公开(公告)号：CN108874542A

公开(公告)日：2018-11-23

申请号：CN201810578161.7

申请日：2018-06-07

Applicant: 桂林电子科技大学

Inventor： 强保华 ,  赵兴朝 ,  谢武 ,  陶林 ,  宁毅 ,  莫烨 ,  卢永全

IPC: G06F9/50 ,  G06F8/60 ,  G06F8/20 ,  G06N3/08

Abstract: 本发明公开了一种基于神经网络的Kubernetes调度优化方法，所述方法包括预测模型的构建以及资源调配算法，通过循环神经网络对Kubernetes中Node节点的内存消耗量进行预测，预测出内存消耗量在未来一段时间的变化，并将内存消耗数据输入到资源调配算法当中计算出需要增加的实例个数，Kubernetes系统根据所得实例个数进行动态扩展，从而完成Kubernetes基于内存资源的动态伸缩功能。本发明可以解决Kubernetes的容器应用中内存资源消耗过高导致系统稳定性降低的问题。

公开(公告)号：CN110246085A

公开(公告)日：2019-09-17

申请号：CN201910425646.7

申请日：2019-05-21

Applicant: 桂林电子科技大学

Inventor： 强保华 ,  莫烨 ,  郑虹 ,  谢武 ,  庞远超 ,  翟艺杰

IPC: G06T3/40

Abstract: 本发明公开了一种单图像超分辨率方法，所述方法中的图像重建模型将传统的单通式重建结构改为并行式结构，使用浅层和深层两种超分辨率网络，利用两网络的深浅差异，将图像超分辨率过程人为划分为主体重建和细节重建部分，可以将超分辨率任务进一步细分，使得以浅层网络为核心的主体重建结构可以专注于对图像底层内容的处理，以深层网络为核心的细节重建结构可以专注于对图像高层内容的处理。本发明不仅可应用至其他基于深度学习的端到端单图像超分辨率模型，有效降低该单图像超分辨率模型的训练开销，同时提升准确率，更适用于特征提取阶段中图像尺寸不会被压缩的残差网络结构。