CN115102868A - 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 - Google Patents
一种基于SOM聚类与深度自编码器的web服务QoS预测方法 Download PDFInfo
- Publication number
- CN115102868A CN115102868A CN202210591414.0A CN202210591414A CN115102868A CN 115102868 A CN115102868 A CN 115102868A CN 202210591414 A CN202210591414 A CN 202210591414A CN 115102868 A CN115102868 A CN 115102868A
- Authority
- CN
- China
- Prior art keywords
- qos
- user
- data
- clustering
- service
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 101150014732 asnS gene Proteins 0.000 claims description 3
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SOM聚类与深度自编码的web服务QoS预测方法。包括步骤：S1：使用SOM神经网络聚类对用户和服务分别进行聚类；S2：在得到的用户关系矩阵和服务关系矩阵的基础上寻找恶意评价用户，即信誉不好的用户，减少信誉低下用户对预测精度的影响；S3：对不可靠的QoS数据进行处理，形成新的QoS矩阵；S4：引入深度自编码器模型利用国家、自治系统等位置信息对未知的QoS值进行预测；S5：利用MAE和RMSE评价指标对预测准确性进行评估。本发明所述预测方法将数据经过SOM神经网络聚类后得到信誉值较高的数据再输入到深度自编码器模型中进行训练，预测未知的QoS值，提高了预测的准确率。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种基于SOM聚类与深度自编码器的web服务QoS预测方法。
背景技术
随着大数据和云计算的出现，万物即服务的理念已被广泛接受，导致互联网上具有类似功能的服务激增。因此，快速发现和选择优质服务已成为服务推荐领域的研究热点。然而，由于服务通常在动态网络上运行，一些QoS属性的值(例如，响应时间、吞吐量等)会受到不同用户的上下文(例如地理位置和网络条件)的影响。因此，预测与用户相关的QoS值对于有效的Web服务推荐非常重要。然而，如何获得具有相似功能的服务的QoS值是服务推荐领域面临的最大挑战之一。一方面，服务的实际QoS值通常取决于调用服务的用户的物理位置和网络状况。也就是说，用户从服务提供者那里获得服务的实际QoS值是不现实的。另一方面，大多数传统方法直接使用用户提供的历史QoS值来预测未知的QoS值，而不考虑QoS值是否可靠，如果数据是由不可信的用户提供的，那么预测性能会受到很大影响。因此，QoS预测被认为是获得QoS值的有效方法。
协同过滤(CF)是最广泛使用的QoS预测方法之一，尤其是基于邻域的CF。CF的关键步骤是计算用户(或服务)之间的相似度，然后根据相似用户(或服务)提供的历史QoS值来预测未知的QoS。由于这种方法的相似度计算依赖于历史数据，因而历史数据的质量对预测结果有很大的影响。因此，如果数据是由不可信的用户提供的，那么预测性能会受到很大影响。
为了解决这一问题，许多研究者提出了消除不可靠数据或减少其对QoS预测影响的方法。例如Li等人提出一种结合信誉与位置信息的矩阵分解技术来预测QoS值。Botangen等人提出了一种基于概率矩阵分解的推荐方法，将地理相关性与功能相关性结合起来，并将它们整合到矩阵分解模型中。矩阵分解技术可以被认为是降维的一种形式，深度自动编码器也适用于这项任务。Suvash等人首次成功尝试I-AutoRec(基于项目的自动编码器)和U-AutoRec(基于用户的自动编码器)。但没有综合考虑用户信誉与时空位置的影响。
发明内容
本发明的目的是提供一种基于SOM聚类与深度自编码器的web服务QoS预测方法，利用SOM神经网络聚类对用户和服务分别进行聚类，在得到的用户关系矩阵和服务关系矩阵的基础上寻找恶意评价用户，即信誉不好的用户，减少信誉低下用户对预测精度的影响，对不可靠的QoS数据进行处理，形成新的QoS矩阵，引入深度自编码器模型利用国家、自治系统等位置信息对未知的QoS值进行预测，利用MAE和RMSE评价指标对预测准确性进行评估。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征包括以下步骤：
Step1：构建输入样本数据；
Step2：根据用户和服务的地理位置信息利用QoS历史数据使用SOM神经网络聚类对用户进行聚类；
Step3：聚类后，得到用户关系矩阵，在得到的用户关系矩阵和服务关系矩阵的基础上寻找恶意评价用户，即信誉不好的用户，减少信誉低下用户对预测精度的影响；
Step4：对不可靠的QoS数据进行处理，形成新的QoS矩阵；
Step5：构建深度自编码器模型并且使用迭代输出反馈的训练方式对未知的QoS值进行预测；
Step6：利用MAE和RMSE评价指标对预测准确性进行评估。
进一步Step1具体为：
Step1.1：获取真实地web服务数据集，所述的web服务数据集包括：用户ID、用户位置信息和服务ID、服务位置信息；
Step1.2：使用Python库中机器学习工具，将用户位置信息和服务位置信息中的国家名称转为整数编码，并取用户位置信息和服务位置信息中的ASN的数字部分，从而构成四个输入向量，分别是用户ID、服务ID、转换后的用户位置信息和转换后的服务位置信息。
进一步Step2具体为：
Step2.1：设SOM输入层x＝(x1,x2,...,xn)的n维向量，输出层是一个有M个节点的二维网络，wij是第i个输入神经元节点与第j个输出神经元节点之间的权值；
Step2.2：对输出层各权向量赋予较小的随机数，将连接权重、学习率以及邻域初始化；
Step2.3：将样本和输入向量进行归一化，利用下式计算输入向量到输出节点间的距离d(x,w)；从中找出距离最小的获胜节点：
Step2.4：对优胜邻域內的所有节点调整权值；如下式所示：
wij(t+1)＝wij(t)+α(t)h(t)[x(t)-wij(t)] (7)
其中，α(t)是学习率，h(t)是邻域內第i个神经元与获胜神经元j之间的拓扑距离的函数；
Step2.5：当学习率α(t)＜αmin时，结束训练，不满足结束条件时，重复上述步骤。
进一步Step3具体为：
Step3.1：聚类之前先对用户关系矩阵Mu进行初始化，令所有元素的初始值都为0；
Step3.2：针对调用服务s的用户集合Us，使用SOM算法进行聚类，初始化神经元权重w1,w2,w3；
Step3.3：先计算第1个数据与3个神经元之间的欧氏距离，第1个数据为第1个用户u1对服务s的评分，距离最小的神经元1获胜，然后根据公式(2)改变获胜神经元1的权重w1；
Step3.4：继续计算下一个数据和3个神经元的距离，以此类推，每次只有一个神经元获胜并改变对应的权重；
Step3.5：当学习率小于阈值后，神经元的权重w1,w2,w3均趋向于聚类中心，迭代停止；
Step3.6：根据SOM聚类的结果对用户关系矩阵中的元素进行更新。
进一步Step4具体为：
所述对不可靠的QoS数据进行处理，形成新的QoS矩阵具体指：在对所有QoS值进行SOM聚类后，识别出不可信用户集合，然后去除不可信用户集合，得到包含可靠用户数据的矩阵。
进一步Step5具体为：
所述自编码器是指编码器(x)：Rn→Rd和解码器(z)：Rd→Rn，自动编码器的“目标”是获得数据的d维表示，以使x和f(x)＝decode(encode(x))之间的误差度量最小化；
所述深度自编码器模型自动编码器的编码器和解码器部分都由前馈神经网络组成，其中全连接层计算如下式所示：
l＝f(W*x+b) (8)
f是一些非线性激活函数。
进一步Step6具体为：
Step6.1：平均绝对误差(MAE)公式如下所示：
Step6.2：均方根误差(RMSE)公式如下所示：
其中，Q表示实际的QoS值，表示QoS的预测值，N表示预测的QoS值的数量。
综上所述，本发明具有以下有益效果：
1.本发明通过考虑用户信誉对预测结果的影响，在SOM聚类模块中，根据用户和服务的地理位置信息利用QoS历史数据对用户进行聚类，得到用户簇，解决可信度问题并提供准确的预测结果。
2.本发明通过引入一个端到端训练的深度自编码器模型来预测QoS值，并且使用迭代输出反馈的训练方式，可以进一步有效解决协同过滤的自然稀疏性问题，从而提高预测精度。
3.本发明通过在真实世界的数据集上进行的，与现有方法相比，取得了更好的性能。
附图说明
图1是本发明所述预测方法模型总体框架图；
图2是本发明中的SOM神经网络示意图；
图3是本发明中的自编码器示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例，一种基于SOM聚类与深度自编码器的web服务QoS预测方法，如图1至图3所示，其特征包括以下步骤：
Step1：构建输入样本数据；
Step1.1：获取真实地web服务数据集，所述的web服务数据集包括：用户ID、用户位置信息和服务ID、服务位置信息。
Step1.2：使用Python库中机器学习工具，将用户位置信息和服务位置信息中的国家名称转为整数编码，并取用户位置信息和服务位置信息中的ASN(自治系统)的数字部分，从而构成四个输入向量，分别是用户ID、服务ID、转换后的用户位置信息和转换后的服务位置信息。
Step2：根据用户和服务的地理位置信息利用QoS历史数据使用SOM神经网络聚类对用户进行聚类；
Step2.1：设SOM输入层x＝(x1,x2,...,xn)的n维向量，输出层是一个有M个节点的二维网络，wij是第i个输入神经元节点与第j个输出神经元节点之间的权值。
Step2.2：对输出层各权向量赋予较小的随机数，将连接权重、学习率以及邻域初始化。
Step2.3：将样本和输入向量进行归一化，利用下式计算输入向量到输出节点间的距离d(x,w)。从中找出距离最小的获胜节点：
Step2.4：对优胜邻域內的所有节点调整权值。如下式所示：
wij(t+1)＝wij(t)+α(t)h(t)[x(t)-wij(t)] (12)
其中，α(t)是学习率，h(t)是邻域內第i个神经元与获胜神经元j之间的拓扑距离的函数。
Step2.5：当学习率α(t)＜αmin时，结束训练，不满足结束条件时，重复上述步骤。
Step3：聚类后，得到用户关系矩阵，在得到的用户关系矩阵和服务关系矩阵的基础上寻找恶意评价用户，即信誉不好的用户，减少信誉低下用户对预测精度的影响；
Step3.1：聚类之前先对用户关系矩阵Mu进行初始化，令所有元素的初始值都为0。
Step3.2：针对调用服务s的用户集合Us，使用SOM算法进行聚类，初始化神经元权重w1,w2,w3。
Step3.3：先计算第1个数据与3个神经元之间的欧氏距离，第1个数据为第1个用户u1对服务s的评分，距离最小的神经元1获胜，然后根据公式(2)改变获胜神经元1的权重w1。
Step3.4：继续计算下一个数据和3个神经元的距离，以此类推，每次只有一个神经元获胜并改变对应的权重。
Step3.5：当学习率小于阈值后，神经元的权重w1,w2,w3均趋向于聚类中心，迭代停止。
Step3.6：根据SOM聚类的结果对用户关系矩阵中的元素进行更新。
Step4：对不可靠的QoS数据进行处理，形成新的QoS矩阵；所述对不可靠的QoS数据进行处理，形成新的QoS矩阵具体指：在对所有QoS值进行SOM聚类后，识别出不可信用户集合，然后去除不可信用户集合，得到包含可靠用户数据的矩阵。
Step5：构建深度自编码器模型并且使用迭代输出反馈的训练方式对未知的QoS值进行预测；
所述自编码器是指编码器(x)：Rn→Rd和解码器(z)：Rd→Rn，自动编码器的“目标”是获得数据的d维表示，以使x和f(x)＝decode(encode(x))之间的误差度量最小化。
所述深度自编码器模型自动编码器的编码器和解码器部分都由前馈神经网络组成，其中全连接层计算如下式所示：
l＝f(W*x+b) (13)
f是一些非线性激活函数，实验中使用SELU单元。
Step6：利用MAE和RMSE评价指标对预测准确性进行评估。
Step6.1：平均绝对误差(MAE)公式如下所示：
Step6.2：均方根误差(RMSE)公式如下所示：
其中，Q表示实际的QoS值，表示QoS的预测值，N表示预测的QoS值的数量。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (7)
1.一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征包括以下步骤：
Step1：构建输入样本数据；
Step2：根据用户和服务的地理位置信息利用QoS历史数据使用SOM神经网络聚类对用户进行聚类；
Step3：聚类后，得到用户关系矩阵，在得到的用户关系矩阵和服务关系矩阵的基础上寻找恶意评价用户，即信誉不好的用户，减少信誉低下用户对预测精度的影响；
Step4：对不可靠的QoS数据进行处理，形成新的QoS矩阵；
Step5：构建深度自编码器模型并且使用迭代输出反馈的训练方式对未知的QoS值进行预测；
Step6：利用MAE和RMSE评价指标对预测准确性进行评估。
2.根据权利要求1所述的一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征在于Step1具体为：
Step1.1：获取真实地web服务数据集，所述的web服务数据集包括：用户ID、用户位置信息和服务ID、服务位置信息；
Step1.2：使用Python库中机器学习工具，将用户位置信息和服务位置信息中的国家名称转为整数编码，并取用户位置信息和服务位置信息中的ASN的数字部分，从而构成四个输入向量，分别是用户ID、服务ID、转换后的用户位置信息和转换后的服务位置信息。
3.根据权利要求1所述的一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征在于Step2具体为：
Step2.1：设SOM输入层x＝(x1,x2,...,xn)的n维向量，输出层是一个有M个节点的二维网络，wij是第i个输入神经元节点与第j个输出神经元节点之间的权值；
Step2.2：对输出层各权向量赋予较小的随机数，将连接权重、学习率以及邻域初始化；
Step2.3：将样本和输入向量进行归一化，利用下式计算输入向量到输出节点间的距离d(x,w)；从中找出距离最小的获胜节点：
Step2.4：对优胜邻域內的所有节点调整权值；如下式所示：
wij(t+1)＝wij(t)+α(t)h(t)[x(t)-wij(t)] (2)
其中，α(t)是学习率，h(t)是邻域內第i个神经元与获胜神经元j之间的拓扑距离的函数；
Step2.5：当学习率α(t)＜αmin时，结束训练，不满足结束条件时，重复上述步骤。
4.根据权利要求1所述的一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征在于Step3具体为：
Step3.1：聚类之前先对用户关系矩阵Mu进行初始化，令所有元素的初始值都为0；
Step3.2：针对调用服务s的用户集合Us，使用SOM算法进行聚类，初始化神经元权重w1,w2,w3；
Step3.3：先计算第1个数据与3个神经元之间的欧氏距离，第1个数据为第1个用户u1对服务s的评分，距离最小的神经元1获胜，然后根据公式(2)改变获胜神经元1的权重w1；
Step3.4：继续计算下一个数据和3个神经元的距离，以此类推，每次只有一个神经元获胜并改变对应的权重；
Step3.5：当学习率小于阈值后，神经元的权重w1,w2,w3均趋向于聚类中心，迭代停止；
Step3.6：根据SOM聚类的结果对用户关系矩阵中的元素进行更新。
5.根据权利要求1所述的一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征在于Step4具体为：
所述对不可靠的QoS数据进行处理，形成新的QoS矩阵具体指：在对所有QoS值进行SOM聚类后，识别出不可信用户集合，然后去除不可信用户集合，得到包含可靠用户数据的矩阵。
6.根据权利要求1所述的一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征在于Step5具体为：
所述自编码器是指编码器(x)：Rn→Rd和解码器(z)：Rd→Rn，自动编码器的“目标”是获得数据的d维表示，以使x和f(x)＝decode(encode(x))之间的误差度量最小化；
所述深度自编码器模型自动编码器的编码器和解码器部分都由前馈神经网络组成，其中全连接层计算如下式所示：
l＝f(W*x+b) (3)
f是一些非线性激活函数。
7.根据权利要求1所述的一种基于SOM聚类与深度自编码器的web服务QoS预测方法，其特征在于Step6具体为：
Step6.1：平均绝对误差(MAE)公式如下所示：
Step6.2：均方根误差(RMSE)公式如下所示：
其中，Q表示实际的QoS值，表示QoS的预测值，N表示预测的QoS值的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210591414.0A CN115102868A (zh) | 2022-05-27 | 2022-05-27 | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210591414.0A CN115102868A (zh) | 2022-05-27 | 2022-05-27 | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115102868A true CN115102868A (zh) | 2022-09-23 |
Family
ID=83289962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210591414.0A Pending CN115102868A (zh) | 2022-05-27 | 2022-05-27 | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115102868A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116132347A (zh) * | 2023-04-06 | 2023-05-16 | 湖南工商大学 | 算网融合环境下基于Bi-LSTM的服务QoS预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
| CN110334278A (zh) * | 2019-07-03 | 2019-10-15 | 电子科技大学成都学院 | 一种基于改进深度学习的web服务推荐方法 |
| US20200327434A1 (en) * | 2019-04-12 | 2020-10-15 | The George Washington University | System and method for analyzing cloud service provider trustworthiness and for predicting cloud service level agreement performance |
| CN112669990A (zh) * | 2020-12-07 | 2021-04-16 | 三峡大学 | 基于深度自编码和自适应融合的药物新用途预测方法 |
| CN113420815A (zh) * | 2021-06-24 | 2021-09-21 | 江苏师范大学 | 半监督rsdae的非线性pls间歇过程监测方法 |
-
2022
- 2022-05-27 CN CN202210591414.0A patent/CN115102868A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
| US20200327434A1 (en) * | 2019-04-12 | 2020-10-15 | The George Washington University | System and method for analyzing cloud service provider trustworthiness and for predicting cloud service level agreement performance |
| CN110334278A (zh) * | 2019-07-03 | 2019-10-15 | 电子科技大学成都学院 | 一种基于改进深度学习的web服务推荐方法 |
| CN112669990A (zh) * | 2020-12-07 | 2021-04-16 | 三峡大学 | 基于深度自编码和自适应融合的药物新用途预测方法 |
| CN113420815A (zh) * | 2021-06-24 | 2021-09-21 | 江苏师范大学 | 半监督rsdae的非线性pls间歇过程监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 何晓玉;: "神经网络算法在CRM中的应用", 电脑知识与技术(学术交流), no. 14 * |
| 张以文;项涛;郭星;贾兆红;何强;: "基于SOM神经网络的服务质量预测", 软件学报, vol. 29, no. 11, pages 3388 - 3399 * |
| 曹步清;肖巧翔;张祥平;刘建勋;: "融合SOM功能聚类与DeepFM质量预测的API服务推荐方法", 计算机学报, no. 06 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116132347A (zh) * | 2023-04-06 | 2023-05-16 | 湖南工商大学 | 算网融合环境下基于Bi-LSTM的服务QoS预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Learning hierarchical features from deep generative models | |
| CN111797122B (zh) | 高维重现概念漂移流数据的变化趋势预测方法及装置 | |
| CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
| CN108921342B (zh) | 一种物流客户流失预测方法、介质和系统 | |
| CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
| CN110033089B (zh) | 基于分布式估计算法的手写体数字图像识别深度神经网络参数优化方法及系统 | |
| CN111078639B (zh) | 数据标准化方法、装置以及电子设备 | |
| CN111291827A (zh) | 图像聚类方法、装置、设备及存储介质 | |
| Ding et al. | Towards accurate post-training quantization for vision transformer | |
| CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
| CN114842267A (zh) | 基于标签噪声域自适应的图像分类方法及系统 | |
| CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化系统及方法 | |
| CN113255366B (zh) | 一种基于异构图神经网络的方面级文本情感分析方法 | |
| CN115102868A (zh) | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 | |
| Kwak et al. | Quantization aware training with order strategy for CNN | |
| CN114819107B (zh) | 基于深度学习的混合数据同化方法 | |
| CN115685133A (zh) | 自动驾驶车辆的定位方法、控制装置、存储介质及车辆 | |
| CN113342474B (zh) | 客户流量的预测、模型训练的方法、设备及存储介质 | |
| CN116318773A (zh) | 基于ae模型优化的对抗训练式无监督入侵检测系统及方法 | |
| CN114529908A (zh) | 一种离线手写化学反应式图像识别技术 | |
| CN112766356A (zh) | 一种基于动态权重D-XGBoost模型的预测方法及系统 | |
| CN117274616B (zh) | 一种多特征融合深度学习服务QoS预测系统及预测方法 | |
| CN112883020B (zh) | 一种基于大数据应用的分析及管理系统 | |
| Xu et al. | Online stability improvement of Gröbner basis solvers using deep learning | |
| CN117171639A (zh) | 一种基于深度聚类的图神经网络高效对抗攻击方法 |
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 |