Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội
Khoa Công nghệ thông tin
Thông báo seminar định kỳ
Thời gian: 14h đến 15h30, thứ 6, ngày 08/03/2013
Địa điểm: Phòng 403 nhà E3, 144 Xuân Thủy, Cầu Giấy, Hà Nội
Phần 1:
Người trình bày: NCS Phạm Văn Hưởng (CNPM, 2009, cán bộ hướng dẫn: PGS.TS. Nguyễn Ngọc Bình)
Tiêu đề: Các phương pháp tối ưu trong phát triển phần mềm nhúng
Tóm tắt: Tối ưu là vấn đề quan trọng trong phát triển phần mềm nhúng. Do đặc thù của phần mềm nhúng và hệ thống nhúng, tối ưu phần mềm nhúng thường bao gồm các khía cạnh như tối ưu hiệu năng, mức tiêu thụ điện năng, bộ nhớ, tối ưu cân bằng… Đồng thời, tối ưu phần mềm nhúng có thể thực hiện ở các giai đoạn khác nhau trong phát triển phần mềm nhúng. Nội dung báo cáo sẽ nghiên cứu, tổng hợp các phương pháp tối ưu hiện tại và đề xuất, triển khai một số phương pháp tối ưu phần mềm nhúng. Các phương pháp tối ưu trong giai đoạn thiết kế như: tối ưu dựa trên mô phỏng, tối ưu dựa trên đánh giá trực tiếp từ mô hình, tối ưu dựa trên phân chia phần cứng, phần mềm. Các phương pháp tối ưu mã nguồn như: tối ưu hiệu năng, tối ưu kích thước mã nguồn, tối ưu tiêu thụ điện năng và tối ưu đa mục tiêu Pareto. Ngoài ra, báo cáo cũng thảo luận về vấn đề tối ưu trong giai đoạn biên dịch và thực thi.
Phần 2:
Người trình bày: NCS Nông Thị Hoa (KHMT, 2009, cán bộ hướng dẫn: PGS. TS. Bùi Thế Duy)
Tiêu đề: Cải tiến tính hiệu quả của mô hình FAM và Fuzzy ART
Tóm tắt: Mô hình FAM mới được đưa ra để thể hiện tốt cả nội dung và sự liên kết giữa các mẫu. Hơn nữa, tính chịu nhiễu cũng được cải thiện để tăng khả năng nhớ lại từ dữ liệu nhiễu. Trung bình các mẫu dữ liệu vào và mẫu dữ liệu ra được dùng để thể hiện liên kết và nội dung các mẫu. Một ngưỡng được thêm vào cho hàm đầu ra để cải thiện các dữ liệu ra. Các thực nghiệm được làm cho các ứng dụng nhận dạng để thể hiện sự hiệu quả của FAM đưa ra. Kết quả cho thấy FAM mới cải thiện tính chịu nhiễu tốt hơn các FAM chuẩn khác.
Một mô hình Fuzzy ART được đưa ra để học tốt hơn dữ liệu huấn luyện đồng thời hạn chế học các các mẫu dị thường. Trong quá trình học, trọng số mới của các phân lớp được cập nhật dựa vào tham số học và sự chênh lệch giữa dữ liệu huấn luyện và trọng số của phân lớp. Các thực nghiệm được làm với 10 tập dữ liệu chuẩn để chứng minh tính hiệu quả của mô hình Fuzzy ART mới. Kết quả thực nghiệm cho thấy mô hình Fuzzy ART mới phân lớp tốt hơn trên một số kiểu tập dữ liệu.