摘要:计算能力和资源受限的移动设备可将待处理的密集型任务卸载到云端执行,从而增强移动设备的计算能力并减少电池能源消耗(EC)。然而,现有研究在卸载任务时不能较好地均衡移动端的应用完成时间(FT)和EC。提出了基于分解的多目标进化算法(MOEA/D)来同时优化应用 FT 和 EC,并将动态电压频率调整技术引入MOEA/D中,在不增加应用FT的前提下,调节移动设备的CPU时钟频率以进一步降低移动设备的EC。仿真结果表明,与多个算法相比,所提出的算法在多目标性能上更优。
摘要:针对传统基于图像视频的姿态识别算法中所存在的计算成本高、摄像盲区多、隐私易泄露等问题,提出了一种基于手机加速度与陀螺仪数据的卷积—卷积长短时记忆—注意力(CCLA,convolution-convolutional long short-term memory-attention)人体姿态识别算法。使用卷积神经网络对姿态数据进行空间特征提取,采用卷积长短时记忆网络挖掘数据中隐含的时序信息,模拟人脑选择注意力机制构建Attention(注意力)编码器进行更高层次的时空特征提取,以实现对姿态的精准分类。在加州大学欧文分校提出的基于智能手机的人体活动与转换姿态识别数据集上对CCLA算法进行了测试,实现了对12元姿态的分类识别,识别准确率达93.27%。