摘要：在基于基礎(chǔ)設(shè)施即服務(wù)(Infrastructure as a service, IaaS)的云服務(wù)模式下,精準(zhǔn)的虛擬機(jī)能耗預(yù)測,對于在眾多物理服務(wù)器之間進(jìn)行虛擬機(jī)調(diào)度策略的制定具有十分重要的意義.針對基于傳統(tǒng)的增量型極限學(xué)習(xí)機(jī)(Incremental extreme learning machine, I-ELM)的預(yù)測模型存在許多降低虛擬機(jī)能耗預(yù)測準(zhǔn)確性和效率的冗余節(jié)點,在現(xiàn)有I-ELM模型中加入壓縮動量項將網(wǎng)絡(luò)訓(xùn)練誤差反饋到隱含層的輸出中使預(yù)測結(jié)果更逼近輸出樣本,能夠減少I-ELM的冗余隱含層節(jié)點,從而加快I-ELM的網(wǎng)絡(luò)收斂速度,提高I-ELM的泛化性能.