CN109426862A - 一种基于分布式智能网关的人工智能决策系统及方法 - Google Patents

一种基于分布式智能网关的人工智能决策系统及方法 Download PDF

Info

Publication number
CN109426862A
CN109426862A CN201710703164.4A CN201710703164A CN109426862A CN 109426862 A CN109426862 A CN 109426862A CN 201710703164 A CN201710703164 A CN 201710703164A CN 109426862 A CN109426862 A CN 109426862A
Authority
CN
China
Prior art keywords
decision
making level
mist
level
gateway
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
Application number
CN201710703164.4A
Other languages
English (en)
Inventor
李宝伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Instrument Electric (group) Co Ltd Central Research Institute
Original Assignee
Shanghai Instrument Electric (group) Co Ltd Central Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Instrument Electric (group) Co Ltd Central Research Institute filed Critical Shanghai Instrument Electric (group) Co Ltd Central Research Institute
Priority to CN201710703164.4A priority Critical patent/CN109426862A/zh
Publication of CN109426862A publication Critical patent/CN109426862A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于分布式智能网关的人工智能决策系统，包括：云决策层，用于进行复杂模型训练；雾决策层，存储多种由云决策层训练好的模型，并根据接收到的原始数据进行方案决策；执行层，用于执行决策方案。与现有技术相比，本发明可降低人工智能云端计算的压力、提高人工智能决策的实时性、提高智能网关的资源利用率。

Description

一种基于分布式智能网关的人工智能决策系统及方法
技术领域
本发明涉及一种人工智能决策系统，尤其是涉及一种基于分布式智能网关的人工智能决策系统及方法。
背景技术
现有的人工智能系统，大规模的数据运算可以在云端服务器进行，开发设计者可以通过增加模型的复杂度、神经网络的深度，调用尽可能多的GPU，期望得到更加精确的模型来更好的解决问题。
人工智能由于运行算法比较复杂，所以消耗计算资源比较多，对算法运行的硬件要求比较高，所以现行的人工智能算法大部分运行在比较强的服务器资源中，服务器配置高，但是比较集中，离执行机构比较远，所以算法强的同时必须有良好的网络带宽环境作保证，否则基本算法的网络延时很长，很难实时控制。现有人工智能决策大都只基于云端决策进行，时效性差。
例如，申请公布号为CN 104965426 A的中国专利公开了一种基于人工智能的智能机器人控制系统，该系统包括：决策引擎，设置在智能机器人上，用于根据智能机器人接收到的多模态的输入信号生成云端处理信息，将云端处理信息发送至云端控制中心进行分析，以获取用户需求，以及根据用户需求和/或多模态的输入信号对智能机器人进行控制；云端控制中心，用于接收云端处理信息，并对云端处理信息进行分析以获取用户需求，并将用户需求返回至决策引擎。该系统进通过云端控制中心来获取用户需求，对复杂、多类型数据的处理速度有限。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分布式智能网关的人工智能决策系统及方法。
本发明的目的可以通过以下技术方案来实现：
一种基于分布式智能网关的人工智能决策系统，包括：
云决策层，用于进行复杂模型训练；
雾决策层，存储多种由云决策层训练好的模型，并根据接收到的原始数据进行方案决策；
执行层，用于执行决策方案。
所述的雾决策层包括分布式智能网关节点。
所述的雾决策层中，每个节点中存储至少一种训练模型。
所述的执行层包括多个传感器终端机构。
所述的执行层向雾决策层发送原始数据。
一种采用所述的系统进行决策的方法，包括以下步骤：
S1，雾决策层中的任一网关节点收到原始数据；
S2，收到原始数据的网关节点开启雾决策层内的网络询问，若询问结果为：雾决策层内某个网关节点有对该数据的决策方案，则进入步骤S3，否则进入步骤S4；
S3，网关节点进行决策，并将决策方案下达执行层，进行方案的执行；
S4，雾决策层将原始数据上报云决策层；
S5，云决策层根据原始数据进行模型训练，将模型下放到雾决策层，并返回步骤S2。
与现有技术相比，本发明具有以下优点：
(1)雾决策层作为连接云决策层和执行层的中间层，可存储多种训练模型，模型由云决策层提前训练好，在计算时，可将决策任务分配给有决策能力的网关节点，降低人工智能云端计算的压力。
(2)现有的智能网关主要功能是集成几种已有几种网络协议，并不具有学习和决策功能，本发明智能网关不仅起到数据传输作用，更是决策方案的主要制定者，可提高智能网关的资源利用率。
(3)决策方案由雾决策层的智能网关直接传输给执行层，网络延迟短，提高了实时性。
附图说明
图1为本发明的系统结构示意图；
图2为本发明决策方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
一种基于分布式智能网关的人工智能决策系统，包括：
云决策层，用于进行复杂模型训练；
雾决策层，存储多种由云决策层训练好的模型，并根据接收到的原始数据进行方案决策；
执行层，用于执行决策方案。
雾决策层包括分布式智能网关节点。
雾决策层中，每个节点中存储至少一种训练模型。
执行层包括多个传感器终端机构。
执行层向雾决策层发送原始数据。
如图1所示，系统分为三层，从上到下依次是云决策层，雾决策层以及执行层，云决策层是人工智能运算的总决策层，负责总复杂训练和学习过程；雾决策层是连接云端和传感器端的中间层，雾决策层由分布式智能网关节点组成，执行层主要是有传感器终端机构组成。
雾决策层接收前端传感器的原始数据，由接收数据的网关节点开启对由分布式网关组成的决策层网络询问，如果某个网关节点有对该数据的决策层处理方法，那就由该节点直接对传感器数据进行决策，下达决策方法，有传感器执行机构执行，如果由整个智能网关组成的分布式决策网络没有针对该传感器数据的决策方法，那么网关节点会将该数据送达到云决策层，云决策层收到对应的传感器数据进入人工智能中心，进行决策训练，在大量训练后，如果有决策结果那么将对应的决策方案下放到雾决策层，重置网关决策方案。
如图2所示，一种采用系统进行决策的方法，包括以下步骤：
S1，雾决策层中的任一网关节点收到原始数据；
S2，收到原始数据的网关节点开启雾决策层内的网络询问，若询问结果为：雾决策层内某个网关节点有对该数据的决策方案，则进入步骤S3，否则进入步骤S4；
S3，网关节点进行决策，并将决策方案下达执行层，进行方案的执行；
S4，雾决策层将原始数据上报云决策层；
S5，云决策层根据原始数据进行模型训练，将模型下放到雾决策层，并返回步骤S2。

Claims (6)

1.一种基于分布式智能网关的人工智能决策系统，其特征在于，包括：
云决策层，用于进行复杂模型训练；
雾决策层，存储多种由云决策层训练好的模型，并根据接收到的原始数据进行方案决策；
执行层，用于执行决策方案。
2.根据权利要求1所述的一种基于分布式智能网关的人工智能决策系统，其特征在于，所述的雾决策层包括分布式智能网关节点。
3.根据权利要求2所述的一种基于分布式智能网关的人工智能决策系统，其特征在于，所述的雾决策层中，每个节点中存储至少一种训练模型。
4.根据权利要求1所述的一种基于分布式智能网关的人工智能决策系统，其特征在于，所述的执行层包括多个传感器终端机构。
5.根据权利要求1所述的一种基于分布式智能网关的人工智能决策系统，其特征在于，所述的执行层向雾决策层发送原始数据。
6.一种采用如权利要求1～5任一所述的系统进行决策的方法，其特征在于，包括以下步骤：
S1，雾决策层中的任一网关节点收到原始数据；
S2，收到原始数据的网关节点开启雾决策层内的网络询问，若询问结果为：雾决策层内某个网关节点有对该数据的决策方案，则进入步骤S3，否则进入步骤S4；
S3，网关节点进行决策，并将决策方案下达执行层，进行方案的执行；
S4，雾决策层将原始数据上报云决策层；
S5，云决策层根据原始数据进行模型训练，将模型下放到雾决策层，并返回步骤S2。
CN201710703164.4A 2017-08-16 2017-08-16 一种基于分布式智能网关的人工智能决策系统及方法 Pending CN109426862A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710703164.4A CN109426862A (zh) 2017-08-16 2017-08-16 一种基于分布式智能网关的人工智能决策系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710703164.4A CN109426862A (zh) 2017-08-16 2017-08-16 一种基于分布式智能网关的人工智能决策系统及方法

Publications (1)

Publication Number Publication Date
CN109426862A true CN109426862A (zh) 2019-03-05

Family

ID=65497764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710703164.4A Pending CN109426862A (zh) 2017-08-16 2017-08-16 一种基于分布式智能网关的人工智能决策系统及方法

Country Status (1)

Country Link
CN (1) CN109426862A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648040A (zh) * 2019-06-17 2020-01-03 河北人元科技有限公司 一种数据处理系统及其工作方法
CN111198530A (zh) * 2020-01-17 2020-05-26 济南浪潮高新科技投资发展有限公司 一种5g环境下云化机器人的系统及方法
CN111917634A (zh) * 2020-07-02 2020-11-10 西安交通大学 基于pmml的工业网关机器学习模型容器式部署系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105610944A (zh) * 2015-12-29 2016-05-25 北京物联远信息技术有限公司 一种面向物联网的雾计算架构
US20160335542A1 (en) * 2015-05-12 2016-11-17 Dell Software, Inc. Method And Apparatus To Perform Native Distributed Analytics Using Metadata Encoded Decision Engine In Real Time

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160335542A1 (en) * 2015-05-12 2016-11-17 Dell Software, Inc. Method And Apparatus To Perform Native Distributed Analytics Using Metadata Encoded Decision Engine In Real Time
CN105610944A (zh) * 2015-12-29 2016-05-25 北京物联远信息技术有限公司 一种面向物联网的雾计算架构

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛育红: "云计算驱动了雾计算的发展" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648040A (zh) * 2019-06-17 2020-01-03 河北人元科技有限公司 一种数据处理系统及其工作方法
CN111198530A (zh) * 2020-01-17 2020-05-26 济南浪潮高新科技投资发展有限公司 一种5g环境下云化机器人的系统及方法
CN111917634A (zh) * 2020-07-02 2020-11-10 西安交通大学 基于pmml的工业网关机器学习模型容器式部署系统及方法
CN111917634B (zh) * 2020-07-02 2021-07-13 西安交通大学 基于pmml的工业网关机器学习模型容器式部署系统及方法

Similar Documents

Publication Publication Date Title
He et al. Deep learning based energy efficiency optimization for distributed cooperative spectrum sensing
Liu et al. Big-data-based intelligent spectrum sensing for heterogeneous spectrum communications in 5G
CN108803349B (zh) 非线性多智能体系统的最优一致性控制方法及系统
Lv et al. Generative adversarial networks for parallel transportation systems
CN105700555B (zh) 一种基于势博弈的多无人机协同搜索方法
CN104375842B (zh) 一种自适应软件uml建模及其形式化验证方法
CN104899561A (zh) 一种并行化的人体行为识别方法
CN110991362A (zh) 一种基于注意力机制的行人检测模型
CN109426862A (zh) 一种基于分布式智能网关的人工智能决策系统及方法
CN109559277A (zh) 一种面向数据共享的多无人机协同地图构建方法
CN108470190A (zh) 基于fpga定制脉冲神经网络的图像识别方法
CN110515732A (zh) 一种基于资源受限机器人深度学习推理的任务分配方法
CN109617888A (zh) 一种基于神经网络的异常流量检测方法及系统
CN104468567B (zh) 一种网络多媒体业务流识别和映射的系统及方法
CN109543939A (zh) 一种绿色建材产品认证风险评价模型构建的方法
CN109246027A (zh) 一种网络维护的方法、装置和终端设备
CN113378656B (zh) 一种基于自适应图卷积神经网络的动作识别方法和装置
CN109743356A (zh) 工业互联网数据采集方法及装置、可读存储介质和终端
CN115344883A (zh) 一种用于处理不平衡数据的个性化联邦学习方法和装置
CN109787699A (zh) 一种基于混合深度模型的无线传感器网络路由链路状态预测方法
CN107016212A (zh) 基于动态贝叶斯网络的意图分析方法
Rashid et al. Gesture control of ZigBee connected smart home Internet of Things
CN110866602A (zh) 一种集成多任务模型的方法和装置
CN108880909A (zh) 一种基于强化学习的网络节能方法及装置
CN114743273A (zh) 基于多尺度残差图卷积网络的人体骨骼行为识别方法及系统

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