-
公开(公告)号：CN112181666B
公开(公告)日：2023-09-01
申请号：CN202011155848.3
申请日：2020-10-26
Applicant: 华侨大学
IPC: G06F9/50 , G06F16/2455 , H04L41/14 , H04L41/142 , G06N3/0464 , G06N3/08 , G06F16/242
Abstract: 本发明提供一种基于边缘智能的设备评估和联邦学习重要性聚合方法，包括如下步骤：云服务器初始化：云服务器生成初始模型，设备评估与选择：边缘服务器接收终端设备的资源信息，生成资源特征向量，并将所述资源特征向量输入评估模型，本地训练：边缘服务器选择智能设备后，将转存的初始模型发送所述智能设备，智能设备对初始模型在联邦学习中进行本地训练，得到本地模型；本地模型筛选：将本地模型发送到边缘服务器，通过比较本地模型与前一轮全局模型的损失值来判断是否为异常的模型；全局聚合：利用经典的联邦平均算法进行全局聚合。本发明提供的方法一方面解决了带有资源约束设备的训练瓶颈问题，另一方面提高模型聚合的效果以减少冗余的训练与通信消耗。
-
-
公开(公告)号：CN111753885A
公开(公告)日：2020-10-09
申请号：CN202010518162.X
申请日：2020-06-09
Applicant: 华侨大学
Abstract: 一种基于深度学习的隐私增强数据处理方法和系统,用于对车辆节点上传的感知数据进行数据分析和预处理，其特征在于，包括如下步骤：1)使用基于均值哈希的图像指纹计算法，剔除感知数据中的相似数据；2)对带标签的数据集和无标签数据集进行数据增强，采用增强后的数据训练并测试基于半监督学习的分类模型；3)将步骤1)得到的数据输入训练好的半监督学习的分类模型，剔除不相关数据。本发明基于半监督学习和图像指纹的数据收集和预处理方案显著降低了上传到云端的数据量，同时有效保护了用户的数据隐私。
-
Patent Agency Ranking
公开(公告)号：CN111124439B
公开(公告)日：2022-05-03
申请号：CN201911296890.4
申请日：2019-12-16
Applicant: 华侨大学
Abstract: 本发明公开了一种云边协同的智能动态卸载方法，对于每一个应用，将边缘层当前的CPU、内存、带宽和剩余电量等状态数据作为输入变量，计算出每个应用处理完成的时间和边缘层状态量，再利用LibSVM算法识别应用的类型，根据类型判定该应用处理完成的时间条件，根据边缘层的情况判定边缘层的状态量条件，共同决定该应用的数据是否卸载在边缘端还是云端；该方法考虑了不同应用类型的特点，算法中对于不同类型应用设置不同的最大延迟容忍时间，并且考虑了边缘层的实时状态，利用智能决策算法实时把应用数据卸载到边缘或云端以获得最短的总运行时间，优化总运行时间使其明显优于应用数据卸载到云端或边缘端，而且可以很好地减少时延和能量消耗。
-
公开(公告)号：CN112395090A
公开(公告)日：2021-02-23
申请号：CN202011305251.2
申请日：2020-11-19
Applicant: 华侨大学
Abstract: 本发明提供一种移动边缘计算中服务放置的智能混合优化方法，包括如下步骤：将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，并进行初始化；模型迭代并利用收缩因子调整粒子的速度；计算系统中的传输延迟、计算延迟、计算能耗、传输能耗及系统总服务成本；根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本，并更新全局最优解；采用模拟退火算法进一步更新全局最优解；本发明提供的方法，能够显著提高服务放置的系统性能，降低系统总服务成本，同时降低了系统服务延迟。
-
公开(公告)号：CN111753885B
公开(公告)日：2023-09-01
申请号：CN202010518162.X
申请日：2020-06-09
Applicant: 华侨大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895 , G06V10/74 , H04L67/10 , H04L67/12 , H04L9/40
Abstract: 一种基于深度学习的隐私增强数据处理方法和系统,用于对车辆节点上传的感知数据进行数据分析和预处理，其特征在于，包括如下步骤：1)使用基于均值哈希的图像指纹计算法，剔除感知数据中的相似数据；2)对带标签的数据集和无标签数据集进行数据增强，采用增强后的数据训练并测试基于半监督学习的分类模型；3)将步骤1)得到的数据输入训练好的半监督学习的分类模型，剔除不相关数据。本发明基于半监督学习和图像指纹的数据收集和预处理方案显著降低了上传到云端的数据量，同时有效保护了用户的数据隐私。
-
公开(公告)号：CN112181666A
公开(公告)日：2021-01-05
申请号：CN202011155848.3
申请日：2020-10-26
Applicant: 华侨大学
IPC: G06F9/50 , G06F16/242 , G06F16/2455 , G06N3/04 , G06N3/08 , H04L12/24
Abstract: 本发明提供一种基于边缘智能的设备评估和联邦学习重要性聚合方法，包括如下步骤：云服务器初始化：云服务器生成初始模型，设备评估与选择：边缘服务器接收终端设备的资源信息，生成资源特征向量，并将所述资源特征向量输入评估模型，本地训练：边缘服务器选择智能设备后，将转存的初始模型发送所述智能设备，智能设备对初始模型在联邦学习中进行本地训练，得到本地模型；本地模型筛选：将本地模型发送到边缘服务器，通过比较本地模型与前一轮全局模型的损失值来判断是否为异常的模型；全局聚合：利用经典的联邦平均算法进行全局聚合。本发明提供的方法一方面解决了带有资源约束设备的训练瓶颈问题，另一方面提高模型聚合的效果以减少冗余的训练与通信消耗。
-
公开(公告)号：CN111124439A
公开(公告)日：2020-05-08
申请号：CN201911296890.4
申请日：2019-12-16
Applicant: 华侨大学
Abstract: 本发明公开了一种云边协同的智能动态卸载方法，对于每一个应用，将边缘层当前的CPU、内存、带宽和剩余电量等状态数据作为输入变量，计算出每个应用处理完成的时间和边缘层状态量，再利用LibSVM算法识别应用的类型，根据类型判定该应用处理完成的时间条件，根据边缘层的情况判定边缘层的状态量条件，共同决定该应用的数据是否卸载在边缘端还是云端；该方法考虑了不同应用类型的特点，算法中对于不同类型应用设置不同的最大延迟容忍时间，并且考虑了边缘层的实时状态，利用智能决策算法实时把应用数据卸载到边缘或云端以获得最短的总运行时间，优化总运行时间使其明显优于应用数据卸载到云端或边缘端，而且可以很好地减少时延和能量消耗。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
