- 综合排序
- 最热优先
- 最新优先
- 来自专栏联远智维
abaqus 不收敛问题
有限元分析的过程主要包括复杂模型建立、网格划分、材料赋予、边界条件设立以及外载荷添加等，在完成有限元模拟前处理过程后提交任务进行计算，有的时候会出现不收敛问题，常常让人很头大，这个时候应该如何来解决呢？ 不收敛的种类：（1）提交任务后第一步就开始就出现不收敛问题，一般情况下是有限元模拟前处理过程中存在部分问题，这种不收敛性比较好解决，可能的原因有：边界条件问题（约束不足、接触属性定义相关问题等）以及材料参数设置问题 （在材料属性以及相关参数定义时单位没有统一，引起初始荷载过大等问题）；（2）随着载荷步增量的不断增加，在中途出现不收敛问题，这一部分就需要根据已有的计算结果和模型进行判断，根据以往的相关经验，采用有限元方法模拟试件断裂 、材料软化、屈曲以及颈缩等问题时容易出现此种不收敛问题，一般情况下，单元网格划分方法、单元选择以及材料相关参数选用都对收敛性具有影响，有的时候需要引入相应的阻尼使得模型收敛，具体方法见下文；（3）随着加载的进行 在涉及不收敛问题时，有的时候要了解非线性有限元（ABAQUS）的求解过程，为深入了解不收敛本质提供基础： （1）有限元何时算收敛： For the body to be in equilibrium,
3.1K30编辑于 2022-01-20 - 来自专栏老张的求知思考世界
聊聊缺陷收敛率
什么是缺陷收敛率说到缺陷收敛率，就不得不先聊聊缺陷逃逸率。 在这样的背景下，就有了缺陷收敛率这样一个质量度量指标。缺陷收敛率的作用所谓缺陷收敛率，反映的是缺陷在软件产品研发过程中的变化趋势和修复的时效性问题。 再进一步来说，通过缺陷收敛率这一指标，来控制和降低产品验收以及线上发布的风险。如何度量缺陷收敛率既然缺陷逃逸率可以度量，那么缺陷收敛率同样可以度量。 最后，聊聊缺陷逃逸和缺陷收敛的关系。缺陷逃逸率是阶段性的质量结果，缺陷收敛是对质量进行控制和改进的目标，缺陷收敛率是评估质量控制和改进结果的度量指标。 听起来很拗口，简单来说就是因为有逃逸，所以要进行收敛，并对收敛的结果进行评估。其实无论是质量度量还是什么，都只是解决问题达成目标的手段和工具。
57910编辑于 2024-06-21 - 来自专栏Lauren的FPGA
时序收敛之Baseline
在ISE时代，很多工程师习惯使用SmartExplorer的方法实现时序收敛。首先，这种方法适用于时序接近收敛的情形；同时，这种方法其实是一种扫描策略的方法，无需工程师过多关注。 Vivado提供了一套完备的时序收敛方法，也就是我们这里说的Baseline，使得时序收敛变得有章可循，这得益于Vivado强大的设计分析能力。 而且，后期布局布线会有很多优化，可能会把真正的关键路径掩盖掉，例如：布局布线后发现逻辑级数为1的路径时序违例，反倒是逻辑级数较高的路径时序收敛了。 如果内部路径收敛，那么就可以添加I/O约束，再执行上图所示的步骤，确保内部路径和I/O路径时序收敛。最后，如果需要，可以对约束进行微调，比如添加多周期路径约束。 由此可见，Baseline的方法是分阶段有目的的添加约束，不同阶段关注不同类型的路径，再逐步完善约束，最终达到时序收敛。
1.4K20发布于 2020-06-17 - 来自专栏社区的朋友们
为了加速参数收敛。
为了加速参数收敛。 为了加速参数收敛。 为了加速参数收敛。假设我们的网络定义为：
62840编辑于 2022-07-18 - 来自专栏Tungsten Fabric中文社区
Tungsten Fabric如何实现路由的快速收敛？收敛速度有多快？
两种变通的方法都能为我们提供南北向的快速收敛。无论如何，东西向的流量仍然容易出现收敛缓慢的情况，因为它依靠的是XMPP timer（默认情况下非常缓慢）。 现在，在Tungsten Fabric中实现快速收敛的解决方案应该很清楚了。 在这里，我们重点介绍基于nh可达性检查的快速收敛。 启用快速收敛是不够的。我们需要在控制节点和spine之间的BGP会话上增加family inet unicast： 有一个细节我们需要知道。 收敛速度到底有多快 现在，是时候验证一下收敛的速度了。 我的集群是TF+K8s集群。如你所见，有两个计算节点。 综上所述，收敛时间可能在450毫秒左右+叶子节点检测时间，正如我们所说，必须在真实环境中验证。只要这个检测时间在500ms左右，就可以说我们实现了亚秒级的收敛！
1.1K30发布于 2020-12-25 - 来自专栏大大的小数据
发散与收敛的漫谈2022.9.26
1、从几个对应的词组开始 发散、收敛 看到、行动 问题、过程结果 学习、分享 头脑风暴、PDCA分解执行 洞穴教育、找水行动 山顶看到方向、脚踏实地行动 看到问题、没有答案 务虚、置身事内 记忆、遗忘 混乱、分类 选项、投票 精神病人思路广、无限发散不收敛 智障儿童欢乐多、没有发散的收敛局部最优解 知识的悖论：（不正确的知识，不能影响行为。 六顶帽子：（发散：白帽子-信息，绿帽子-提出解决方案，收敛：黄帽子-优点，黑帽子-缺点，红帽子-直觉判断，蓝帽子-总结陈述决策） 头脑风暴 2、机器学习、深度学习、人工智能的发散和收敛 https:// LaoYuanPython/article/details/119712665 3、得到课程和书籍 4、很多玄学的东西：智商、领导力、灵感，或许在工具理性的数学、工程管理、人力资源管理方法中的发散和收敛能很好的解决 5、当我们遇到困难的时候，想一想发散和收敛的步骤，或许就有生机。
47920编辑于 2022-12-19 - 来自专栏FreeBuf
攻防演练之资产收敛
资产的梳理，暴露面收敛是前期必须做且要做好的工作。 那么护网前的资产梳理，暴露面收敛就是帮忙找到短板，可见其重要性，接下来就让我们一起来看看都要梳理那些资产。 原 则 资产收集的原则是所有的资产都在管控中，不存在暗资产；一切与公司相关的信息，包括域名，端口，IP，应用组件，github信息，人员信息等 收敛的原则就是最大化收敛，最小化暴露。
51430编辑于 2023-09-18 - 来自专栏海风
时序收敛：基本概念
对于FPGA而言，时序收敛是一个很重要的概念。在我看来，时序约束是必要的，但不是在最重要的，我们应该在设计初始就考虑到时序问题，而不是完全的靠约束来获得一个好的结果。 总结 时序收敛的目的是让FPGA design 按预设的逻辑正常的工作。
1.6K20发布于 2019-07-31 - 来自专栏联远智维
内聚力模型——收敛性分析
有限元模拟过程中，由于收敛性问题通常涉及面广，甚至有时候因为解方程组引起的收敛性问题。 采用内聚力模型分析具体工程问题过程中，时常会遇到不收敛问题，研究表明，循环内聚力模型参数对有限元计算的收敛性具有一定的影响，在界面单元的初始刚度选取的非常大，容易引起结果震荡，造成收敛性问题。 根据相关参考文献，对简单的三单元模型进行分析，探究内聚力单元收敛的条件。 图1 三单元有限元模型示意图 其中：E’表示实体单元等效刚度，Λ表示实体单元刚度与内聚力单元刚度的比值。 对于不同的Λ值，内聚力单元具有不同的收敛性，我们对三单元进行求解，看位移边界U与内聚力单元法向内聚力之间的关系，具体如图2所示： 图2 Λ取值对收敛性的影响 如图2中所示，当Λ<1/e时，即使实体单元具有确定位移边界条件 ，内聚力单元张开位移也可能不具有唯一的数值，因此采用有限元方法在解方程组的时候会出现收敛性问题。
1.4K30编辑于 2022-01-20 知识蒸馏提升多任务学习收敛效果
多任务学习的收敛挑战多任务学习（MTL）通常需要联合优化一组任务的损失函数。简单求和损失函数的方法往往效果欠佳，因为不同任务会因难度差异呈现不同收敛速度，导致部分任务过拟合而其他任务欠拟合。 基于知识蒸馏的异步收敛在NAACL 2022发表的论文中，提出了一种创新方法：允许各任务按自身节奏收敛当某任务达到性能峰值时，切换为知识蒸馏（KD）损失函数使用该任务最佳参数生成训练集的软标签对已收敛任务持续使用软标签训练 所有任务同时训练）平均优于基线0.9%顺序训练模式（逐任务添加）平均优于基线1.5%实验验证在包含分类任务的同构场景和任务类型各异的异构场景中，验证曲线显示：传统求和损失方法会出现任务性能下降新方法能始终保持已收敛任务的峰值性能顺序训练模式尤其适合任务差异大的场景该方法为多任务学习提供了更灵活的收敛控制机制
21800编辑于 2025-08-06混合云权限收敛技术指南
摘要 本文旨在解析混合云权限收敛技术的核心价值，探讨其在企业IT架构中的应用场景，并提供详细的操作指南。 同时，通过对比分析，展示腾讯云产品在实现混合云权限收敛中的效率和成本优势，并提供实际案例以供参考。 技术解析 核心价值 混合云权限收敛技术是指在不同的云环境（如公有云和私有云）之间实现统一的访问控制和权限管理，确保企业数据安全和合规性。 通过本文的技术指南，企业可以更好地理解和实施混合云权限收敛技术，利用腾讯云产品提升IT管理效率和安全性。
34910编辑于 2025-07-28- 来自专栏Lauren的FPGA
时序收敛好文档：ug1292
上期内容：本月回顾-2018.9 如何快速、高效地使时序收敛是很多FPGA工程师都要面临的一个问题。这时，大家可能都会想到ug949。这是Xilinx提供的一个很好的文档。 作为工程经验的总结，这个文档也包含了时序收敛的方法。在这个文档的基础上，Xilinx最近又发布了一篇新文档ug1292（可直接在Xilinx官网搜索下载）。 这个文档把ug949中时序收敛的相关内容单独提取出来，更系统、更直观地介绍了时序收敛的方法。ug1292可以视为时序收敛的一个快速参考手册，而ug949可以当作“字典“，用于查找更为具体的信息。 ug1292 时序收敛快速参考手册 这个手册只有十页内容，每一页都有流程图或表格，因此具有很强的可操作性。这十页内容如下表格所示。可以看到，该手册几乎涵盖了所有解决时序违例的基本方法。 ? 更为关键的是充分理解第二页内容：时序收敛基线流程。 在设计综合之后，就开始按照手册第一页流程对设计进行初始检查。当检查都过关之后，才可以进行下一页的操作。
1.4K40发布于 2019-10-31 - 来自专栏Laoqi's Linux运维专列
zabbix 告警收敛（Python）研究价值高！
一、收敛架构图 ①所有产生告警均由zabbix调用脚本推入缓存redis当中 ②分析系统将在规定时间（1分钟）内去redis中拉取数据，根据定义好的一系列规则进行，合并、分析或直接丢弃，并存入分析平台数据库 二、对zabbix 进行设置 1.zabbix Actions 对Actions进行特殊设置，Default subject极为重要，是识别收敛的标示。 ? ③weixin.py--发送微信告警通知函数：将处理结果发送至指定运维人员 ④allpolice.py--综合函数：将①②③整合起来，定时每1分钟执行一次 四、定时任务 crontab -e #告警收敛定时检测
4.6K40发布于 2018-05-31 - 来自专栏FPGA技术江湖
FPGA 高级设计：时序分析和收敛
今天给大侠带来FPGA 高级设计：时序分析和收敛，话不多说，上货。 这里超链接一篇之前的STA的文章，仅供各位大侠参考。 FPGA STA(静态时序分析) 什么是静态时序分析？ 图 1 静态时序分析模型 因此，有些说法是错误的，不分什么情况就说时序不收敛，其实在不加约束的情况下谈 时序约束是没有意义的。 ?
1.5K11发布于 2020-12-30 - 来自专栏全栈程序员必看
最速下降法收敛速度快还是慢_最速下降法是全局收敛算法吗
x ∗ x^{*} x∗称为具有全局收敛性，仅当初始点与 x ∗ x_{*} x∗充分接近时才能收敛到 x ∗ x^{*} x∗称算法具有局部收敛性。 ，这时算法称为线性收敛。 ，这时算法称为二阶收敛。 超线性收敛和二阶收敛的收敛速度较快，是理想的收敛速度。 G G G得条件数，当条件数接近1时，收敛速度接近超线性收敛，条件数越大，收敛速度越慢。
91530编辑于 2022-11-16 知识蒸馏提升多任务学习收敛效果
知识蒸馏提升多任务学习收敛效果多任务学习通常涉及联合优化一组任务的损失。一种简单的方法是直接最小化损失之和，但由于任务难度不同，任务的收敛速度会有所差异。 在NAACL 2022工业轨道发表的一篇论文中，提出了一种改进多任务学习收敛效果的方法。该方法不强制所有任务保持相同收敛速度，而是让任务按自身节奏收敛。 当某个任务收敛时，就切换为知识蒸馏损失，在模型学习剩余任务的同时保持该任务的最佳性能。 异步收敛通过知识蒸馏提出的方法工作流程如下：当模型在某个任务上收敛后，使用其最佳性能参数值在该任务的训练集上运行推理，记录预测结果在剩余训练步骤中，使用这些预测作为软标签来训练收敛任务，同时对未收敛任务继续使用真实标签重复此过程直到所有任务都收敛实验设置与结果在两个五任务设置中评估该方法 训练设置实验采用两种不同的训练设置：联合设置：同时训练所有任务，在不同任务收敛时切换为知识蒸馏损失顺序设置：从单个任务开始训练，在前一个任务收敛后逐个添加新任务，对收敛任务使用知识蒸馏损失，对新任务使用真实标签该方法在多任务学习场景中展现出良好的效果和鲁棒性
20010编辑于 2025-09-27- 来自专栏Coco的专栏
【前端性能】浅谈域名发散与域名收敛
好像扯远了，本文主要想谈谈两个名词，域名发散和域名收敛。 域名收敛 本文的重点是想谈谈域名收敛，顾名思义，域名收敛的意思就是建议将静态资源只放在一个域名下面，而非发散情况下的多个域名下。 所以在这种情况下，提出了域名收敛，减少域名数量可以降低 DNS 解析的成本。 下图是手机端页面加载数和域名分散数的关系（from Mobify Developer）: ? 本来至此，本文应该结束了，谈了下域名发散与域名收敛。 本文在我的 github 也可以阅读，欢迎订阅：【前端性能】浅谈域名发散与域名收敛 如果本文对你有帮助，请点下推荐，写文章不容易。
3.6K30发布于 2018-05-28 - 来自专栏腾讯安全应急响应中心
攻防启示：Chromium组件风险剖析与收敛
基于对实战经历的复盘，本文将从Chromium架构及安全机制概况入手，剖析Chromium组件在多场景下给企业带来的安全风险并一探收敛方案。 II. 风险收敛方案 回到我们今天的主题：修复和防御。 如上我们知道，Chromium的安全问题是方方面面的，各类安全风险也会在不同的场景上产生，那么如何收敛就是企业安全建设永恒的话题；最后我们想分享我们的安全实践经验，力求解答在安全实践中我们遇到的以下几个问题
2K10编辑于 2022-03-31 - 来自专栏OpenMMLab
DN-DETR：引入去噪训练以加速收敛
最终，DN-DETR 在 DAB-DETR 的基础上进一步加速了收敛，对于 COCO 数据集，仅用 12 个 epochs 就可以玩得很漂亮。 慢收敛的另一凶手： 匈牙利匹配 之前 DAB-DETR 声称找到了 DETR 慢收敛的“罪魁祸首”—— 没有提供位置先验的 learnable queries（in Decoder）。 然而，DN-DETR 却犀利地指出，导致 DETR 慢收敛的凶手其实还藏有一个 —— 匈牙利匹配。 “哦？作为 DETR 亮点之一的匈牙利匹配居然是慢收敛的凶手！？”炼丹界的群众们不禁惊呼。 这使得模型的优化有二义性，进而造成优化困难、不稳定，最终的结果就是收敛慢。 进一步理解 Decoder queries 的学习 那么，如何解这个困局呢？
1.6K21编辑于 2022-12-30 - 来自专栏运维部落
告警平台设计及告警收敛通用解决方案
运维就要无所不能，无所不会 告警平台设计及告警收敛通用解决方案 先有监控，后有告警。 虽厂商有自动换号机制，但健康检测不可少 级联告警 为告警收敛打基础，减少告警信息，避免告警风暴 告警收敛 特别重要，依次要有告警自愈、级联告警、告警收敛 告警权重 针对不同告警权重，做对应告警策略。 告警分层 分业务、分模块、分团队、分时段，必不可少 告警升级 包括告警通道告警和告警职级升级 四、告警收敛通用解决方案 告警收敛首先要解决的问题是告警风暴！ 告警收敛 收敛有很多方式，常见的如：同属性维度收敛、时间维度收敛、次数收敛。但和告警及时性冲突，收敛做的越好，越容易造成告警不及时。导致开发比运维先发现问题，容易造成部门间关系紧张。 同属性维度收敛：zabbix相同事件名、相同主机名、相同业务名称、告警统一ID，等可以做为唯一标识的字段，做频次收敛，或告警合并 时间维度收敛：判断单位时间内告警条数，做告警合并。
7.2K62发布于 2021-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号