简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。
简介:摘要随着我国社会经济的不断发生,我国工业生产用电以及公民生活用电幅度逐渐增加,电网范围逐渐扩大。用电器种类的不断丰富让电网用户对电网的供电质量以及供电质量提出了更高的要求。用电器种类的复杂让逐步加深了电网系统的管理难度,部分供电企业应电网管理技术以及方法较为落后,无法适应日渐复杂的电网环境,导致电网运行过程中经常性的发生局部断电事故,甚至出现存在较大风险的大面积停电事故,不仅增加了电网的维护成本,也给电网用户带来了直接或间接的经济损失。针对上述问题,本文提出了基于复杂事件处理技术的电网管理系统。复杂事件处理技术下文简称(cep),是基于信息技术、计算机技术、实时监控技术、电网管理技术的综合性事件信息处理技术。文章深入分析了cep技术在电网管理中的作用以及应用方法。旨在为我国电网管理技术的研究提供借鉴。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。