-
公开(公告)号：CN119690274A
公开(公告)日：2025-03-25
申请号：CN202411743889.2
申请日：2024-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于云边端跨域数据的专家网络自动混合分布式算法，属于大模型分布式训练领域。本发明在大模型分布式训练领域引入了一种创新的方法，用OSDP分布式训练MOE模型，用于优化不同专家在GPU集群中的分布，确保更高的并行计算效率。这种组合动机是为了在不牺牲模型性能的情况下，提升训练效率。通过混合并行加速训练和节约硬件资源，降低大规模模型的训练成本，使得训练超大规模的深度学习模型变得更加经济可行。并且通过引入基于专家网络的自动混合分布式算法，实现了云、边、端协同的跨域异构数据融合，能满足工业智能领域在多基地、多数据源环境下的复杂需求。
-
公开(公告)号：CN118264668B
公开(公告)日：2024-12-24
申请号：CN202410529782.1
申请日：2024-04-29
Applicant: 哈尔滨工业大学
IPC: H04L67/10 , H04L67/104 , H04L67/12 , H04L41/142 , H04L41/14 , H04L41/147 , H04L41/16
Abstract: 一种增强工业物联网预测性维护的分散式边云协同算法，属于物联网领域。本发明将联合平均和联合近端算法结合到一个统一的框架中，用于跨边缘设备的分布式网络进行协作预测性维护模型训练。这一方法有助于克服IIoT环境下的挑战，提高故障预测的准确性，并优化实时监控和数据保护等关键方面。在与传统边云协同方法的比较分析中，联合平均近端在准确性方面始终表现出上级性能，特别是在涉及非IID数据的场景中。该模型对不同的IIoT环境表现出了显著的适应性，这一点可以从其在不同数据集中的鲁棒性得到证明。此外，本发明的自适应通信策略有效地降低了开销，提高了边云协同过程的整体效率，证实了本发明的方法在现实世界的IIoT场景中的实用性。
-
公开(公告)号：CN119785010A
公开(公告)日：2025-04-08
申请号：CN202411969916.8
申请日：2024-12-30
Applicant: 哈尔滨工业大学
IPC: G06V10/25 , G06V10/764 , G06T7/66 , G06T3/4023 , G06N20/00 , B25J9/16
Abstract: 一种用于铰接物体操纵的VLA大模型的构建方法，属于具身智能技术领域。方法如下：使用几何中心表示法描述铰接物体的Action Affordance；构建跟随铰接物体特征集的指令；将一个指令分解为六个不同的子任务特征集；设计训练VLA模型架构；构建几何思维规划器。本发明首几何中心表示方法来描述铰接物体，开发了几何思维规划器，促进了VLA大模型对环境的理解，增强了其对复杂任务的适应能力，使其能够处理多样化的场景和需求，使得VLA模型能够充分理解物体在不同情况下的行为和反应，从而在规划运动路径时做出更为合理的决策，提高路径规划的精度和可靠性。
-
公开(公告)号：CN118264668A
公开(公告)日：2024-06-28
申请号：CN202410529782.1
申请日：2024-04-29
Applicant: 哈尔滨工业大学
IPC: H04L67/10 , H04L67/104 , H04L67/12 , H04L41/142 , H04L41/14 , H04L41/147 , H04L41/16
Abstract: 一种增强工业物联网预测性维护的分散式边云协同算法，属于物联网领域。本发明将联合平均和联合近端算法结合到一个统一的框架中，用于跨边缘设备的分布式网络进行协作预测性维护模型训练。这一方法有助于克服IIoT环境下的挑战，提高故障预测的准确性，并优化实时监控和数据保护等关键方面。在与传统边云协同方法的比较分析中，联合平均近端在准确性方面始终表现出上级性能，特别是在涉及非IID数据的场景中。该模型对不同的IIoT环境表现出了显著的适应性，这一点可以从其在不同数据集中的鲁棒性得到证明。此外，本发明的自适应通信策略有效地降低了开销，提高了边云协同过程的整体效率，证实了本发明的方法在现实世界的IIoT场景中的实用性。
-
公开(公告)号：CN118012586A
公开(公告)日：2024-05-10
申请号：CN202311712395.3
申请日：2023-12-13
Applicant: 哈尔滨工业大学
IPC: G06F9/48 , G06Q10/0637 , G06Q10/0633
Abstract: 本发明公开了一种工业仓储互联网数据流的调度和编排方法，涉及人工智能物联网领域，具体方案包括以下步骤：步骤一、使用图像识别算法对获取的物料的图片进行分析，使用Airflow分解图像识别算法的步骤为一系列有序的任务，其中，每个任务表示图像识别算法中的一个步骤；步骤二、使用DAG来定义任务之间的依赖关系和执行顺序；步骤三、在可视化的用户界面，监控任务的执行状态、查看日志和进行调试。本发明能够应用在人工智能物联网、工业互联网、服务推荐等诸多领域，应用面涉及面广。
-
Patent Agency Ranking
公开(公告)号：CN115965953A
公开(公告)日：2023-04-14
申请号：CN202310009003.0
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V20/60 , G06V10/143 , G06V10/10 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于高光谱成像与深度学习的粮种品种分类方法，本发明属于粮种品种分类领域，包括：获取粮种的多通道高光谱图像，对多通道高光谱图像预处理得到预处理高光谱图像数据集，基于预处理高光谱图像数据集获得第一特征图；其中，预处理高光谱图像数据集包括若干拼接图像；构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于粮种品种分类模块指导训练粮种品种分类网络模型，得到优化粮种品种分类网络模型；将拼接图像输入到优化粮种品种分类网络模型，得到粮种品种分类结果。本发明利用高光谱成像和深度学习技术，提出了一种简单、高效、无损、经济、自动化的粮种品种分类方法。
-
公开(公告)号：CN119788702A
公开(公告)日：2025-04-08
申请号：CN202411987177.5
申请日：2024-12-31
Applicant: 哈尔滨工业大学
IPC: H04L67/12 , H04L67/10 , H04L67/568 , H04L67/5682 , H04W4/38 , H04W28/084 , H04W28/20 , H04W28/18 , H04W28/14 , H04L41/16
Abstract: 融合AoI与内在激励的MEC系统多智能体协作框架，属于云计算与边缘计算技术领域。方法如下：端侧异构资源生成和边缘移动决策；通信链路建模；异构资源采集与AoI阈值限制；异构年龄敏感优化问题；MDP制定外部奖励函数和内在奖励函数；异构多智能体Actor‑Critic构建与功能分析；基于局部信息识别的内在奖励。本发明通过MEC将计算能力延伸至网络边缘，提高数据处理的实时性和降低延迟。引入AoI概念来衡量数据新鲜度，通过优化资源管理和调度策略，实现资源的高效利用和满足动态数据需求。提出了多智能体深度强化学习策略，确保数据的新鲜性和提升设备间的协作效率。
-
公开(公告)号：CN118964006A
公开(公告)日：2024-11-15
申请号：CN202410975156.5
申请日：2024-07-19
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种边端环境下面向能耗优化的多设备多神经网络应用拆分推理方法，属于计算机服务技术领域。该方法旨在解决工业互联网中深度神经网络模型在端设备上推理的能耗问题。通过对边端环境和DNN模型精细化建模，结合遗传算法和贪心策略，生成DNN分区与卸载策略和资源分配方案，在成本和最大端到端延迟约束下实现最小化端设备功耗的目标。该方法支持大规模数量的端设备，且每个端设备上可部署多个不同复杂DNN模型，通过精细化的资源分配和任务调度，能够在成本约束下充分利用环境中的多个边缘服务器。本发明为工业互联网领域的DNN模型推理提供了一种能耗优化的解决方案，推动IIoT系统的智能化发展。
-
公开(公告)号：CN117094381B
公开(公告)日：2024-04-12
申请号：CN202311054007.7
申请日：2023-08-21
Applicant: 哈尔滨工业大学
IPC: G06N3/098 , G06N3/0895 , G06N3/045 , G06F18/214 , G06F18/241
Abstract: 一种兼顾高效通信和个性化的多模态联邦协同方法，所述方法首先在云端构建全局模型，全局模型采用了多模态模型，可以对多模态数据进行建模，并分别初始化全局模型的权重；将全局模型参数拷贝给边缘端，构建局部模型。局部模型为一个三玩家模型，分别是全局网络，切分网络和局部网络。在模型局部更新阶段，将切分网络划分为基础层和学习层，其中基础层的参数可以通过上传上行链路的形式传送给云端全局模型；基于误差压缩的梯度输出方法，计算边缘端模型参数梯度的积累量，并对参数梯度的积累量采用信号压缩，减少需要更新的量，达到提高通信效率的目的。
-
公开(公告)号：CN117094381A
公开(公告)日：2023-11-21
申请号：CN202311054007.7
申请日：2023-08-21
Applicant: 哈尔滨工业大学
IPC: G06N3/098 , G06N3/0895 , G06N3/045 , G06F18/214 , G06F18/241
Abstract: 一种兼顾高效通信和个性化的多模态联邦协同方法，所述方法首先在云端构建全局模型，全局模型采用了多模态模型，可以对多模态数据进行建模，并分别初始化全局模型的权重；将全局模型参数拷贝给边缘端，构建局部模型。局部模型为一个三玩家模型，分别是全局网络，切分网络和局部网络。在模型局部更新阶段，将切分网络划分为基础层和学习层，其中基础层的参数可以通过上传上行链路的形式传送给云端全局模型；基于误差压缩的梯度输出方法，计算边缘端模型参数梯度的积累量，并对参数梯度的积累量采用信号压缩，减少需要更新的量，达到提高通信效率的目的。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
