基于压缩动量项的增量型ELM虚拟机能耗预测

摘要：

在基于基础设施即服务(Infrastructure as a service,IaaS)的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机(Incremental extreme learning machine,I-ELM)的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点,在现有I-ELM模型中加入压缩动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本,能够减少I-ELM的冗余隐含层节点,从而加快I-ELM的网络收敛速度,提高I-ELM的泛化性能.

关键词：虚拟机能耗预测、增量型极限学习机、压缩动量项、网络训练误差

所属期刊栏目：45

资助基金：国家重点研发计划2018YFB1003700;国家自然科学基金61836001;中国博士后科学基金2018M641217

在线出版日期：2019-08-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1290-1297