一种异构移动边缘计算网络中高能效客户端采样的联邦学习方法

    公开(公告)号:CN118485159A

    公开(公告)日:2024-08-13

    申请号:CN202410349561.6

    申请日:2024-03-25

    Applicant: 重庆大学

    Abstract: 一种异构移动边缘计算网络中高能效客户端采样的联邦学习方法,包括:1)建立异构移动边缘计算系统,包括参数服务器以及#imgabs0#个存在系统异构性的移动客户端;2)参数服务器生成采样策略#imgabs1#并设通信次数t=1;3)参数服务器根据采样策略#imgabs2#从#imgabs3#个移动客户端中选出#imgabs4#个参与联邦学习训练的移动客户端;4)所述#imgabs5#个移动客户端在本地进行更新;5)参数服务器对更新后的模型参数进行加权聚合,得到全局模型的参数;6)判断全局模型的参数是否达到收敛条件,若是,则输出参数服务器中的全局模型的参数,若否,则令t=t+1,并返回步骤3)。本发明综合考虑联邦学习训练过程中的能量消耗和模型的损失函数,在确保模型收敛性的同时降低能耗。

    一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质

    公开(公告)号:CN116843016A

    公开(公告)日:2023-10-03

    申请号:CN202310580633.3

    申请日:2023-05-22

    Applicant: 重庆大学

    Abstract: 本发明公开一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质,方法步骤为:所述边缘服务器通过基站将待训练的机器学习模型下载至用户设备;每个用户设备利用本地数据对机器学习模型进行训练,获得机器学习模型参数wi(k),并通过基站上传到边缘服务器中;根据待聚合设备的本地数据量,所述边缘服务器对所有待聚合设备的机器学习模型参数进行聚合,得到机器学习模型参数聚合值#imgabs0#并通过基站下载至加入联邦学习的用户设备;系统包括边缘服务器和用户设备。介质存储有计算机程序。本发明综合考虑联邦学习过程中的能量消耗和任务模型的损失函数值来优化联邦聚合策略,在保证任务模型精度的同时减少能量的消耗。

    一种基于车载以太网的负载均衡方法、装置及终端设备

    公开(公告)号:CN116723193A

    公开(公告)日:2023-09-08

    申请号:CN202310242559.4

    申请日:2023-03-14

    Applicant: 重庆大学

    Abstract: 本发明适用于数据处理中云计算任务优化调度领域,提供了一种基于车载以太网的负载均衡方法、装置及终端设备,方法包括在J个服务实例运行的设备中计算第j个服务实例的负载率;获取第j个服务实例的执行时间;在客户端运行的设备中,获取车载应用请求的响应时间,响应时间为车载应用请求发出至客户端接收到响应数据的时间;通过改进蚁群算法生成负载均衡调度指令,以使客户端执行负载均衡调度指令;当客户端收到任意服务实例的不可用事件通知时,或接收到新增服务实例通知时,更新通过改进蚁群算法生成负载均衡调度指令所使用的信息素矩阵。本发明可以选择执行时间更短、响应速度更快、负载水平更低的目标服务实例来执行车载应用请求。

    一种融合深度矩阵分解和多特征交叉的内容资源推荐方法、装置及介质

    公开(公告)号:CN115660776A

    公开(公告)日:2023-01-31

    申请号:CN202211277665.8

    申请日:2022-10-19

    Applicant: 重庆大学

    Abstract: 一种融合深度矩阵分解和多特征交叉的内容资源推荐方法,包括以下步骤:1)构建交互矩阵Yij;2)构建交互矩阵深度分解模块,将交互矩阵Yij输入到交互矩阵深度分解模块中,获得映射结果DNN;3)获取独热向量y和数值型特征向量Xfeature;4)构建多特征交叉模块,将独热向量y和数值型特征向量Xfeature输入到多特征交叉模块中,获得组合结果Cross;5)构建点击率预测模块,将映射结果DNN和组合结果Cross输入到点击率预测模块中,获得内容资源推荐方案。本发明同时利用用户、内容资源的属性信息和用户的交互数据做推荐,进行了用户交互数据的处理和用户、内容资源属性信息的处理,再结合运算结果做点击率预测,从而为用户推荐内容资源。

    一种基于深度学习的机械装备故障诊断方法

    公开(公告)号:CN111813084B

    公开(公告)日:2022-10-28

    申请号:CN202010662863.0

    申请日:2020-07-10

    Applicant: 重庆大学

    Abstract: 本发明公开了一种基于深度学习的机械装备故障诊断方法,具体包括以下步骤:步骤S1:对机械设备的主要数据源和次要数据源进行数据采集并进行预处理,得到数据集;步骤S2:采用5折交叉验证方法,将数据集分为训练集、验证集和测试集;步骤S3:基于CNN和BD‑LSTM建立故障诊断模型,将训练集输入故障诊断模型中提取隐藏特征后进行训练,并输出诊断结果。本发明采用BD‑LSTM进行平滑跟踪和预测结果,处理了由于操作和环境干扰引起的不确定性;传感器监测数据采用CNN和BD‑LSTM并行提取隐藏特征,两条没有相关性的路径输出都会影响预测,且可根据预测的误差校正网络中的每个参数。

Patent Agency Ranking