一种基于数据优先级的LSM树数据写入方法

    公开(公告)号:CN118981279A

    公开(公告)日:2024-11-19

    申请号:CN202411030134.8

    申请日:2024-07-30

    Abstract: 本发明涉及一种基于数据优先级的LSM树数据写入方法,属于信号处理技术领域。该方法包括:S1:将数据键值对写入进内存中的写缓冲区,然后判断写缓冲区是否达到阈值,如果达到则将其输入进数据排序区块;S2:数据排序区块,用于将写缓冲区的数据按照数据特征进行数据特征值求解并对不同数据特征重要性分配相应权重,得到数据权重值,根据权重值大小对数据进行排序;S3:排序后区块转变为只读区块,随后输入进磁盘的分区存储判断区块中;S4:分区存储判断区块将对磁盘第0层按照数据特征进行区块划分,并对写入的数据按照数据特征求解相关数据权重,将其写入到对应划分的区块。本发明能显著提高数据写入效率与存储性能。

    高维空间中强化学习型控制策略的安全评估与应用方法

    公开(公告)号:CN118444659A

    公开(公告)日:2024-08-06

    申请号:CN202410528558.0

    申请日:2024-04-29

    Applicant: 重庆大学

    Abstract: 本发明涉及一种高维空间中强化学习型控制策略的安全评估与应用方法,隶属于新能源汽车与人工智能的交叉领域。该方法包括:S1:定义归一化状态空间、动作空间与奖励函数,引导智能体掌握当前训练环境下的近优或者最优控制策略,并保存实时生成的训练样本;S2:搭建现阶段与神经网络型近优或最优控制策略模型相对应且保持稳定控制可靠性的高维已知状态空间;S3:以高维历史状态空间为基准并且以单簇的聚类结果为中心,提出判断窗以及隶属度概念,明确在何种状态张量的数据驱动下具有可靠性且满足最优控制效果;S4:强化采集边界与陌生区域的状态转移样本,构建面向真实且陌生的环境样本集,用于提升深度强化学习型策略的适用性与安全性。

    高维空间中强化学习型控制策略的安全评估与应用方法

    公开(公告)号:CN118444659B

    公开(公告)日:2025-02-11

    申请号:CN202410528558.0

    申请日:2024-04-29

    Applicant: 重庆大学

    Abstract: 本发明涉及一种高维空间中强化学习型控制策略的安全评估与应用方法,隶属于新能源汽车与人工智能的交叉领域。该方法包括:S1:定义归一化状态空间、动作空间与奖励函数,引导智能体掌握当前训练环境下的近优或者最优控制策略,并保存实时生成的训练样本;S2:搭建现阶段与神经网络型近优或最优控制策略模型相对应且保持稳定控制可靠性的高维已知状态空间;S3:以高维历史状态空间为基准并且以单簇的聚类结果为中心,提出判断窗以及隶属度概念,明确在何种状态张量的数据驱动下具有可靠性且满足最优控制效果;S4:强化采集边界与陌生区域的状态转移样本,构建面向真实且陌生的环境样本集,用于提升深度强化学习型策略的适用性与安全性。

    一种基于LSM树的磁盘缓冲区设置方法

    公开(公告)号:CN119002808A

    公开(公告)日:2024-11-22

    申请号:CN202411030162.X

    申请日:2024-07-30

    Abstract: 本发明涉及一种基于LSM树的磁盘缓冲区设置方法,属于计算机数据处理技术领域。本该方法针对数据存储过程中可能出现的瞬时数据大量涌入的情况,特别在不同层级的磁盘存储之间设立了缓冲区域。这些缓冲区能够有效提取上一层的余量数据,从而缓解数据拥堵现象,并对数据进行数值抽象化处理及初步排序,以便数据能够更快速地写入到下一层磁盘中。该方法不仅防止了数据堵塞和丢失,同时提高了在数据过载情况下各层数据合并的速度。本发明考虑过载数据在磁盘存储中出现的拥堵情况,在磁盘中用不同层级区块设置缓冲区来缓解数据过载并优化数据流动和存储效率,极大增强了数据处理系统的稳定性和效率。

Patent Agency Ranking