典型文献
基于生成对抗网络与深度学习的少数据云资源预测
文献摘要：
精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,提出一种基于WasserStein生成对抗网络(WasserStein generative adversarial network with gradient penalty,WGAN-GP)和双向门控循环单元网络(bidirectional gate recurrent unit,BiGRU)的少样本云计算资源预测模型.通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测.以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比.实验结果表明:使用Wasser-Stein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3％,所提方法适用于少样本数据的云计算资源预测.
文献关键词：
云资源预测;生成对抗网络;双向门控单元网络(BiGRU);WasserStein距离;梯度惩罚
中图分类号：
作者姓名：
陈基漓;张长晖;谢晓兰
作者机构：
桂林理工大学信息科学与工程学院,桂林514004;广西嵌入式技术与智能系统重点实验室,桂林514004
文献出处：
引用格式：
[1]陈基漓;张长晖;谢晓兰-.基于生成对抗网络与深度学习的少数据云资源预测)[J].科学技术与工程,2022(36):16099-16107
A类：
云资源预测,WasserStein,Wasser
B类：
生成对抗网络,少数据,据云,计算平台,计算资源,够数,预测模型精度,generative,adversarial,network,gradient,penalty,WGAN,GP,双向门控循环单元,门控循环单元网络,bidirectional,gate,recurrent,unit,BiGRU,少样本,高斯噪声,原始数据,同分布,数据增强,门控单元,时间信息,Google,公开数据集,机器算法,算法模型,网络数据,梯度惩罚
AB值：
0.271689
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
