CN115830709A - 基于联邦边缘学习的动作识别方法、服务器及电子设备 - Google Patents
基于联邦边缘学习的动作识别方法、服务器及电子设备 Download PDFInfo
- Publication number
- CN115830709A CN115830709A CN202211474539.1A CN202211474539A CN115830709A CN 115830709 A CN115830709 A CN 115830709A CN 202211474539 A CN202211474539 A CN 202211474539A CN 115830709 A CN115830709 A CN 115830709A
- Authority
- CN
- China
- Prior art keywords
- information
- edge
- model
- model parameters
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了基于联邦边缘学习的动作识别方法、服务器及电子设备,应用于边缘服务器,方法包括:接收至少一个边缘设备发送的训练请求和设备信息;根据设备信息确定用于对边缘设备进行分配的资源分配策略;根据训练请求向边缘设备发送资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使得到采集信息以及多个全局模型参数;根据多个全局模型参数和采集信息对人工智能模型进行训练,得到目标识别模型;将目标识别模型发送至边缘设备,以使边缘设备将采集到的待检测样本输入目标识别模型进行动作识别,输出待检测样本的目标动作信息。本发明实施例中,能够在资源约束的条件下,提高联邦学习训练效率,提高动作识别的准确性。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种基于联邦边缘学习的动作识别方法、服务器、终端设备、电子设备及存储介质。
背景技术
随着信息与通信技术的蓬勃发展,越来越多的智能应用考虑使用人工智能技术,不断增加的各类移动设备和传感器等边缘设备在网络边缘产生了大量数据。由此催生了一种新的学习范式,即边缘学习。在边缘学习中,联邦边缘学习的机器学习框架因其充分利用本地计算资源和保护本地数据隐私的优点而备受关注和广泛使用,因此联邦边缘学习可以应用于图像识别、图像分类、动作识别等多种领域。
对于动作识别领域来说,联邦边缘学习中的边缘设备需要感知环境中人体的动作信息获得用于训练的数据,再通过利用本地算力来计算模型更新,最后,通过上行信道上传本地模型更新至边缘服务器,边缘服务器通过下行信道广播全局模型至每个边缘设备,完成对环境中动作信息识别的过程。
然而,基于传统联邦边缘学习的动作识别方法,当在边缘网络中边缘设备功率、时间等资源受限的情况下,则存在联邦边缘学习训练效率缓慢,资源利用率低等情况,从而降低动作识别的效率。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于联邦边缘学习的动作识别方法、服务器、终端设备、电子设备及存储介质,能够在资源约束的条件下,提高联邦学习训练效率,提高动作识别的准确性。
第一方面,本发明提供一种基于联邦边缘学习的动作识别方法,应用于边缘服务器,所述边缘服务器与多个边缘设备通信连接,所述方法包括:
接收至少一个所述边缘设备发送的训练请求和设备信息,其中,所述设备信息用于表征所述边缘设备对人体的动作信息的采集能力;
根据所述设备信息确定用于对所述边缘设备进行分配的资源分配策略;
根据所述训练请求向所述边缘设备发送所述资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个所述边缘设备根据所述资源分配策略以及所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息由所述边缘设备根据所述资源分配策略对人体的动作信息的采集得到,所述模型参数由所述边缘设备根据所述初始模型参数更新得到;
根据所述多个模型参数以及所述采集信息对所述人工智能模型进行训练,得到目标识别模型;
将所述目标识别模型发送至所述边缘设备,以使所述边缘设备将采集到的待检测样本输入所述目标识别模型进行动作识别,输出所述待检测样本的目标动作信息。
根据本发明实施例提供的基于联邦边缘学习的动作识别方法,至少有如下有益效果:首先,接收至少一个边缘设备发送的训练请求和设备信息,从而得到边缘设备对人体的动作信息的采集能力,再根据设备信息确定用于对边缘设备进行分配的资源分配策略,从而能够使得边缘设备在特定的策略下进行收敛,之后,根据训练请求向边缘设备发送资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个边缘设备能够根据资源分配策略以及初始模型参数进行计算,得到采集信息以及多个全局模型参数,从而提高边缘设备的资源利用效率,再根据多个全局模型参数以及采集信息对人工智能模型进行训练,得到目标识别模型,最后,将目标识别模型发送至边缘设备,使得边缘设备将采集到的待检测样本输入目标识别模型进行动作识别,并输出待检测样本的目标动作信息,从而实现对人体的动作信息的识别准确性,能够在给定的资源分配策略下,实现感知、通信和计算之间合理分配资源。
根据本发明的一些实施例,所述设备信息包括导频信号、设备参数信息以及设备功率信息;所述根据所述设备信息确定用于对所述边缘设备进行分配的资源分配策略,包括:
根据所述导频信号确定信道状态信息,其中,所述信道状态信息包括衰落因子;
基于预设的网格搜索算法对所述衰落因子、所述设备参数信息以及所述设备功率信息进行计算,得到所述边缘设备的通信发射功率;
将所述通信发射功率输入所述边缘设备进行计算,得到感知数据参数;
将所述感知数据参数输入预设的训练函数进行计算,得到感知样本数量;
根据所述感知样本数量以及所述通信发射功率生成用于对所述边缘设备进行分配的所述资源分配策略。
根据本发明的一些实施例,所述设备功率信息包括发射功率和发送功率;所述基于预设的网格搜索算法对所述衰落因子、所述设备参数信息以及所述设备功率信息进行计算,得到所述边缘设备的通信发射功率,包括:
对预设的指数积分函数、通信带宽、噪声功率谱密度信息、所述衰落因子以及所述发送功率进行计算,得到信道容量函数;
根据所述网格搜索算法对所述设备参数信息、所述发射功率以及所述信道容量函数进行计算,得到所述边缘设备的通信发射功率。
根据本发明的一些实施例,所述根据所述多个模型参数以及所述采集信息对所述人工智能模型进行训练,得到目标识别模型,包括:
对所述多个模型参数进行平均操作,得到全局模型参数;
根据所述采集信息对所述人工智能模型进行训练,得到所述人工智能模型的损失函数;
将所述人工智能模型的损失函数与预设的门限约束条件进行对比,得到对比结果;
当所述对比结果为所述损失函数的函数值未满足所述门限约束条件,向所述边缘设备发送所述全局模型参数,以使所述边缘设备基于所述全局模型参数进行多步本地更新,直至更新后的损失函数的函数值满足所述门限约束条件,根据更新后的所述人工智能模型得到所述目标识别模型;
当所述对比结果为所述损失函数的函数值满足所述门限约束条件,根据训练后的所述人工智能模型得到所述目标识别模型。
第二方面,本发明提供一种基于联邦边缘学习的动作识别方法,应用于边缘设备,所述边缘服务器与多个边缘设备通信连接,所述方法包括:
向所述边缘服务器发送训练请求以及设备信息,以使所述边缘服务器根据所述训练请求以及所述设备信息生成资源分配策略以及初始模型参数,其中,所述设备信息用于表征所述边缘设备对环境中人体的动作信息的采集能力,所述初始模型参数用于表征所述边缘服务器中人工智能模型的模型性能;
根据所述资源分配策略和所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息用于表征在所述资源分配策略下对人体的动作信息的采集能力,所述模型参数用于表征在所述初始模型参数下对所述初始模型参数的更新能力;
向所述边缘服务器发送所述采集信息以及所述多个模型参数以使所述边缘服务器根据所述采集信息以及所述多个模型参数对所述人工智能模型进行训练,得到目标识别模型;
对人体的动作信息进行采集,得到待检测样本;
接收所述边缘服务器发送的所述目标识别模型,并根据所述目标识别模型对所述待检测样本进行动作识别,得到目标动作信息。
根据本发明的一些实施例,所述资源分配策略包括感知样本数量;所述根据所述资源分配策略和所述初始模型参数得到采集信息以及多个模型参数,包括:
根据所述感知样本数量对人体的动作信息进行采集,得到所述采集信息;
基于所述初始模型参数进行多步本地更新,得到多个所述模型参数。
根据本发明的一些实施例,还包括:
在所述人工智能模型的损失函数的函数值未满足门限约束条件的情况下,接收所述边缘服务器发送的全局模型参数,基于所述全局模型参数进行多步本地更新,得到更新结果;
向所述边缘服务器发送所述更新结果直至所述边缘服务器根据所述更新结果确定损失函数的函数值满足所述门限约束条件。
第三方面,本发明提供一种服务器,所述服务器包括:
信息接收模块,用于接收至少一个所述边缘设备发送的训练请求和设备信息,其中,所述设备信息用于表征所述边缘设备对人体的动作信息的采集能力;
策略确定模块,用于根据所述设备信息确定用于对所述边缘设备进行分配的资源分配策略;
策略发送模块,用于根据所述训练请求向所述边缘设备发送所述资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个所述边缘设备根据所述资源分配策略以及所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息由所述边缘设备根据所述资源分配策略对人体的动作信息的采集得到,所述模型参数由所述边缘设备根据所述初始模型参数更新得到;
模型训练模块,用于根据所述多个模型参数以及所述采集信息对所述人工智能模型进行训练,得到目标识别模型;
模型发送模块,用于将所述目标识别模型发送至所述边缘设备,以使所述边缘设备将采集到的待检测样本输入所述目标识别模型进行动作识别,输出所述待检测样本的目标动作信息。
第四方面,本发明提供一种终端设备,所述终端设备包括:
信息发送模块,用于向所述边缘服务器发送训练请求以及设备信息,以使所述边缘服务器根据所述训练请求以及所述设备信息生成资源分配策略以及初始模型参数,其中,所述设备信息用于表征所述边缘设备对环境中人体的动作信息的采集能力,所述初始模型参数用于表征所述边缘服务器中人工智能模型的模型性能;
参数计算模块,用于根据所述资源分配策略和所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息用于表征在所述资源分配策略下对人体的动作信息的采集能力,所述模型参数用于表征在所述初始模型参数下对所述初始模型参数的更新能力;
参数发送模块,用于向所述边缘服务器发送所述采集信息以及所述多个模型参数以使所述边缘服务器根据所述采集信息以及所述多个模型参数对所述人工智能模型进行训练,得到目标识别模型;
信息采集模块,用于对人体的动作信息进行采集,得到待检测样本;
目标确定模块,用于接收所述边缘服务器发送的所述目标识别模型,并根据所述目标识别模型对所述待检测样本进行动作识别,得到目标动作信息。
第五方面,本发明提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面和\或第二方面所述的基于联邦边缘学习的动作识别方法。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一实施例提供的基于联邦边缘学习的动作识别方法的流程图;
图2是图1中的步骤S102的具体方法流程图;
图3是图2中的步骤S202的具体方法流程图;
图4是图1中的步骤S104的具体方法流程图;
图5是本发明另一实施例提供的基于联邦边缘学习的动作识别方法的流程图;
图6是图5中的步骤S502的具体方法流程图;
图7是本发明另一实施例提供的基于联邦边缘学习的动作识别方法的流程图;
图8是本发明一实施例提供的服务器的结构示意图;
图9是本发明一实施例提供的终端设备的结构示意图;
图10是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明提供了一种基于联邦边缘学习的动作识别方法、服务器、终端设备、电子设备及存储介质,其中,在联邦边缘学习训练模型的过程中,涉及到通信、感知和计算三个过程的共同参与。在每回合的迭代训练中,边缘设备需要通过无线通信与边缘服务器交互信息,边缘设备同时具备通信、计算以及感知环境的功能。
下面结合附图,对本发明实施例作进一步阐述。
参照图1,图1是本发明一个实施例提供的基于联邦边缘学习的动作识别方法的流程图,应用于边缘服务器,边缘服务器与多个边缘设备通信连接,动作识别方法包括但不限于步骤S101至S105。
步骤S101:接收至少一个边缘设备发送的训练请求和设备信息;
需要说明的是,设备信息用于表征边缘设备对人体的动作信息的采集能力。
在一些实施例中,边缘服务器接收至少一个边缘设备发送的训练请求和设备信息,以根据训练请求对边缘设备作出相应,实现边缘服务器与边缘设备的实时通信。
步骤S102:根据设备信息确定用于对边缘设备进行分配的资源分配策略;
在一些实施例中,根据设备信息确定用于对边缘设备进行分配的资源分配策略,从而能够对边缘设备的通信发射功率和每回合需要感知的样本数量等信息进行资源限制,在限制资源的情况下,提高联邦边缘学习的资源利用率。
步骤S103:根据训练请求向边缘设备发送资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个边缘设备根据资源分配策略以及初始模型参数得到采集信息以及多个模型参数;
需要说明的是,采集信息由边缘设备根据资源分配策略对人体的动作信息的采集得到,模型参数由边缘设备根据初始模型参数更新得到。
在一些实施例中,根据训练请求确定边缘服务器允许边缘设备加入训练的边缘设备,之后向申请通过的边缘设备发送资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个边缘设备根据资源分配策略对人体的动作信息的采集,得到采集信息,并对初始模型参数进行训练更新,得到模型参数,便于后续对人工智能模型的训练,实现在资源受限的情况下,对人工智能模型的训练,实现资源的充分利用。
需要说明的是,初始模型参数包括但不限于包括神经网络模型的权重值、偏差值等参数,本实施例不做具体限制。
步骤S104:根据多个模型参数以及采集信息对人工智能模型进行训练,得到目标识别模型;
在一些实施例中,根据多个模型参数以及采集信息对人工智能模型进行训练,提高人工智能模型对动作信息的采集能力以及识别能力,得到经过训练的目标识别模型。
步骤S105:将目标识别模型发送至边缘设备,以使边缘设备将采集到的待检测样本输入目标识别模型进行动作识别,输出待检测样本的目标动作信息。
在一些实施例中,将目标识别模型发送至边缘设备,从而使得边缘设备能够根据目标识别模型对采集到的待检测样本进行动作识别,并输出待检测样本的目标动作信息,完成对人体动作的精准识别,提高对人体的动作信息的识别精准度。
在本实施例中提供的步骤S101至步骤S105中,首先,接收至少一个边缘设备发送的训练请求和设备信息,从而得到边缘设备对人体的动作信息的采集能力,再根据设备信息确定用于对边缘设备进行分配的资源分配策略,从而能够使得边缘设备在特定的策略下进行收敛,之后,根据训练请求向边缘设备发送资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个边缘设备能够根据资源分配策略以及初始模型参数进行计算,得到采集信息以及多个全局模型参数,从而提高边缘设备的资源利用效率,再根据多个全局模型参数以及采集信息对人工智能模型进行训练,得到目标识别模型,最后,将目标识别模型发送至边缘设备,使得边缘设备将采集到的待检测样本输入目标识别模型进行动作识别,并输出待检测样本的目标动作信息,从而实现对人体的动作信息的识别准确性,能够在给定的资源分配策略下,实现感知、通信和计算之间合理分配资源。
参照图2,图2是图1中的步骤S102的具体方法流程图,步骤S102包括但不限于包括步骤S201至S205。
需要说明的是,设备信息包括导频信号、设备参数信息以及设备功率信息。
步骤S201:根据导频信号确定信道状态信息;
需要说明的是,信道状态信息包括衰落因子φk。
在一些实施例中,根据导频信息确定不同的边缘设备与边缘服务器之间的通信信道的信道状态信息,从而能够得到信号在通信信道中的衰减量,提高计算的准确性。
步骤S202:基于预设的网格搜索算法对衰落因子、设备参数信息以及设备功率信息进行计算,得到边缘设备的通信发射功率;
在一些实施例中,基于预设的网格搜索算法对衰落因子、设备参数信息以及设备功率信息进行计算,得到边缘设备的通信发射功率其中,通信发射功率为最优通信发射功率,从而能够得到边缘设备与边缘服务器进行通信过程中的最优通信发射功率,便于后续边缘设备进行本地更新。
需要说明的是,设备参数信息包括设备电量Emax、设备CPU(Central ProcessingUnit,中央处理器)频率fcpu,感知一个样本需要的时间T0,本实施例不做具体限制。
可以理解的是,网格搜索法是指定参数值的穷举搜索方法,通过交叉验证的方法对估计函数的参数进行优化,得到最优的学习算法。
步骤S203:将通信发射功率输入边缘设备进行计算,得到感知数据参数;
需要说明的是,具体计算得到感知数据参数的公式如下公式(1)所示:
其中,τ为边缘设备本地更新步数,Ck(pc,k)为边缘设备与服务器之间的通信信道的各态历经容量,ν为执行随机梯度下降消耗的单位算力,θ是有效开关电容系数,为通信发射功率,R为训练回合数上限,Db为人工智能模型大小,Tmax为训练时间上限。
步骤S204:将感知数据参数输入预设的训练函数进行计算,得到感知样本数量;
在一些实施例中,将感知数据参数输入预设的训练函数进行计算,得到感知样本数量,从而能够得到每个回合边缘设备需要感知的样本数量,便于后续得到边缘设备在资源分配策略下需要感知的样本数量,提高后续对模型训练的准确性。
需要说明的是,将感知数据参数输入训练函数进行计算的具体过程如下公式(2)所示:
步骤S205:根据感知样本数量以及通信发射功率生成用于对边缘设备进行分配的资源分配策略。
在一些实施例中,根据感知样本数量以及通信发射功率生成用于对边缘设备进行分配的资源分配策略,从而能够通过资源分配策略对边缘设备的最优发射功率以及每个回合需要感知的样本数量进行限制,便于后续在边缘网络中边缘设备功率、能量和时间等资源受限的情况下提高联邦边缘学习的训练速度。
参照图3,图3是图2中的步骤S202的具体方法流程图,步骤S202包括但不限于包括步骤S301至S302。
步骤S301:对预设的指数积分函数、通信带宽、噪声功率谱密度信息、衰落因子以及发送功率进行计算,得到信道容量函数;
在一些实施例中,对预设的指数积分函数Ei(·)、通信带宽B0、噪声功率谱密度信息N0、衰落因子φk以及发送功率进行计算得到信道容量函数,从而能够得到边缘设备与边缘服务器之间通信信道的各态历经容量,其中具体的计算如下公式(3)所示:
步骤S302:根据网格搜索算法对设备参数信息、发射功率以及信道容量函数进行计算,得到边缘设备的通信发射功率。
在一些实施例中,根据网格搜索算法对设备参数信息、发射功率以及信道容量函数进行计算,得到边缘设备的通信发射功率,从而得到边缘设备的最优的通信发射功率,其中,具体的计算如下公式(4)所示:
参照图4,图4是图1中的步骤S104的具体方法流程图,步骤S104包括但不限于包括步骤S401至S405。
步骤S401:对多个模型参数进行平均操作,得到全局模型参数;
在一些实施例中,在接收到边缘设备发送的模型参数后,对接收到的多个模型参数进行平均操作,得到全局模型参数。
步骤S402:根据采集信息对人工智能模型进行训练,得到人工智能模型的损失函数;
步骤S403:将人工智能模型的损失函数与预设的门限约束条件进行对比,得到对比结果;
步骤S404:当对比结果为损失函数的函数值未满足门限约束条件,向边缘设备发送全局模型参数,以使边缘设备基于全局模型参数进行多步本地更新,直至更新后的损失函数的函数值满足门限约束条件,根据更新后的人工智能模型得到目标识别模型;
步骤S405:当对比结果为损失函数的函数值满足门限约束条件,根据训练后的人工智能模型得到目标识别模型。
在一些实施例的步骤S401至步骤S405中,边缘服务器首先对多个模型参数进行聚合,得到全局模型参数,之后根据采集信息对人工智能模型进行训练,得到人工智能模型的损失函数,便于后续确定训练结束的条件,之后,将人工智能模型的损失函数与预设的门限约束条件进行对比,得到对比结果,其中,当对比结果为损失函数的函数值未满足门限约束条件,继续向边缘设备发送全局模型参数,以使边缘设备基于全局模型参数进行多步本地更新,直至更新后的损失函数的函数值满足门限约束条件,并根据更新后的人工智能模型得到目标识别模型;当对比结果为损失函数的函数值满足门限约束条件,则可以直接根据训练后的人工智能模型得到目标识别模型,完成对人工智能模型的训练过程,从而提高人工智能模型对动作信息的识别能力,提高对动作信息识别的准确性。
参照图5,图5是本发明另一个实施例提供的基于联邦边缘学习的动作识别方法的流程图,应用于边缘设备,边缘服务器与多个边缘设备通信连接,动作识别方法包括但不限于步骤S501至S505。
步骤S501:向边缘服务器发送训练请求以及设备信息,以使边缘服务器根据训练请求以及设备信息生成资源分配策略以及初始模型参数;
需要说明的是,设备信息用于表征边缘设备对环境中人体的动作信息的采集能力,初始模型参数用于表征边缘服务器中人工智能模型的模型性能。
在一些实施例中,向边缘服务器发送训练请求以及设备信息,以使边缘服务器能够根据训练请求做出相应反馈,并能够根据设备信息生成与边缘设备对应的资源分配策略以及初始模型参数。
需要说明的是,初始模型参数为边缘服务器从预配置的人工智能模型获取到的初始模型参数。
步骤S502:根据资源分配策略和初始模型参数得到采集信息以及多个模型参数;
在一些实施例中,根据资源分配策略和初始模型参数得到采集信息以及多个模型参数,从而实现对资源的充分利用,实现在给定资源约束的条件下,加快收敛速度。
步骤S503:向边缘服务器发送采集信息以及多个模型参数以使边缘服务器根据采集信息以及多个模型参数对人工智能模型进行训练,得到目标识别模型;
在一些实施例中,向边缘服务器发送采集信息以及多个模型参数以使边缘服务器根据采集信息以及多个模型参数对人工智能模型进行训练,得到目标识别模型,从而提高目标识别模型对人体的动作信息的识别能力。
步骤S504:对人体的动作信息进行采集,得到待检测样本;
步骤S505:接收边缘服务器发送的目标识别模型,并根据目标识别模型对待检测样本进行动作识别,得到目标动作信息。
在一些实施例中,再边缘服务器训练得到目标识别模型之后,接收边缘服务器发送的目标识别模型,并对人体的动作信息进行采集,得到待检测样本,将待检测样本输入目标识别模型进行动作识别,从而得到目标动作信息,实现对目标识别模型的测试。
参照图6,图6是图5中的步骤S502的具体方法流程图,步骤S502包括但不限于步骤S601-S602。
需要说明的是,资源分配策略包括感知样本数量,其中,感知样本数量为本回合边缘设备需要感知到的样本数量。
步骤S601:根据感知样本数量对人体的动作信息进行采集,得到采集信息;
在一些实施例中,根据感知样本数量对需要感知的人体的动作信息进行采集,得到采集信息。
步骤S602:基于初始模型参数进行多步本地更新,得到多个模型参数。
在一些实施例中,基于初始模型参数进行多步本地更新,从而得到多个模型参数,其中,基于初始模型参数进行本地更新的过程为小批量随机梯度下降更新,便于后续对人工智能模型的训练。
参照图7,图7是本发明另一个实施例提供的基于联邦边缘学习的动作识别方法的流程图,包括但不限于包括步骤S701至S702。
步骤S701:在人工智能模型的损失函数的函数值未满足门限约束条件的情况下,接收边缘服务器发送的全局模型参数,基于全局模型参数进行多步本地更新,得到更新结果;
步骤S702:向边缘服务器发送更新结果直至边缘服务器根据更新结果确定损失函数的函数值满足门限约束条件。
在一些实施例中,在人工智能模型的损失函数的函数值未满足门限约束条件的情况下,接收边缘服务器发送的全局模型参数,基于全局模型参数再次进行多步本地更新,得到更新结果,并向边缘服务器发送更新结果直至边缘服务器根据更新结果确定损失函数的函数值满足门限约束条件为止,从而完成对人工智能模型的训练过程。
参考图8,图8是本发明一实施例提供的服务器的结构示意图,可以实现上述基于联邦边缘学习的动作识别方法,该服务器包括:
信息接收模块801,用于接收至少一个边缘设备发送的训练请求和设备信息,其中,设备信息用于表征边缘设备对人体的动作信息的采集能力;
策略确定模块802,用于根据设备信息确定用于对边缘设备进行分配的资源分配策略;
策略发送模块803,用于根据训练请求向边缘设备发送资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个边缘设备根据资源分配策略以及初始模型参数得到采集信息以及多个模型参数,其中,采集信息由边缘设备根据资源分配策略对人体的动作信息的采集得到,模型参数由边缘设备根据初始模型参数更新得到;
模型训练模块804,用于根据多个模型参数以及采集信息对人工智能模型进行训练,得到目标识别模型;
模型发送模块805,用于将目标识别模型发送至边缘设备,以使边缘设备将采集到的待检测样本输入目标识别模型进行动作识别,输出待检测样本的目标动作信息。
参考图9,图9是本发明一实施例提供的终端设备的结构示意图,可以实现上述基于联邦边缘学习的动作识别方法,该终端设备包括:
信息发送模块901,用于向边缘服务器发送训练请求以及设备信息,以使边缘服务器根据训练请求以及设备信息生成资源分配策略以及初始模型参数,其中,设备信息用于表征边缘设备对环境中人体的动作信息的采集能力,初始模型参数用于表征边缘服务器中人工智能模型的模型性能;
参数计算模块902,用于根据资源分配策略和初始模型参数得到采集信息以及多个模型参数,其中,采集信息用于表征在资源分配策略下对人体的动作信息的采集能力,模型参数用于表征在初始模型参数下对初始模型参数的更新能力;
参数发送模块903,用于向边缘服务器发送采集信息以及多个模型参数以使边缘服务器根据采集信息以及多个模型参数对人工智能模型进行训练,得到目标识别模型;
信息采集模块904,用于对人体的动作信息进行采集,得到待检测样本;
目标确定模块905,用于接收边缘服务器发送的目标识别模型,并根据目标识别模型对待检测样本进行动作识别,得到目标动作信息。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述基于联邦边缘学***板电脑、车载电脑等任意智能终端。
请参阅图10,图10示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器1001,可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application SpecificIntegrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器1002,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器1002可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1002中,并由处理器1001来调用执行本申请实施例的线上会客***的模块管理方法;
输入/输出接口1003,用于实现信息输入及输出;
通信接口1004,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WI FI、蓝牙等)实现通信;
总线1005,在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息;
其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。
此外,本发明的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述***实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的基于联邦边缘学习的动作识别方法。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-7中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-On ly Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种基于联邦边缘学习的动作识别方法,应用于边缘服务器,所述边缘服务器与多个边缘设备通信连接,其特征在于,所述方法包括:
接收至少一个所述边缘设备发送的训练请求和设备信息,其中,所述设备信息用于表征所述边缘设备对人体的动作信息的采集能力;
根据所述设备信息确定用于对所述边缘设备进行分配的资源分配策略;
根据所述训练请求向所述边缘设备发送所述资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个所述边缘设备根据所述资源分配策略以及所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息由所述边缘设备根据所述资源分配策略对人体的动作信息的采集得到,所述模型参数由所述边缘设备根据所述初始模型参数更新得到;
根据所述多个模型参数以及所述采集信息对所述人工智能模型进行训练,得到目标识别模型;
将所述目标识别模型发送至所述边缘设备,以使所述边缘设备将采集到的待检测样本输入所述目标识别模型进行动作识别,输出所述待检测样本的目标动作信息。
2.根据权利要求1所述的基于联邦边缘学习的动作识别方法,其特征在于,所述设备信息包括导频信号、设备参数信息以及设备功率信息;所述根据所述设备信息确定用于对所述边缘设备进行分配的资源分配策略,包括:
根据所述导频信号确定信道状态信息,其中,所述信道状态信息包括衰落因子;
基于预设的网格搜索算法对所述衰落因子、所述设备参数信息以及所述设备功率信息进行计算,得到所述边缘设备的通信发射功率;
将所述通信发射功率输入所述边缘设备进行计算,得到感知数据参数;
将所述感知数据参数输入预设的训练函数进行计算,得到感知样本数量;
根据所述感知样本数量以及所述通信发射功率生成用于对所述边缘设备进行分配的所述资源分配策略。
3.根据权利要求2所述的基于联邦边缘学习的动作识别方法,其特征在于,所述设备功率信息包括发射功率和发送功率;所述基于预设的网格搜索算法对所述衰落因子、所述设备参数信息以及所述设备功率信息进行计算,得到所述边缘设备的通信发射功率,包括:
对预设的指数积分函数、通信带宽、噪声功率谱密度信息、所述衰落因子以及所述发送功率进行计算,得到信道容量函数;
根据所述网格搜索算法对所述设备参数信息、所述发射功率以及所述信道容量函数进行计算,得到所述边缘设备的通信发射功率。
4.根据权利要求2所述的基于联邦边缘学习的动作识别方法,其特征在于,所述根据所述多个模型参数以及所述采集信息对所述人工智能模型进行训练,得到目标识别模型,包括:
对所述多个模型参数进行平均操作,得到全局模型参数;
根据所述采集信息对所述人工智能模型进行训练,得到所述人工智能模型的损失函数;
将所述人工智能模型的损失函数与预设的门限约束条件进行对比,得到对比结果;
当所述对比结果为所述损失函数的函数值未满足所述门限约束条件,向所述边缘设备发送所述全局模型参数,以使所述边缘设备基于所述全局模型参数进行多步本地更新,直至更新后的损失函数的函数值满足所述门限约束条件,根据更新后的所述人工智能模型得到所述目标识别模型;
当所述对比结果为所述损失函数的函数值满足所述门限约束条件,根据训练后的所述人工智能模型得到所述目标识别模型。
5.一种基于联邦边缘学习的动作识别方法,应用于边缘设备,边缘服务器与所述边缘设备通信连接,其特征在于,所述方法包括:
向所述边缘服务器发送训练请求以及设备信息,以使所述边缘服务器根据所述训练请求以及所述设备信息生成资源分配策略以及初始模型参数,其中,所述设备信息用于表征所述边缘设备对环境中人体的动作信息的采集能力,所述初始模型参数用于表征所述边缘服务器中人工智能模型的模型性能;
根据所述资源分配策略和所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息用于表征在所述资源分配策略下对人体的动作信息的采集能力,所述模型参数用于表征在所述初始模型参数下对所述初始模型参数的更新能力;
向所述边缘服务器发送所述采集信息以及所述多个模型参数以使所述边缘服务器根据所述采集信息以及所述多个模型参数对所述人工智能模型进行训练,得到目标识别模型;
对人体的动作信息进行采集,得到待检测样本;
接收所述边缘服务器发送的所述目标识别模型,并根据所述目标识别模型对所述待检测样本进行动作识别,得到目标动作信息。
6.根据权利要求5所述的基于联邦边缘学习的动作识别方法,其特征在于,所述资源分配策略包括感知样本数量;所述根据所述资源分配策略和所述初始模型参数得到采集信息以及多个模型参数,包括:
根据所述感知样本数量对人体的动作信息进行采集,得到所述采集信息;
基于所述初始模型参数进行多步本地更新,得到多个所述模型参数。
7.根据权利要求5所述的基于联邦边缘学习的动作识别方法,其特征在于,还包括:
在所述人工智能模型的损失函数的函数值未满足门限约束条件的情况下,接收所述边缘服务器发送的全局模型参数,基于所述全局模型参数进行多步本地更新,得到更新结果;
向所述边缘服务器发送所述更新结果直至所述边缘服务器根据所述更新结果确定损失函数的函数值满足所述门限约束条件。
8.一种服务器,其特征在于,所述服务器包括:
信息接收模块,用于接收至少一个边缘设备发送的训练请求和设备信息,其中,所述设备信息用于表征所述边缘设备对人体的动作信息的采集能力;
策略确定模块,用于根据所述设备信息确定用于对所述边缘设备进行分配的资源分配策略;
策略发送模块,用于根据所述训练请求向所述边缘设备发送所述资源分配策略以及从预配置的人工智能模型获取到的初始模型参数,以使每个所述边缘设备根据所述资源分配策略以及所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息由所述边缘设备根据所述资源分配策略对人体的动作信息的采集得到,所述模型参数由所述边缘设备根据所述初始模型参数更新得到;
模型训练模块,用于根据所述多个模型参数以及所述采集信息对所述人工智能模型进行训练,得到目标识别模型;
模型发送模块,用于将所述目标识别模型发送至所述边缘设备,以使所述边缘设备将采集到的待检测样本输入所述目标识别模型进行动作识别,输出所述待检测样本的目标动作信息。
9.一种终端设备,其特征在于,所述终端设备包括:
信息发送模块,用于向边缘服务器发送训练请求以及设备信息,以使所述边缘服务器根据所述训练请求以及所述设备信息生成资源分配策略以及初始模型参数,其中,所述设备信息用于表征所述边缘设备对环境中人体的动作信息的采集能力,所述初始模型参数用于表征所述边缘服务器中人工智能模型的模型性能;
参数计算模块,用于根据所述资源分配策略和所述初始模型参数得到采集信息以及多个模型参数,其中,所述采集信息用于表征在所述资源分配策略下对人体的动作信息的采集能力,所述模型参数用于表征在所述初始模型参数下对所述初始模型参数的更新能力;
参数发送模块,用于向所述边缘服务器发送所述采集信息以及所述多个模型参数以使所述边缘服务器根据所述采集信息以及所述多个模型参数对所述人工智能模型进行训练,得到目标识别模型;
信息采集模块,用于对人体的动作信息进行采集,得到待检测样本;
目标确定模块,用于接收所述边缘服务器发送的所述目标识别模型,并根据所述目标识别模型对所述待检测样本进行动作识别,得到目标动作信息。
10.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于联邦边缘学习的动作识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211474539.1A CN115830709A (zh) | 2022-11-23 | 2022-11-23 | 基于联邦边缘学习的动作识别方法、服务器及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211474539.1A CN115830709A (zh) | 2022-11-23 | 2022-11-23 | 基于联邦边缘学习的动作识别方法、服务器及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830709A true CN115830709A (zh) | 2023-03-21 |
Family
ID=85530624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211474539.1A Pending CN115830709A (zh) | 2022-11-23 | 2022-11-23 | 基于联邦边缘学习的动作识别方法、服务器及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830709A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580448A (zh) * | 2023-04-11 | 2023-08-11 | 深圳市大数据研究院 | 一种行为预测方法、***、电子设备及存储介质 |
CN117763308A (zh) * | 2023-12-19 | 2024-03-26 | 深圳市大数据研究院 | 基于无人机的运动指标分析方法、电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708640A (zh) * | 2020-06-23 | 2020-09-25 | 苏州联电能源发展有限公司 | 一种面向边缘计算的联邦学习方法和*** |
WO2021040889A1 (en) * | 2019-08-27 | 2021-03-04 | DawnLight Technologies Inc. | Privacy-preserving activity monitoring systems and methods |
US20210174243A1 (en) * | 2019-12-06 | 2021-06-10 | International Business Machines Corporation | Efficient private vertical federated learning |
CN113139663A (zh) * | 2021-04-23 | 2021-07-20 | 深圳市大数据研究院 | 联邦边缘学习配置信息获取方法、装置、设备及介质 |
CN115174397A (zh) * | 2022-07-28 | 2022-10-11 | 河海大学 | 联合梯度量化与带宽分配的联邦边缘学习训练方法及*** |
CN115331283A (zh) * | 2022-07-25 | 2022-11-11 | 上海中侨健康智能科技有限公司 | 用于检测人在生活空间中跌倒的检测***及其检测方法 |
CN115424079A (zh) * | 2022-09-30 | 2022-12-02 | 深圳市大数据研究院 | 基于联邦边缘学习的图像分类方法以及相关设备 |
-
2022
- 2022-11-23 CN CN202211474539.1A patent/CN115830709A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021040889A1 (en) * | 2019-08-27 | 2021-03-04 | DawnLight Technologies Inc. | Privacy-preserving activity monitoring systems and methods |
US20210174243A1 (en) * | 2019-12-06 | 2021-06-10 | International Business Machines Corporation | Efficient private vertical federated learning |
CN111708640A (zh) * | 2020-06-23 | 2020-09-25 | 苏州联电能源发展有限公司 | 一种面向边缘计算的联邦学习方法和*** |
CN113139663A (zh) * | 2021-04-23 | 2021-07-20 | 深圳市大数据研究院 | 联邦边缘学习配置信息获取方法、装置、设备及介质 |
CN115331283A (zh) * | 2022-07-25 | 2022-11-11 | 上海中侨健康智能科技有限公司 | 用于检测人在生活空间中跌倒的检测***及其检测方法 |
CN115174397A (zh) * | 2022-07-28 | 2022-10-11 | 河海大学 | 联合梯度量化与带宽分配的联邦边缘学习训练方法及*** |
CN115424079A (zh) * | 2022-09-30 | 2022-12-02 | 深圳市大数据研究院 | 基于联邦边缘学习的图像分类方法以及相关设备 |
Non-Patent Citations (4)
Title |
---|
KONSTANTIN SOZINOV 等: "Human Activity Recognition Using Federated Learning", 《2018 IEEE INTL CONF ON PARALLEL & DISTRIBUTED PROCESSING WITH APPLICATIONS, UBIQUITOUS COMPUTING & COMMUNICATIONS, BIG DATA & CLOUD COMPUTING, SOCIAL COMPUTING & NETWORKING, SUSTAINABLE COMPUTING & COMMUNICATIONS》, pages 1103 - 1111 * |
PEIXI LIU 等: "Toward Ambient Intelligence: Federated Edge Learning with Task-Oriented Sensing, Computation, and Communication Integration", 《HTTPS://ARXIV.ORG/PDF/2206.05949V1.PDF》, pages 3 - 4 * |
张泽中 等: "面向协同感知的高效通信边缘学习网络架构设计", 《中兴通讯技术》, vol. 28, no. 5, pages 29 - 38 * |
高卉杰 等: "人工智能人脸识别技术安全风险评估研究", 《科技与社会》, pages 45 - 53 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580448A (zh) * | 2023-04-11 | 2023-08-11 | 深圳市大数据研究院 | 一种行为预测方法、***、电子设备及存储介质 |
CN116580448B (zh) * | 2023-04-11 | 2024-04-16 | 深圳市大数据研究院 | 一种行为预测方法、***、电子设备及存储介质 |
CN117763308A (zh) * | 2023-12-19 | 2024-03-26 | 深圳市大数据研究院 | 基于无人机的运动指标分析方法、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115830709A (zh) | 基于联邦边缘学习的动作识别方法、服务器及电子设备 | |
CN110926782B (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
CN110475224B (zh) | 一种基于边缘计算的传感器数据处理与协同预测方法 | |
EP3644581B1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
CN111902996B (zh) | 劣化状态判定装置以及劣化状态判定方法 | |
CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
CN113286315B (zh) | 负载均衡判断方法、装置、设备及存储介质 | |
CN116546567B (zh) | 基于贝叶斯联邦学习的数据处理方法、***及电子设备 | |
CN106507275B (zh) | 一种无线传感器网络的鲁棒分布式滤波方法和装置 | |
CN109615058A (zh) | 一种神经网络模型的训练方法 | |
CN113497647B (zh) | 由通信网络中的电子装置执行的方法和电子装置 | |
CN115065992A (zh) | 一种基于边缘计算的协同感知与资源分配方法 | |
US20230066703A1 (en) | Method for estimating structural vibration in real time | |
WO2019062404A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN108376099A (zh) | 一种优化时延与能效的移动终端计算迁移方法 | |
CN109993562B (zh) | 一种满意度仿真方法、装置及终端设备 | |
CN113676706A (zh) | 烹饪视频生成方法、装置、服务器及控制*** | |
CN111291694B (zh) | 菜肴图像识别方法及装置 | |
CN111343271A (zh) | 一种基于dtu设备的人工智能云控制方法及*** | |
CN110996289A (zh) | 一种用于机器状态监测诊断仪的智能网关、方法及*** | |
CN116560832A (zh) | 面向联邦学习的资源分配方法以及相关设备 | |
CN112215326A (zh) | 一种分布式ai*** | |
CN112486134B (zh) | 一种多对象的采集控制方法、装置及控制设备 | |
CN116010292A (zh) | 内存访问控制方法、装置、电子设备和存储介质 | |
CN109286408B (zh) | 能量收集的方法和能量接收机 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |