Результаты поиска: 2 док. (сбросить фильтры)
Статья: СУБТАЙЛИНГ В ИТЕРАЦИОННЫХ МЕТОДАХ: ПРИНЦИПЫ ПОСТРОЕНИЯ И ЧИСЛЕННЫЕ ЭКСПЕРИМЕНТЫ
предлагается и экспериментально исследуется новый подход к ускорению итерационных методов — субтайлинг, основанный на идеях классического тайлинга. Суть подхода заключается в повторном использовании данных, загруженных в кэш-память процессора, что значительно сокращает время вычислений и повышает эффективность алгоритмов. Основная идея заключается в формировании субтайлов — вторичных тайлов, смещенных по диагонали на один узел относительно исходных тайлов. Предложенный подход был протестирован на итерационном методе последовательной верхней релаксации (SOR). Результаты численных экспериментов показали, что субтайлинг позволяет ускорить вычисления более чем в 5 раз. Изложен алгоритм формирования и использования субтайлов, проведен анализ его эффективности.
Статья: Оптимизированный метод глубокого обучения для прогнозирования дефектов программного обеспечения с использованием алгоритма оптимизации кита
Целью исследования является прогнозирование ошибки программного обеспечения с использованием долговременной кратковременной памяти (Long Short-Term Memory, LSTM).
Предлагаемая система представляет собой LSTM, обучаемую с использованием алгоритма оптимизации китов (Whale Optimization Algorithm).
Система обеспечивает экономию времени обучения. Одновременно повышается эффективность модели глубокого обучения (DL) и скорость обнаружения.
Для разработки расширенной модели LSTM применен программный пакет MATLAB 2022a. Использованы 19 баз данных дефектов программного обеспечения с открытым исходным
кодом.
Ошибочные наборы данных получены из коллекции tera-PROMISE. Для оценки эффективности модели по сравнению с другими традиционными подходами объем исследования ограничен пятью наборами эталонных данных с наиболее высоким рейтингом (DO1, DO2, DO3, DO4 и DO5). Результаты экспериментов показали,
что качество данных обучения и тестирования оказывает существенное влияние на точность прогнозирования ошибок.
При анализе на наборах данных от DO1 до DO5 видно, что точность прогнозирования существенно зависит от результатов обучения и тестирования. Три алгоритма DL, протестированные на наборе данных DO2, показали самую высокую точность (0,942) в сравнении с двумя классическими алгоритмами с использованием сверточной нейронной сети Li’s и Nevendra’s (0,922).