CN110825583B - 一种针对云数据中心多指标融合的能效定性评估技术 - Google Patents

一种针对云数据中心多指标融合的能效定性评估技术 Download PDF

Info

Publication number
CN110825583B
CN110825583B CN201911035649.6A CN201911035649A CN110825583B CN 110825583 B CN110825583 B CN 110825583B CN 201911035649 A CN201911035649 A CN 201911035649A CN 110825583 B CN110825583 B CN 110825583B
Authority
CN
China
Prior art keywords
index
energy efficiency
data center
data
indexes
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.)
Active
Application number
CN201911035649.6A
Other languages
English (en)
Other versions
CN110825583A (zh
Inventor
龙赛琴
黄金娜
龙威帆
余浩
幸运
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201911035649.6A priority Critical patent/CN110825583B/zh
Publication of CN110825583A publication Critical patent/CN110825583A/zh
Application granted granted Critical
Publication of CN110825583B publication Critical patent/CN110825583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明设计了一种针对云数据中心的多指标融合的能效定性评估技术。在云数据中心领域，为了能够更好地对数据中心进行有效的改进，要求我们能够提出提出完善的指标体系，并设计一种多指标融合的能效定性评估技术。由于指标之间存在互相关联的情况，这里运用主成分分析的方法，把原来多个数据中心能效指标化为少数几个互不相关的综合指标，既能够反映数据中心能效指标体系的绝大部分信息又能够缩小待评估的指标集合，可以减轻后续步骤的计算复杂程度。另外，引入基于径向基神经网络的评估方法，通过对已有样本的学习，从而获取专家的知识和经验，完成对多个能效指标作为评估数据中心能效因素的考量，而只输出一个综合评判的值。

Description

一种针对云数据中心多指标融合的能效定性评估技术
技术领域
本发明涉及云计算数据中心能效评估技术领域，特别是对不同体系结构的云数据中心的多指标融合的能效定性评估方法。
背景技术
随着互联网的发展，全球数据总量持续增长，云数据中心的负荷也日益增加，由于物质条件的限制，云数据中心的能耗也越来越令人担忧。在全球倡导可持续发展的大背景下，有必要对云数据中心的能效进行评估，以更好地对云数据中心进行改进。在为人们提供更好的绿色服务的同时，又能够实现可持续发展。在目前的数据中心能效评估方面，已经有了相当多的能效评估指标。然而，这些指标有的仅仅关注云数据中心能效的某一个层面，有的指标则因无法精确测量而无法得到可进行评估的数据。此外，不同体系结构的云数据中心,由于内部结构的多样化，缺少一个统一的标准，不能对各种结构的数据中心体系形成一个统一的规范的定性评价的标准。简而言之，单个能效指标难以评估数据中心的真实情况,多个指标又可能会导致指标之间互相矛盾的评估结果。基于这些限制条件，目前的评估技术及评估标准无法客观地体现云数据中心的能效情况。
通常，数据中心的能效指标之间互相关联又互相影响，存在着一种非线性的关系。不同的指标从不同的角度反映数据中心的能效情况，但部分指标之间也存在一定的相关性，如PUE(数据中心电力使用效率)和pPUE(数据中心局部电力使用效率)之间的正相关关系,PUE和DCiE(数据中心基础架构效率)之间的反比关系。主成分分析法能够把原来多个数据中心能效指标化为少数几个互不相关的综合指标，既能够反映数据中心能效指标体系的绝大部分信息又能够缩小待评估的指标集合，减轻后续步骤的计算复杂程度。
RBF神经网络是一种不同于BP神经网络的人工神经网络，它没有反向传播的学习过程，因此，它的权值确定过程相对而言更快。RBF神经网络也是一种传统的神经网络模型，具有三层网络结构，即输入层，隐藏层和输出层所组成。它利用激活函数对输入层数据做了一个非线性的改变,利用权值将隐藏层和输出层之间连接起来。通过调整权值使得输出值与期望值一致，就可以得到一个初步的能效评估模型。这样一个完整的过程称之为RBF网络模型的训练过程，从而得到一个初步的能效评估模型。
传统的数据中心能效评估通常只采用一个单一的指标(PUE)，前人所建立的能效指标体系中，指标数量少，且不具有代表性，并且缺乏可信的评估标准。云数据中心的结构越来越多样化，规模更是多达数十万台，已经不再适用于今天的数据中心。需要利用多个指标及更具有代表性的方式来综合评估数据中心的能效情况。为此，我们建立了一套新的能效指标体系，提出了一种多指标融合的能效定性评估技术。
发明内容
本发明的目的在于克服已有的能效评估技术单一化的问题，或是多个指标导致的矛盾冲突的评估结果，提出了一种多指标融合的能效定性评估技术，结合专家知识选取参与能效定性评估的指标，对指标进行统一的标准化处理，然后通过径向基神经网络模型来得到评估值，根据评估值得到相应的分数。该分数能够较为直观得反映出数据中心的能效情况。
步骤1、综合考虑数据中心的多场景、多层次、多粒度能效相关的关键特征，从现有的能效指标中选取一部分具有代表性且容易测量的能效指标，指标数量为p。
1)所选取的指标需随着数据中心的状态改变而改变
2)指标需以优化数据中心的性能为导向
3)指标是可以测量的。若不可以测量，则至少可以准确估计
4)指标的测量不可过分消耗资源
5)指标需要独立于硬件设备
6)指标需具有其独特性
7)指标的测量尺度与粒度需满足实际评价需求
8)指标需具有鲁棒性，不可以被轻易欺骗
9)指标的测量不能影响正常的业务
10)指标可以有效衡量跨云数据中心的性能
步骤2、对步骤1中的指标数据进行标准化处理。数据的标准化采用常规的处理方法：Min-max标准化方法。Min-max标准化方法是对原始数据进行线性变换。设minX和maxX分别为数据中心能效指标X对应数值的最小值和最大值，通过公式：
x’＝(x-minX)/(maxX-minX)
对能效指标进行数据处理，将指标的一个原始数据集中的每一个x通过min-max标准化映射成在区间[0,1]中新的x’值。
步骤3、对步骤2中标准化处理过的数据中心能效指标运用主成分分析法做进一步地处理。主成分分析法提取数据中心能效指标主要包括以下步骤：
1)原始数据中心能效指标数据的标准化，对步骤2中处理过的数据采用Z-Score方法处理。采集n组p维的能效指标数据，构造成n个样本p个指标的随机变量数据矩阵对样本中的每一个数据做中心化处理得到(x1′,x2′,x3′,……xp′)；
Z-Score方法的公式为
a)x为数据中心指标的观测值，这里代表某个数据中心能效指标的某一个观测数据值；
b)μ为总体数据的均值，这里代表某个数据中心指标样本数据的均值；
c)δ为总体数据的标准差，这里代表某个数据中心指标样本数据的标准差，与μ中的总体是在同一个量级中进行计算的。
2)设n组p维数据的协方差矩阵为R；
这里，cov(X，T)＝E(XY)-E(X)E(Y)
3)解样本相关矩阵R的特征方程|R-λx|＝0，得到p个特征根及相应的特征向量；
4)计算累积方差贡献率其中λi为特征根；
5)由累积方差贡献率(一般取85％以上)确定主成分的个数(q)，并求出主成分表达式。那么我们将得到下面几个特征。每一个Yi是一个主成分，可以看作是新的特征。
Y1＝a11x11+a12x12+a13x13+…+a1px1p
Y2＝a21x21+a22x22+a23x23+…+a2px2p
Y3＝a31x31+a32x32+a33x33+…+a3px3p
……
Yq＝aq1xq1+aq2xq2+aq3xq3+…+aqpxqp
步骤4、利用RBF神经网络确定各能效指标的权重，其特征在于所述的网络建立还需要以下几个步骤：
1)确定RBF神经网络各层节点数，输入层对应的是能效指标体系中经过降维的指标数目，输出层代表最终的评估结果，仅仅需要一个节点；
2)选择合适的隐含层激活函数；
3)所建立的指标体系各指标映于RBF神经网络的输入层，作为输入层的输入数据；
4)利用激活函数对输入层数据做非线性处理，负责将指标体系中的多个指标进行融合；
5)神经网络通过调整确定隐含层到输出层的权重，至此，完成了RBF神经网络的建立。
步骤5、根据步骤4得到的结果建立多指标融合的能效评估模型。
综上所述，本方法的优点在于：
1)将多个能效指标进行融合评估数据中心的能效，弥补了单个指标评估不全面的缺点，同时又避免了不同指标同时评估可能出现的互相矛盾的评估结果。
2)通过主成分分析对指标进行降维，能够在指标收集全面的同时保证评估结果的可靠性，同时使数据中心能效指标的评估问题得到简化。
3)运用RBF神经网络建立评估模型，能够较好得处理指标之间的非线性关系和相互关联性，具有较好的适应性。
附图说明
图1是本发明多指标融合的能效定性评估方法流程图；
图2是本发明采用的RBF神经网络流程图；
图3是本发明的RBF神经网络模型结构图。
具体实施方式
如图1所示，本发明技术方案的具体步骤为：
步骤1、基于云数据中心能效指标的选取标准，从中选取12个能效指标，构建如图2所示的评价指标体系。选取的12个指标如表1所示。
表1能效指标评价体系
代号 能效指标简写 能效指标具体名称
X1 CPE 计算功率效率
X2 DcCE 数据中心计算效率
X3 DCeP 数据中心能源生产力
X4 DCiE 数据中心基础架构效率
X5 DCLD 数据中心照明密度
X6 DCPE 数据中心性能效率
X7 ITUE IT设备电力使用效率
X8 PDE 功率密度效率
X9 PUE 数据中心电力使用效率
X10 ScE 服务器计算效率
X11 TUE 数据中心总电力的使用效率
X12 pPUE 数据中心局部电力使用效率
步骤2、根据步骤1中选取的能效指标，对各项指标进行标准化。
设minX和maxX分别为指标X的最小值和最大值，利用公式：x’＝(x-minX)/(maxX-minX)，对能效指标进行数据处理，将指标的原始数据集中的每一个x通过min-max标准化映射成在区间[0，1]中新的x’值。
步骤3、对步骤2中处理后的指标数据运用主成分分析方法进行降维处理。主成分分析方法降维主要包括下面几个步骤：
1)原始能效指标数据的标准化。对步骤2中处理过的数据先采用Z-Score方法进行处理。采集n组p维的能效指标数据，构造成n组的p维随机变量数据。采集n组p维的能效指标数据(本发明中p可以确定为12)，构造成n组的p维随机变量数据对样本中的每一个数据进行中心化处理后得到(x′1，x′2，x′3，……xp′)。其中，能效指标数据中心化的处理方法为/>
Z-Score方法的公式为
a)x为数据中心指标的观测值，这里代表某个数据中心能效指标的某一个观测数据值
b)μ为总体数据的均值，这里代表某个数据中心指标样本数据的均值
c)δ为总体数据的标准差，这里代表某个数据中心指标样本数据的标准差，与μ中的总体是在同一个量级中进行计算的。
2)设n组p维数据的协方差矩阵为R。
注：cov(X，Y)＝E(XY)-E(X)E(T)
3)解出样本相关矩阵R的特征方程|R-λx|＝0，得到p个特征根及相应的特征向量。
4)计算累积方差贡献率其中λi为特征根。
5)由累积方差贡献率确定主成分的个数q，并求出主成分表达式。在本发明中，我们设定累积方差贡献率为95％，提取达到该贡献率的主成分，那么我们将得到下面几个特征。每一个Yq是一个主成分，可以看作是新的特征。
Y1＝a11x11+a12x12+a13x13+…+a1px1p
Y2＝a21x21+a22x22+a23x23+…+a2px2p
Y3＝a31x31+a32x32+a33x33+…+a3px3p
……
Yq＝aq1xq1+aq2xq2+aq3xq3+…+aqpxqp
步骤4、将处理过的数据样本输入到RBF神经网络中进行训练，调整参数不断优化以得到理想的能效评估模型。
1)根据步骤3的处理结果，将所选能效指标的个数设置为RBF网络中输入层节点的个数。数据中心能效指标体系经主成分分析处理后降维为q个特征，因此神经网络输入层网络节点个数可设置为q，为各指标Xj，j＝1，...，q设置相应的权值；
2)确定了输入节点个数后为能效指标设定相应的指标权重，将各能效指标的信息传递到隐藏层。确定RBF神经网络的激励函数为高斯函数，如公式(1)所示。隐藏层的对应的指标节点X节点由高斯核函数构成，不需要确定具体的个数。
其中i＝1，2，…n，xi是每一维数据中心能效指标的具体观测值；ci是第i个基函数的中心，每一维数据中心的能效指标都对应一个ci，是与能效指标个数相同维数的向量；σi是第i个感知的变量，该参数可以自由选择，它决定了该基函数围绕中心点的宽度；
3)输入层到隐藏层之间实现从xi到Ri(X)的非线性映射后，得到的值作为隐含层的输出实现隐藏层Ri(X)到输出层yi的线性映射。如公式(2)所示。
其中k＝1，2，…，p，p是输出节点数。wik是每一个Ri(x)对应的权重。最终得到的yi即为当前评估的数据中心最终的得分。

Claims (1)

1.基于RBF神经网络的多指标综合评价方法，通过神经网络的学习，使其能够模拟专家评价，从而得到有效的评估结果，构建云数据中心的能效指标评估模型的一般化流程，一般分为以下步骤：
步骤1、根据数据中心的实际情况，将指标归类，建立评价指标体系，对数据中心，影响其能效的因素主要来自于四个方面，即基础设施、IT设备、支架以及服务器，从这四个方面入手，选取其中12个能效指标X，建立指标评价体系：X1：CPE计算功率效率、X2：DcCE数据中心计算效率、X3：DCeP数据中心能源生产力、X4：DciE数据中心基础架构效率、X5：DCLD数据中心照明密度、X6：DCPE数据中心性能效率、X7：ITUE IT设备电力使用效率、X8：PDE功率密度效率、X9：PUE数据中心电力使用效率、X10：ScE服务器计算效率、X11：TUE数据中心总电力的使用效率、X12：pPUE数据中心局部电力使用效率；
步骤2、由于每一个指标的表现形式不同，故数据的大小也有很大的不同，为了能将不同量级的指标放在同一个指标体系下进行多指标融合的能效评估，故应将指标量化与数据标准化处理；根据步骤1选取的能效指标，对各项指标进行量化和标准化；设minM和maxM分别为指标M的最小值和最大值，利用公式：
x’＝(x-minX)/(maxX-minX)
对能效指标进行数据处理，将指标的一个原始数据集中的每一个x通过min-max标准化映射成在区间[0，1]中新的x’值；
步骤3、利用加权方法，确定各指标权重，指标权重可以反映出各指标在综合评价云数据中心能效性能上的地位，对处理后的指标数据运用主成分分析方法进行降维处理，主要包括下面几个步骤：
1)原始能效指标数据的标准化，采集n组p维的能效指标数据，构造成n组的p维随机变量数据，对于任意一个样本Xi有p个特征(x1，x2，x3…，xp)，样本中的每一个数据做量化标准化并中心化处理后得到(x′1，x′2，x′3…，x′p)；
2)设n组p维数据的协方差矩阵为R；
3)解出样本相关矩阵R的特征方程|R-λx|＝0，得到p个特征根及相应的特征向量；
4)计算累积方差贡献率其中λi为特征根；
5)由累积方差贡献率确定主成分的个数q，并求出主成分表达式，在本发明中，我们设定累积方差贡献率为95％，提取达到该贡献率的主成分，那么我们将得到下面几个特征，每一个Yq是一个主成分，可以看作是新的特征；
Y1＝a11x11+a12x12+a13x13+…+a1px1p
Y2＝a21x21+a22x22+a23x23+…+a2px2p
Y3＝a31x31+a32x32+a33x33+…+a3px3p
……
Yq＝aq1xq1+aq2xq2+aq3xq3+…+aqpxqp
步骤4、结合步骤3中利用加权法得到的指标权重输入到RBF神经网络中进行训练，调整参数不断优化以得到理想的能效评估模型：
1)根据步骤3所述方法得到处理后的能效指标，将新的特征的个数设置为RBF网络中输入层节点的个数，能效指标经降维后一共有q个指标，因此神经网络输入层节点个数设置为q，为各指标Xj，j＝1，...，q设置相应的权值；
2)确定的输入节点个数后，将输入层的指标信息传递到隐藏层，确定RBF神经网络的激励函数为高斯函数，采用的高斯函数如公式(1)所示，隐含层的对应的指标X节点由高斯核函数构成，不需要确定具体的个数；
其中i＝1，2，…n，xi是每一维数据中心能效指标的具体观测值；ci是第i个基函数的中心，每一维数据中心的能效指标都对应一个ci，是与能效指标个数相同维数的向量；σi是第i个感知的变量，该参数可以自由选择，它决定了该基函数围绕中心点的宽度；
3)通过主成分分析处理过后的能效指标集作为输入层到隐藏层之间实现从xi到Ri(X)的非线性映射后，得到的值作为隐藏层的输出实现隐藏层Ri(X)到输出层e的线性映射，如公式(2)所示；
其中，p是输出节点数，wik是每一个Ri(x)对应的权重，最终得到的yi即为当前评估的数据中心最终的得分。
CN201911035649.6A 2019-10-29 2019-10-29 一种针对云数据中心多指标融合的能效定性评估技术 Active CN110825583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911035649.6A CN110825583B (zh) 2019-10-29 2019-10-29 一种针对云数据中心多指标融合的能效定性评估技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911035649.6A CN110825583B (zh) 2019-10-29 2019-10-29 一种针对云数据中心多指标融合的能效定性评估技术

Publications (2)

Publication Number Publication Date
CN110825583A CN110825583A (zh) 2020-02-21
CN110825583B true CN110825583B (zh) 2023-07-28

Family

ID=69551460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911035649.6A Active CN110825583B (zh) 2019-10-29 2019-10-29 一种针对云数据中心多指标融合的能效定性评估技术

Country Status (1)

Country Link
CN (1) CN110825583B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435780B (zh) * 2021-07-14 2023-05-12 北京信息科技大学 一种基于神经网络的应急通信感知装备体系效能评估方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9503760D0 (en) * 1995-02-24 1995-04-12 Aromascan Plc Neural networks
US7051946B2 (en) * 2003-05-29 2006-05-30 Hewlett-Packard Development Company, L.P. Air re-circulation index
CN103886334A (zh) * 2014-04-08 2014-06-25 河海大学 一种多指标融合的高光谱遥感影像降维方法
CN104881609A (zh) * 2015-05-29 2015-09-02 中国石油大学(华东) 一种复杂软件系统软件单元可信性评估方法
CN107229602B (zh) * 2017-05-22 2020-09-11 湘潭大学 一种智能楼宇微网用电行为的识别方法
CN109766926B (zh) * 2018-12-21 2023-03-24 西安电子科技大学 一种雷达辐射源信号脉内特征综合评估方法及系统
CN110210730A (zh) * 2019-05-20 2019-09-06 太原理工大学 一种区域综合能源系统能效状态评价方法

Also Published As

Publication number Publication date
CN110825583A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110991786B (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
WO2020248228A1 (zh) 一种Hadoop平台计算节点负载预测方法
CN109446812A (zh) 一种嵌入式系统固件安全分析方法及系统
CN110728656A (zh) 基于元学习的无参考图像质量数据处理方法、智能终端
US20210109140A1 (en) Method for identifying parameters of 10 kv static load model based on similar daily load curves
CN108491931B (zh) 一种基于机器学习提高无损检测精度的方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN112633679A (zh) 信息质量量化方法、装置、计算机设备和存储介质
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN111612241A (zh) 智能船舶路径规划功能实现性的综合评价方法
CN114444910A (zh) 一种面向电力物联网的边缘网络系统健康度评估方法
CN110825583B (zh) 一种针对云数据中心多指标融合的能效定性评估技术
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN110889207A (zh) 一种基于深度学习的体系组合模型可信度智能评估方法
CN112579708A (zh) 一种基于改进局部路径的链路预测相似性指标方法
CN115618743B (zh) 一种瞄准镜系统的状态评估方法及状态评估系统
CN102620980A (zh) 一种利用神经网络预报板材成形性能的方法
CN104834816A (zh) 一种短期风速预测方法
Sachan et al. Multiple correspondence analysis to study failures in a diverse population of a cable
CN106225914B (zh) 一种粘性阻尼振动信号中的模态参数提取方法
CN114298598A (zh) 城市高可靠性中压配电网接线模式综合评估方法
CN109871655B (zh) 一种基于模糊等级评价的器件级产品试验应力确定方法
CN108053093A (zh) 一种基于平均影响值数据变换的k-近邻故障诊断方法
Fu et al. A software size estimation method based on improved FPA
CN113722951A (zh) 基于神经网络的散射体三维有限元网格优化方法

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