摘要:在基于基礎(chǔ)設(shè)施即服務(wù)(Infrastructure as a service, IaaS)的云服務(wù)模式下,精準的虛擬機能耗預(yù)測,對于在眾多物理服務(wù)器之間進行虛擬機調(diào)度策略的制定具有十分重要的意義.針對基于傳統(tǒng)的增量型極限學習機(Incremental extreme learning machine, I-ELM)的預(yù)測模型存在許多降低虛擬機能耗預(yù)測準確性和效率的冗余節(jié)點,在現(xiàn)有I-ELM模型中加入壓縮動量項將網(wǎng)絡(luò)訓練誤差反饋到隱含層的輸出中使預(yù)測結(jié)果更逼近輸出樣本,能夠減少I-ELM的冗余隱含層節(jié)點,從而加快I-ELM的網(wǎng)絡(luò)收斂速度,提高I-ELM的泛化性能.
注:因版權(quán)方要求,不能公開全文,如需全文,請咨詢雜志社