【技术实现步骤摘要】
一种融合应用的桌面虚拟化方法及系统
[0001]本专利技术涉及桌面虚拟化
,尤其涉及一种融合应用的桌面虚拟化方法及系统。
技术介绍
[0002]桌面虚拟化是指在一台主机上同时运行多个虚拟机实例,每个虚拟机实例都具有独立的操作系统和应用程序,可以在统一的桌面界面中以虚拟机形式向用户呈现。桌面虚拟化技术在多任务处理、移动性、安全性和资源利用效率方面具有广泛应用价值。而融合应用技术是指将多个应用程序的不同部分整合在一起,以保证在一个统一的桌面视图中高效地使用这些应用程序。然而,现有的桌面虚拟化技术和融合应用技术各自存在一些缺陷,导致无法解决不同应用程序之间互相隔离的问题,也无法提供一个无缝融合的虚拟化环境。
技术实现思路
[0003]基于此,本专利技术有必要提供一种融合应用的桌面虚拟化方法,以解决至少一个上述技术问题。
[0004]为实现上述目的,一种融合应用的桌面虚拟化方法,包括以下步骤:
[0005]步骤S1:通过应用程序虚拟化算法对系统桌面的应用程序进行虚拟化处理,得到桌面虚拟化应用程序;将桌面虚拟化应用程序与主机端建立连接,以生成主机控制信息;利用主机控制信息对桌面虚拟化应用程序进行图像采集处理,得到桌面虚拟化环境图像;
[0006]步骤S2:通过图像转换算法对桌面虚拟化环境图像进行图像格式转换处理,得到桌面虚拟化环境图像数据;利用预设的基于深度学习的图像特征提取算法对桌面虚拟化环境图像数据进行特征提取处理,得到桌面虚拟化环境图像数据特征;
[0007]步骤S3 ...
【技术保护点】
【技术特征摘要】
1.一种融合应用的桌面虚拟化方法,其特征在于,包括以下步骤:步骤S1:通过应用程序虚拟化算法对系统桌面的应用程序进行虚拟化处理,得到桌面虚拟化应用程序;将桌面虚拟化应用程序与主机端建立连接,以生成主机控制信息;利用主机控制信息对桌面虚拟化应用程序进行图像采集处理,得到桌面虚拟化环境图像;步骤S2:通过图像转换算法对桌面虚拟化环境图像进行图像格式转换处理,得到桌面虚拟化环境图像数据;利用预设的基于深度学习的图像特征提取算法对桌面虚拟化环境图像数据进行特征提取处理,得到桌面虚拟化环境图像数据特征;步骤S3:利用历史行为算法对桌面虚拟化环境图像数据进行历史数据采集处理,得到用户历史行为数据;通过行为分类模型对用户历史行为数据进行分类处理,得到用户行为类型数据;步骤S4:通过行为比对算法对桌面虚拟化环境图像数据特征和用户行为类型数据进行行为模式匹配,得到行为模式匹配结果;利用自适应监测技术对行为模式匹配结果进行自动化监测处理,得到虚拟化调整信息;步骤S5:根据虚拟化调整信息将桌面虚拟化应用程序传输至虚拟化环境中进行调整处理,并配置用户操作界面,通过用户操作界面访问虚拟化环境中的桌面虚拟化应用程序以执行桌面虚拟化应用程序的无缝切换和交互。2.根据权利要求1所述的融合应用的桌面虚拟化方法,其特征在于,步骤S1包括以下步骤:步骤S11:通过应用程序虚拟化算法对系统桌面的应用程序进行虚拟化处理,得到桌面虚拟化应用程序;步骤S12:将桌面虚拟化应用程序与主机端建立连接,以生成主机控制信息;步骤S13:通过主机控制信息响应于主机端的控制器,利用主机端的控制器控制图像捕捉程序对桌面虚拟化应用程序进行图像采集处理,得到桌面虚拟化环境图像。3.根据权利要求2所述的融合应用的桌面虚拟化方法,其特征在于,步骤S11中的应用程序虚拟化算法的函数公式具体为:程序虚拟化算法的函数公式具体为:程序虚拟化算法的函数公式具体为:程序虚拟化算法的函数公式具体为:程序虚拟化算法的函数公式具体为:程序虚拟化算法的函数公式具体为:其中,V(x,y)为应用程序虚拟化算法函数,T为虚拟化处理的持续时间间隔,t和z为时间变量,(x,y)为系统桌面的应用程序虚拟化处理后在虚拟化环境中的位置,A(x,y,t)为位
置(x,y)和时间t相关的参数函数,B(x,y,t)为位置(x,y)和时间t相关的影响函数,C(x,y,t)为位置(x,y)和时间t相关的调整函数,D(x,y,t)为位置(x,y)和时间t相关的滤波函数,U(x,y,t)为位置(x,y)和时间t相关的时间变化率函数,μ为应用程序虚拟化算法函数的修正值。4.根据权利要求1所述的融合应用的桌面虚拟化方法,其特征在于,步骤S2包括以下步骤:步骤S21:通过图像转换算法对桌面虚拟化环境图像进行图像格式转换处理,得到桌面虚拟化环境图像数据;其中,图像转换算法函数如下所示:其中,图像转换算法函数如下所示:其中,图像转换算法函数如下所示:式中,θ为转换参数,G
θ
(X,Y)为通过转换参数θ进行图像转换后的桌面虚拟化环境图像数据,X为桌面虚拟化环境图像的水平分量,Y为桌面虚拟化环境图像的垂直分量,I(X,Y)为桌面虚拟化环境图像,F(X,Y)为转换后的桌面虚拟化环境图像,α为调和平滑系数,为桌面虚拟化环境图像的二阶梯度函数,β为二阶梯度函数的权重系数,ΔI(X,Y)为桌面虚拟化环境图像的拉普拉斯函数,γ为拉普拉斯函数的权重系数,为转换参数θ的损失函数,为均方误差损失函数,ω为的权重系数,D
i
(I(X,Y),G
θ
(X,Y))为第i个特定度量函数,ω
i
为第i个特定度量函数的权重系数,n为特定度量函数的数量,λ1为L1正则化超参数,λ2为L2正则化超参数,为L2正则化项,Ω为整个桌面虚拟化环境图像区域,δ为桌面虚拟化环境图像数据的修正值;步骤S22:利用图像降噪算法对桌面虚拟化环境图像数据进行降噪处理,得到桌面虚拟化环境图像降噪数据;步骤S23:利用基于卷积神经网络的图像特征提取算法对桌面虚拟化环境图像数据进行特征提取处理,得到桌面虚拟化环境图像数据特征;其中,图像特征提取算法函数如下所示:式中,为通过卷积神经网络提取的桌面虚拟化环境图像数据特征矩阵,为图像特征提取算法,为卷积神经网络控制参数,ψ为桌面虚拟化环境图像数据,φ为激活函数,W为卷积核,q为偏置参数,为缩放参数,ξ1、ξ2和ξ3为正则化参数,tr为矩阵迹运算,W
T
为卷积核的转置矩阵,Γ为桌面虚拟化环境图像数据的空间范围,为桌面虚拟化环境图像数据特征矩阵的梯度平方范数,∈为图像特征提取算法的修正值。5.根据权利要求4所述的融合应用的桌面虚拟化方法,其特征在于,步骤S22包括以下步骤:步骤S221:利用图像降噪算法对桌面虚拟化环境图像数据进行噪声值计算,得到图像噪声值;其中,图像降噪算法函数如下所示:
式中,E为图像噪声值,∑为桌面虚拟化环境图像数据集合,σ2为桌面虚拟化环境图像数据的噪声方差,K为桌面虚拟化环境图像数据集合的大小,R(v,w)为桌面虚拟化环境图像数据集合中的中心数据,R
k
(v,w)为桌面虚拟化环境图像数据集合的第k个桌面虚拟化环境图像数据,(v,w)为桌面虚拟化环境图像数据的数据像素位置,v为桌面虚拟化环境图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。