摘要：容器云作为互联网底层基础服务设施应用越来越广泛,合理的任务调度对云资源优化、云服务质量以及企业的降本增效至关重要。为提高容器云环境下资源利用率,提出一种基于深度强化学习的资源调度算法(RLSD)。该算法基于深度强化学习理论构建动作空间、智能体状态等基本要素,通过采集各资源的利用率并结合权重因子实现奖励函数设计。通过仿真平台WorkflowSim构建交互环境,进行智能体的训练。实验表明,RLSD算法在保障任务调度稳定性的同时,资源利用率比传统算法提高了20%。

摘要：机器视觉系统在训练过程中往往依赖大量的图像训练数据,以人工标注的方式进行图像训练数据集的标注需要耗费大量人力,并且由于标注人员对训练数据理解存在差异,标注质量往往参差不齐,而训练集的质量直接影响模型训练效果。文中重点研究了图像分割算法在图像自动标注领域的应用,并结合微服务架构思想设计实现了一种基于图像分割算法的图像半自动标注系统,该系统可以对图像进行半自动的像素级图像分割。经对比实验可知,系统在图像标注的耗时以及操作复杂度等方面相比手动标注均具有了很好的优化效果。

摘要：深度学习全流程托管平台提供了深度学习实验任务的网页端解决方案,加速了深度学习技术在生产生活中的应用.为了解决网页端深度学习平台进行图像识别模型训练的问题,本文设计实现了面向深度学习实验任务的分布式任务执行系统.系统由资源监控、任务调度、任务执行、日志管理4大模块组成,将任务依据资源使用率等策略进行调度,采用Docker容器技术进行执行,并对产生的日志信息进行了实时收集.经过测试,分布式任务执行系统不仅保证了正常的功能需求,在可靠性、稳定性等指标上也都达到了预期的要求,将其集成到平台中可减少20%左右的训练时间.

摘要：由于具有工作气压高、放电均匀等特点,大气压介质阻挡放电成为近年来非平衡等离子体领域研究的主要技术。电极结构是电离特性的主要影响因素之一,因此,通过电极结构优化来改善电离特性,对等离子体放电设备的应用领域拓展及性能优化至关重要。为改善大气压介质阻挡放电的电离特性,产生高活性、高均匀性的低温等离子体,基于自主设计的同轴介质阻挡放电装置进行了不同电极结构的电离试验及参数诊断;在一个标准大气压、放电频率11.4kHz、放电峰值电压5.4～13.4kV条件下进行了氩气电离试验;采用原子发射光谱法(AES)对氩等离子体谱线的激发、分光进行了检测分析;研究了螺纹电极、齿状电极、圆柱电极放电的特征光谱参数及外施电压对介质阻挡放电特征参数的影响。结果表明,齿状电极放电所形成等离子体的放电强度更大且放电效果显著,电子平均能量利用率低,电子激励温度弱于圆柱电极;圆柱电极放电强度较弱,但易形成大面积均匀性等离子体;大气压环境下电子激励温度不因外源电压的升高而单调递加,这表明通道内微放电的主要特征并不依赖于外施电压的供给,而是取决于电极结构、气体组份、气体压强;增大外施电压仅能增加单位时间内微放电的数量,经整合电子激励温度可达3 500K,符合典型的低温等离子体特征。

摘要：为了加快低温氦气等离子体射流的工程化进程,通过自主设计的同轴式介质阻挡放电等离子体射流发生器,在放电频率10 kHz,一个大气压条件下产生了稳定的氦气等离子体射流。通过分析不同工况下的电压电流波形可以发现单纯增加氦气体积流量只能小幅的增加电流脉冲幅值,而对放电时间、电流脉冲数的影响不大。增加放电峰值电压时电流脉冲幅值会得到较大幅度增加。通过发射光谱法对大气压氦气等离子射流的活性粒子种类、电子激发温度、电子密度进行了诊断。结果表明,大气压氦气等离子体射流中的主要活性粒子为HeⅠ原子、N_(2)第二正带系、N_(2)^(+)的第一负带系、羟基(OH),H原子的巴尔末线系(H_(α)和H_(β))与O原子,这表明虽然该试验中使用的氦气纯度已达99.99%,但其中仍残留有少量的空气,同时放电时大气中的空气会被卷吸到放电空间发生电离。还可以发现,主要活性粒子的相对光谱强度随氦气体积流量的增加及放电峰值电压的增大均呈现上涨的趋势。选用HeⅠ原子的四条谱线对不同试验工况下的电子激发温度进行了计算,得到大气压氦气等离子体射流的电子激发温度在3500~6300 K之间,电子激发温度随放电峰值电压与氦气体积流量的增大总体上呈现上升的趋势。但由于反向电场的存在,某些峰值电压可能会出现电子激发温度下降的情况;根据Stark展宽原理对大气压氦气等离子体射流的电子密度进行了计算,发现电子密度的数量级可达10^(15)cm^(-3),同时增大峰值电压与氦气体积流量均可有效的提高射流中的电子密度。这些参数的研究对氦气等离子体射流在工程实际中的应用具有重要意义。