合,降低待处理决策数据对关键决策类别的决策效果的影响。
在一种可替换的实施例中,发明人发现,根据所述种类划分方法控制所述目标关键决策类别的决策事项误差时,存在目标排布方式误差变化范围不准确的问题,从而难以准确地控制所述目标关键决策类别的决策事项误差,为了改善上述技术问题,步骤400所描述的根据所述种类划分方法控制所述目标关键决策类别的决策事项误差的步骤,具体可以包括以下步骤q1-步骤q3所描述的技术方案。
步骤q1,根据所述种类划分方法确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围。
步骤q2,确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围,并根据所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围控制所述目标关键决策类别的决策事项误差。
示例性的,所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围在误差变化区间范围内。
步骤q3,所述误差变化区间范围为开区间范围,所述误差变化区间范围的端点向量为上一边界划分所述目标关键决策类别的目标排布方式误差变化范围,以及当前边界划分所述目标关键决策类别的目标排布方式误差变化范围。
可以理解,在执行上述步骤q1-步骤q3所描述的技术方案时,根据所述种类划分方法控制所述目标关键决策类别的决策事项误差时,避免目标排布方式误差变化范围不准确的问题,从而能够准确地控制所述目标关键决策类别的决策事项误差。
在一种可替换的实施例中,发明人发现,根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量时,存在决策内容排布数据不精确的问题,从而难以精确地作为历史内容向量,为了改善上述技术问题,步骤200所描述的根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量的步骤,具体可以包括以下步骤w1和步骤w2所描述的技术方案。
步骤w1,对所述决策内容排布数据中的决策内容向量归一化关联至目标区间范围。
步骤w2,根据归一化关联后的决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量。
可以理解,在执行上述步骤w1和步骤w2所描述的技术方案时,根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量时,避免决策内容排布数据不精确的问题,从而能够精确地作为历史内容向量。
基于上述基础,在根据所述决策内容排布数据控制目标关键决策类别的决策事项误差之后,还可以包括以下步骤e1-步骤e3所描述的技术方案。
步骤e1,利用内容分布矩阵识别装置识别划分所述目标关键决策类别时的全局内容分布矩阵数据。
示例性的,所述全局内容分布矩阵数据包括所述目标关键决策类别的内容分布矩阵和待处理决策数据。
步骤e2,判断所述全局内容分布矩阵数据的内容分布矩阵数量是否大于预设数量向量;若是,则执行第一预设步骤和/或第二预设步骤。
示例性的,所述第一预设步骤为生成向量集合过大的预警数据。
步骤e3,所述第二预设步骤为降低所述目标关键决策类别的决策事项误差。
可以理解,在执行上述步骤e1-步骤e3所描述的技术方案时,通过内容分布矩阵和待处理决策数据,能有效地提高决策事项误差的精度。
在一种可替换的实施例中,发明人发现,确定所述待处理决策数据的决策内容排布数据时,存在计算决策关键内容不可靠的问题,从而难以可靠地确定所述待处理决策数据的决策内容排布数据,为了改善上述技术问题,步骤100所描述的确定所述待处理决策数据的决策内容排布数据的步骤,具体可以包括以下步骤r1和步骤r2所描述的技术方案。
步骤r1,计算所述待处理决策数据的决策关键内容。
步骤r2,对所述决策关键内容执行训练模型的反馈向量加权步骤得到所述待处理决策数据的决策内容排布数据。
可以理解,在执行上述步骤r1和步骤r2所描述的技术方案时,确定所述待处理决策数据的决策内容排布数据时,避免计算决策关键内容不可靠的问题,从而能够可靠地确定所述待处理决策数据的决策内容排布数据。
基于上述基础,还可以包括以下步骤t1-步骤t3所描述的技术方案。
步骤t1,采集传输轨迹描述数据。
举例而言,所述传输轨迹描述数据用于描述传输在多个排布方式的内容分布矩阵兴趣程度。
步骤t2,若获得到向量集合控制指令,则根据传输轨迹描述数据确定所述目标关键决策类别对应的向量集合控制向量。
举例而言,所述向量集合控制向量包括所述目标关键决策类别中每一排布方式对应的排布方式误差变化范围,所述排布方式误差变化范围与同一排布方式的内容分布矩阵兴趣程度正相关。
步骤t3,根据所述向量集合控制向量控制所述目标关键决策类别的决策事项误差。
可以理解,在执行上述步骤t1-步骤t3所描述的技术方案时,通过向量集合控制指令,从而提高决策事项误差的精度。
在一种可替换的实施例中,发明人发现,采集传输轨迹描述数据时,存在内容分布矩阵兴趣度数据不准确的问题,从而难以准确地采集传输轨迹描述数据,为了改善上述技术问题,步骤t1所描述的采集传输轨迹描述数据的步骤,具体可以包括以下步骤t11-步骤t13所描述的技术方案。
步骤t11,依次划分界线内容分布矩阵节点,并根据操作行为反馈数据确定内容分布矩阵兴趣度数据。
示例性的,所述内容分布矩阵兴趣度数据包括传输对所有所述界线内容分布矩阵节点的兴趣内容分布矩阵数量,所述兴趣内容分布矩阵数量与所述内容分布矩阵兴趣程度正相关。
步骤t12,将所有所述界线内容分布矩阵节点的排布方式在线性关系的内容分布矩阵数量作为标准内容分布矩阵数量。
步骤t13,将同一排布方式对应的所述标准内容分布矩阵数量和所述兴趣内容分布矩阵数量进行内容分布矩阵数量比较,根据所述内容分布矩阵数量比较结果确定所述传输轨迹描述数据。
可以理解,在执行上述步骤t11-步骤t13所描述的技术方案时,采集传输轨迹描述数据时,避免内容分布矩阵兴趣度数据不准确的问题,从而能够给准确地采集传输轨迹描述数据。
在一种可替换的实施例中,发明人发现,根据操作行为反馈数据时,存在预计误差范围不准确的问题,从而难以准确地确定内容分布矩阵兴趣度数据,为了改善上述技术问题,步骤t11所描述的根据操作行为反馈数据确定内容分布矩阵兴趣度数据的步骤,具体可以包括以下步骤y1和步骤y2所描述的技术方案。
步骤y1,若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差在预计误差范围内,则将所述第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的平均向量作为传输对所述目标界线内容分布矩阵节点的兴趣内容分布矩阵数量。
示例性的,所述第一历史内容分布矩阵数量为在第一过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第二历史内容分布矩阵数量为在第二过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第一过程为按照从小到大的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程,所述第二过程为按照从大到小的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程
步骤y2,若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差不在预计误差范围内,则重新划分所述界线内容分布矩阵节点,并调整所述界线内容分布矩阵节点的内容分布矩阵数量,以便根据操作行为反馈数据确定新的第一历史内容分布矩阵数量和新的第二历史内容分布矩阵数量。
可以理解,在执行上述步骤y1和步骤y2所描述的技术方案时,根据操作行为反馈数据时,避免预计误差范围不准确的问题,从而能够准确地确定内容分布矩阵兴趣度数据。
在一种可能的实施例中,发明人发现,根据传输轨迹描述数据时,存在排布方式权重向量不准确的问题,从而难以准确地确定所述目标关键决策类别对应的向量集合控制向量,为了改善上述技术问题,步骤t2所描述的根据传输轨迹描述数据确定所述目标关键决策类别对应的向量集合控制向量的步骤,具体可以包括以下步骤a1和步骤a2所描述的技术方案。
步骤a1,根据所述传输轨迹描述数据确定排布方式权重向量。
示例性的,所述排布方式权重向量为传输在目标排布方式的兴趣内容分布矩阵数量与兴趣内容分布矩阵数量差的比向量,所述兴趣内容分布矩阵数量差为第一兴趣内容分布矩阵数量与第二兴趣内容分布矩阵数量的差,所述第一兴趣内容分布矩阵数量为传输最不兴趣排布方式的兴趣内容分布矩阵数量,所述第二兴趣内容分布矩阵数量为传输最兴趣排布方式的兴趣内容分布矩阵数量。
步骤a2,根据所有排布方式对应的排布方式权重向量确定所述目标关键决策类别中所有排布方式的排布方式误差变化范围,并根据所有所述排布方式的排布方式误差变化范围生成向量集合控制向量。
示例性的,所述排布方式权重向量与排布方式误差变化范围正相关。
可以理解,在执行上述步骤a1和步骤a2所描述的技术方案时,根据传输轨迹描述数据时,避免排布方式权重向量不准确的问题,从而能够准确地确定所述目标关键决策类别对应的向量集合控制向量。
在上述基础上,请结合参阅图2,提供了一种基于多核异构处理器的运维多模态决策装置200,应用于数据处理终端,所述装置包括:
排布数据确定模块210,用于获取待处理决策数据并确定所述待处理决策数据的决策内容排布数据;其中,所述决策内容排布数据包括排布方式和决策内容向量的映射关系;
历史内容抽取模块220,用于根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量;
种类划分识别模块230,用于根据所述历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法;其中,所述种类划分方法包括所述目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围;
事项误差决策模块240,用于根据所述种类划分方法控制所述目标关键决策类别的决策事项误差。
在上述基础上,请结合参阅图3,示出了一种基于多核异构处理器的运维多模态决策***300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,在获取待处理决策数据之后确定待处理决策数据的决策内容排布数据,决策内容排布数据中包括待处理决策数据中每一排布方式的决策内容向量。本申请根据决策内容排布数据抽取M个目标排布方式的对应的决策内容向量作为历史内容向量,进而根据历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法。由于种类划分方法包括目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围,利用种类划分方法控制目标关键决策类别的决策事项误差时,能够使目标关键决策类别中每一排布方式对应的排布方式误差变化范围与同一排布方式的决策内容向量相关。通过上述控制方法可以使目标关键决策类别在决策内容向量较大的范围调整较大的内容向量,在决策内容向量较小的范围调整较小的内容向量,从而使得目标关键决策类别相较于待处理决策数据的内容在各个匹配度较高。因此,本申请根据待处理决策数据分别对目标关键决策类别的各个排布方式的决策事项误差进行调整,进而可以合理控制向量集合,降低待处理决策数据对关键决策类别的决策效果的影响。
应当理解,上述所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于多核异构处理器的运维多模态决策方法,其特征在于,包括:
获取待处理决策数据并确定所述待处理决策数据的决策内容排布数据;其中,所述决策内容排布数据包括排布方式和决策内容向量的映射关系;
根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量;
根据所述历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法;其中,所述种类划分方法包括所述目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围;
根据所述种类划分方法控制所述目标关键决策类别的决策事项误差。
2.根据权利要求1所述的方法,其特征在于,根据所述种类划分方法控制所述目标关键决策类别的决策事项误差,包括:
根据所述种类划分方法确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围,并根据所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围控制所述目标关键决策类别的决策事项误差;其中,所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围在误差变化区间范围内;
所述误差变化区间范围为开区间范围,所述误差变化区间范围的端点向量为上一边界划分所述目标关键决策类别的目标排布方式误差变化范围,以及当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
其中,根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量,包括:
对所述决策内容排布数据中的决策内容向量归一化关联至目标区间范围;
根据归一化关联后的决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量。
3.根据权利要求1所述的方法,其特征在于,在根据所述决策内容排布数据控制目标关键决策类别的决策事项误差之后,还包括:
利用内容分布矩阵识别装置识别划分所述目标关键决策类别时的全局内容分布矩阵数据;其中,所述全局内容分布矩阵数据包括所述目标关键决策类别的内容分布矩阵和待处理决策数据;
判断所述全局内容分布矩阵数据的内容分布矩阵数量是否大于预设数量向量;若是,则执行第一预设步骤和/或第二预设步骤;其中,所述第一预设步骤为生成向量集合过大的预警数据;
所述第二预设步骤为降低所述目标关键决策类别的决策事项误差。
4.根据权利要求1所述的方法,其特征在于,确定所述待处理决策数据的决策内容排布数据,包括:
计算所述待处理决策数据的决策关键内容;
对所述决策关键内容执行训练模型的反馈向量加权步骤得到所述待处理决策数据的决策内容排布数据。
5.根据权利要求1至4任一项所述的方法,其特征在于,还包括:
采集传输轨迹描述数据;其中,所述传输轨迹描述数据用于描述传输在多个排布方式的内容分布矩阵兴趣程度;
若获得到向量集合控制指令,则根据传输轨迹描述数据确定所述目标关键决策类别对应的向量集合控制向量;其中,所述向量集合控制向量包括所述目标关键决策类别中每一排布方式对应的排布方式误差变化范围,所述排布方式误差变化范围与同一排布方式的内容分布矩阵兴趣程度正相关;
根据所述向量集合控制向量控制所述目标关键决策类别的决策事项误差;
其中,所述采集传输轨迹描述数据包括:
依次划分界线内容分布矩阵节点,并根据操作行为反馈数据确定内容分布矩阵兴趣度数据;其中,所述内容分布矩阵兴趣度数据包括传输对所有所述界线内容分布矩阵节点的兴趣内容分布矩阵数量,所述兴趣内容分布矩阵数量与所述内容分布矩阵兴趣程度正相关;
将所有所述界线内容分布矩阵节点的排布方式在线性关系的内容分布矩阵数量作为标准内容分布矩阵数量;
将同一排布方式对应的所述标准内容分布矩阵数量和所述兴趣内容分布矩阵数量进行内容分布矩阵数量比较,根据所述内容分布矩阵数量比较结果确定所述传输轨迹描述数据;
其中,所述根据操作行为反馈数据确定内容分布矩阵兴趣度数据,包括:
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差在预计误差范围内,则将所述第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的平均向量作为传输对所述目标界线内容分布矩阵节点的兴趣内容分布矩阵数量;其中,所述第一历史内容分布矩阵数量为在第一过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第二历史内容分布矩阵数量为在第二过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第一过程为按照从小到大的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程,所述第二过程为按照从大到小的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程;
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差不在预计误差范围内,则重新划分所述界线内容分布矩阵节点,并调整所述界线内容分布矩阵节点的内容分布矩阵数量,以便根据操作行为反馈数据确定新的第一历史内容分布矩阵数量和新的第二历史内容分布矩阵数量。
6.一种基于多核异构处理器的运维多模态决策***,其特征在于,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
获取待处理决策数据并确定所述待处理决策数据的决策内容排布数据;其中,所述决策内容排布数据包括排布方式和决策内容向量的映射关系;
根据所述决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量;
根据所述历史内容向量对目标关键决策类别进行识别预处理得到种类划分方法;其中,所述种类划分方法包括所述目标关键决策类别中每一排布方式对应的目标排布方式误差变化范围;
根据所述种类划分方法控制所述目标关键决策类别的决策事项误差。
7.根据权利要求6所述的***,其特征在于,所述数据处理终端具体用于:
根据所述种类划分方法确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
确定当前边界划分所述目标关键决策类别的目标排布方式误差变化范围,并根据所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围控制所述目标关键决策类别的决策事项误差;其中,所述当前边界划分所述目标关键决策类别的目标排布方式误差变化范围在误差变化区间范围内;
所述误差变化区间范围为开区间范围,所述误差变化区间范围的端点向量为上一边界划分所述目标关键决策类别的目标排布方式误差变化范围,以及当前边界划分所述目标关键决策类别的目标排布方式误差变化范围;
其中,所述数据处理终端具体用于:
对所述决策内容排布数据中的决策内容向量归一化关联至目标区间范围;
根据归一化关联后的决策内容排布数据,抽取M个目标排布方式的对应的决策内容向量作为历史内容向量。
8.根据权利要求6所述的***,其特征在于,所述数据处理终端具体用于:
利用内容分布矩阵识别装置识别划分所述目标关键决策类别时的全局内容分布矩阵数据;其中,所述全局内容分布矩阵数据包括所述目标关键决策类别的内容分布矩阵和待处理决策数据;
判断所述全局内容分布矩阵数据的内容分布矩阵数量是否大于预设数量向量;若是,则执行第一预设步骤和/或第二预设步骤;其中,所述第一预设步骤为生成向量集合过大的预警数据;所述第二预设步骤为降低所述目标关键决策类别的决策事项误差。
9.根据权利要求6所述的***,其特征在于,所述数据处理终端具体用于:
计算所述待处理决策数据的决策关键内容;
对所述决策关键内容执行训练模型的反馈向量加权步骤得到所述待处理决策数据的决策内容排布数据。
10.根据权利要求6至9任一项所述的***,其特征在于,所述数据处理终端具体用于:
采集传输轨迹描述数据;其中,所述传输轨迹描述数据用于描述传输在多个排布方式的内容分布矩阵兴趣程度;
若获得到向量集合控制指令,则根据传输轨迹描述数据确定所述目标关键决策类别对应的向量集合控制向量;其中,所述向量集合控制向量包括所述目标关键决策类别中每一排布方式对应的排布方式误差变化范围,所述排布方式误差变化范围与同一排布方式的内容分布矩阵兴趣程度正相关;
根据所述向量集合控制向量控制所述目标关键决策类别的决策事项误差;
其中,所述数据处理终端具体用于:
依次划分界线内容分布矩阵节点,并根据操作行为反馈数据确定内容分布矩阵兴趣度数据;其中,所述内容分布矩阵兴趣度数据包括传输对所有所述界线内容分布矩阵节点的兴趣内容分布矩阵数量,所述兴趣内容分布矩阵数量与所述内容分布矩阵兴趣程度正相关;
将所有所述界线内容分布矩阵节点的排布方式在线性关系的内容分布矩阵数量作为标准内容分布矩阵数量;
将同一排布方式对应的所述标准内容分布矩阵数量和所述兴趣内容分布矩阵数量进行内容分布矩阵数量比较,根据所述内容分布矩阵数量比较结果确定所述传输轨迹描述数据;
其中,所述数据处理终端具体用于:
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差在预计误差范围内,则将所述第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的平均向量作为传输对所述目标界线内容分布矩阵节点的兴趣内容分布矩阵数量;其中,所述第一历史内容分布矩阵数量为在第一过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第二历史内容分布矩阵数量为在第二过程中获得到操作行为反馈数据时对应的内容分布矩阵数量,所述第一过程为按照从小到大的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程,所述第二过程为按照从大到小的顺序调整所述界线内容分布矩阵节点的内容分布矩阵数量的过程;
若第一历史内容分布矩阵数量和第二历史内容分布矩阵数量的内容分布矩阵数量之差不在预计误差范围内,则重新划分所述界线内容分布矩阵节点,并调整所述界线内容分布矩阵节点的内容分布矩阵数量,以便根据操作行为反馈数据确定新的第一历史内容分布矩阵数量和新的第二历史内容分布矩阵数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798398.8A CN113627490B (zh) | 2021-07-15 | 2021-07-15 | 基于多核异构处理器的运维多模态决策方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798398.8A CN113627490B (zh) | 2021-07-15 | 2021-07-15 | 基于多核异构处理器的运维多模态决策方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627490A true CN113627490A (zh) | 2021-11-09 |
CN113627490B CN113627490B (zh) | 2024-05-28 |
Family
ID=78379815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110798398.8A Active CN113627490B (zh) | 2021-07-15 | 2021-07-15 | 基于多核异构处理器的运维多模态决策方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627490B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780842A (zh) * | 2017-01-11 | 2017-05-31 | 张军 | 一种基于多核异构处理器的智能行车预警***原型 |
CN107329878A (zh) * | 2017-07-03 | 2017-11-07 | 上海德衡数据科技有限公司 | 一种基于多核异构处理器的运维多模态决策***原型 |
CN107347064A (zh) * | 2017-06-29 | 2017-11-14 | 厦门日华科技股份有限公司 | 基于神经网络算法的云计算平台态势预测方法 |
CN108038186A (zh) * | 2017-12-11 | 2018-05-15 | 上海齐网网络科技有限公司 | 一种基于多智能体的物联网操作***架构 |
CN108932135A (zh) * | 2018-06-29 | 2018-12-04 | 中国科学技术大学苏州研究院 | 基于fpga的分类算法的加速平台设计方法 |
CN110001660A (zh) * | 2018-12-17 | 2019-07-12 | 蔚来汽车有限公司 | 一种分布式多核异构*** |
CN110221951A (zh) * | 2019-06-05 | 2019-09-10 | 张军 | 一种基于多路数据处理器的运维多模态决策*** |
CN110706256A (zh) * | 2019-09-27 | 2020-01-17 | 杭州博雅鸿图视频技术有限公司 | 一种基于多核异构平台的检测跟踪算法优化方法 |
US20200074213A1 (en) * | 2017-06-30 | 2020-03-05 | Shanghai Datacenter Science Co., Ltd | Gpb algorithm based operation and maintenance multi-modal decision system prototype |
US20200280722A1 (en) * | 2020-05-15 | 2020-09-03 | Intel Corporation | High quality advanced neighbor management encoder architecture |
CN111880545A (zh) * | 2020-02-17 | 2020-11-03 | 李华兰 | 自动驾驶装置、***、自动驾驶决策处理方法及装置 |
WO2021012524A1 (zh) * | 2019-07-24 | 2021-01-28 | 平安科技(深圳)有限公司 | 事项督办方法、装置、计算机设备及存储介质 |
CN112288027A (zh) * | 2020-11-05 | 2021-01-29 | 河北工业大学 | 异构多模态影像遗传学数据特征分析方法 |
CN112419729A (zh) * | 2020-11-23 | 2021-02-26 | 北京嘀嘀无限科技发展有限公司 | 一种根据预测车流量确定决策策略的方法和*** |
-
2021
- 2021-07-15 CN CN202110798398.8A patent/CN113627490B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780842A (zh) * | 2017-01-11 | 2017-05-31 | 张军 | 一种基于多核异构处理器的智能行车预警***原型 |
CN107347064A (zh) * | 2017-06-29 | 2017-11-14 | 厦门日华科技股份有限公司 | 基于神经网络算法的云计算平台态势预测方法 |
US20200074213A1 (en) * | 2017-06-30 | 2020-03-05 | Shanghai Datacenter Science Co., Ltd | Gpb algorithm based operation and maintenance multi-modal decision system prototype |
CN107329878A (zh) * | 2017-07-03 | 2017-11-07 | 上海德衡数据科技有限公司 | 一种基于多核异构处理器的运维多模态决策***原型 |
CN108038186A (zh) * | 2017-12-11 | 2018-05-15 | 上海齐网网络科技有限公司 | 一种基于多智能体的物联网操作***架构 |
CN108932135A (zh) * | 2018-06-29 | 2018-12-04 | 中国科学技术大学苏州研究院 | 基于fpga的分类算法的加速平台设计方法 |
CN110001660A (zh) * | 2018-12-17 | 2019-07-12 | 蔚来汽车有限公司 | 一种分布式多核异构*** |
CN110221951A (zh) * | 2019-06-05 | 2019-09-10 | 张军 | 一种基于多路数据处理器的运维多模态决策*** |
WO2021012524A1 (zh) * | 2019-07-24 | 2021-01-28 | 平安科技(深圳)有限公司 | 事项督办方法、装置、计算机设备及存储介质 |
CN110706256A (zh) * | 2019-09-27 | 2020-01-17 | 杭州博雅鸿图视频技术有限公司 | 一种基于多核异构平台的检测跟踪算法优化方法 |
CN111880545A (zh) * | 2020-02-17 | 2020-11-03 | 李华兰 | 自动驾驶装置、***、自动驾驶决策处理方法及装置 |
US20200280722A1 (en) * | 2020-05-15 | 2020-09-03 | Intel Corporation | High quality advanced neighbor management encoder architecture |
CN112288027A (zh) * | 2020-11-05 | 2021-01-29 | 河北工业大学 | 异构多模态影像遗传学数据特征分析方法 |
CN112419729A (zh) * | 2020-11-23 | 2021-02-26 | 北京嘀嘀无限科技发展有限公司 | 一种根据预测车流量确定决策策略的方法和*** |
Non-Patent Citations (3)
Title |
---|
BIN REN等: "Evaluating mapreduce for multi-core and multiprocessor systems", 《PPOPP》, 31 January 2017 (2017-01-31) * |
张世武, 吴月华, 杨杰, 刘际明: "基于信息寻觅智能体的网络用户浏览模式研究", 计算机研究与发展, no. 11, 16 November 2004 (2004-11-16) * |
张展;张宪琦;左德承;付国栋;: "面向边缘计算的目标追踪应用部署策略研究", 软件学报, no. 09, 14 January 2020 (2020-01-14) * |
Also Published As
Publication number | Publication date |
---|---|
CN113627490B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378554A (zh) | 一种医疗信息智能交互的方法及*** | |
CN114661994B (zh) | 基于人工智能的用户兴趣数据处理方法、***及云平台 | |
CN115512344A (zh) | 一种三维实景图像识别处理方法、***及云平台 | |
CN113627490A (zh) | 基于多核异构处理器的运维多模态决策方法及*** | |
CN113626594B (zh) | 基于多智能体的运维知识库的建立方法及*** | |
CN115481197A (zh) | 一种分布式数据处理方法、***及云平台 | |
CN113626538A (zh) | 基于大数据的医疗信息智能分类的方法及*** | |
CN113360562A (zh) | 基于人工智能与大数据的接口配对方法、***及云平台 | |
CN113610373A (zh) | 基于智能制造的信息决策处理方法及*** | |
CN114611478B (zh) | 一种基于人工智能的信息处理方法、***及云平台 | |
CN113610117B (zh) | 基于深度数据的水下传感数据处理方法及*** | |
CN111079574B (zh) | 一种训练神经网络的方法及*** | |
CN114168670B (zh) | 一种产业生态大数据整合方法、***及云平台 | |
CN114661980B (zh) | 一种网页数据推送方法、***及云平台 | |
CN113609931B (zh) | 基于神经网络的人脸识别方法及*** | |
CN110991613B (zh) | 一种训练神经网络的方法及*** | |
CN114169437A (zh) | 一种智能关键数据属性融合方法及*** | |
CN115374839A (zh) | 一种能耗感知决策的数据管理方法及*** | |
CN113609362A (zh) | 基于5g的数据管理方法及*** | |
CN113596849A (zh) | 一种智能家居的无线通信信道动态分配方法及*** | |
CN114282505A (zh) | 一种基于科技成果转化的报表模板构建方法及*** | |
CN114168999A (zh) | 基于数据中心的综合安保方法及*** | |
CN114167965A (zh) | 基于数据中心的高热密度智能制冷方法及*** | |
CN115371848A (zh) | 一种热能信息监控方法及*** | |
CN113608689A (zh) | 基于边缘计算的数据缓存方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |