CN109784469A - 一种基于雾计算的智慧城市安全监控系统及其方法 - Google Patents
一种基于雾计算的智慧城市安全监控系统及其方法 Download PDFInfo
- Publication number
- CN109784469A CN109784469A CN201910074219.9A CN201910074219A CN109784469A CN 109784469 A CN109784469 A CN 109784469A CN 201910074219 A CN201910074219 A CN 201910074219A CN 109784469 A CN109784469 A CN 109784469A
- Authority
- CN
- China
- Prior art keywords
- neuron
- node
- neural network
- network model
- hop wireless
- 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.)
- Granted
Links
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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Alarm Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明实施例涉及城市安全监控技术领域,公开了一种基于雾计算的智慧城市安全监控系统及方法,其中该系统包括:一个或多个神经网络模型和多跳无线网络;所述神经网络模型用于处理监测数据获得监测结果;所述多跳无线网络包括多个神经元节点,多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络。通过上述方式,本发明实施例通过多跳无线网络将现有的大量物联网节点(即神经元节点)联结成运行神经网络模型的运算的神经网络,从而在本地获得神经网络模型的处理结果,能够解决目前的智慧城市安全监控方法的数据处理方式的高延时、高成本的技术问题,在保证运行速度的同时降低了成本。
Description
技术领域
本发明涉及城市安全监控技术领域,特别是涉及一种基于雾计算的智慧城市安全监控系统及其方法。
背景技术
雾计算,是一种面向物联网的分布式计算基础设施,可将计算能力和数据分析应用扩展至网络“边缘”,它使客户能够在本地分析和管理数据,从而通过联接获得即时的处理结果。随着物联网技术的发展,物联网节点越来越多,而且这些物联网节点具有一定的计算能力,为雾计算创造了基本条件。神经网络模型是一种运算模型。最近十多年来,神经网络模型的研究工作不断深入,已经取得了很大的进展,其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,因而在智慧城市安全监控领域应用非常广泛。但是,由于运行神经网络模型需要的的运算量较大,而单个节点的计算能力有限,往往难以满足运算任务的要求,需要拥有较强计算能力或拥有较多计算核心的设备,例如具有高性能GPU、人工智能处理器的高性能计算平台或者云服务器等,来完成神经网络模型的运算。目前,基于神经网络模型的智慧城市安全监控方法常常利用物联传感器获取监测数据,然后通过网络将监测数据发送到云端,在云端运行神经网络模型对监测数据进行处理从而获得处理结果。购置或者租用云服务器需要成本,并且将数据上传至云服务器处理会带来较大的网络延迟,可能难以满足智慧城市安全管理的实时性的要求,并且随着物联传感器的数量与日俱增,海量的监测数据也对服务器吞吐量提出了更高要求,可能会需要更多的服务器、更强的服务器配置,从而进一步提高成本,而与此同时,大量物联网节点的计算能力则被闲置。虽然也可以通过在本地配置带有人工智能处理器的专用计算装置来运行神经网络模型,但是这样也会增加成本。
发明人在实现本发明实施例的过程中,发现相关技术至少存在以下问题:目前的智慧城市安全监控方法的数据处理方式存在高成本和高延时的问题。
发明内容
本发明实施例旨在提供一种基于雾计算的智慧城市安全监控系统及其方法,其解决了目前的智慧城市安全监控方法的数据处理方式存在高成本和高延时的问题。
为解决上述技术问题,本发明实施例提供以下技术方案:
一个或多个神经网络模型和多跳无线网络;
其中,所述神经网络模型用于处理监测数据获得监测结果;
所述多跳无线网络包括多个神经元节点,所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络。
在一些实施例中,所述多跳无线网络包括:
算力分配节点,用于选择至少两个神经元节点的组合来构建完成所述神经网络模型的运算的神经网络。
在一些实施例中,所述多跳无线网络包括一节点连接路由表,所述算力分配节点根据所述节点连接路由表选择构建所述神经网络的神经元节点。
在一些实施例中,所述算力分配节点根据所述节点连接路由表选择相邻的神经元节点对应所述神经网络模型中的相邻层的神经元。
在一些实施例中,所述算力分配节点用于根据遗传算法对所述神经元节点的选择进行优化,以使所述神经网络完成所述神经网络模型的运算所需的通讯跳数最小。
在一些实施例中,所述神经网络模型包括:用于完成预测火灾任务的第一神经网络模型,所述第一神经网络模型包括若干输入层神经元,所述输入层神经元与用于所述预测火灾任务的环境参数一一对应。
在一些实施例中,所述神经元节点包括若干传感节点,每个所述传感节点包括一种用于测量所述环境参数的环境传感器。
在一些实施例中,所述算力分配节点选择具有特定环境传感器的神经元节点作为对应的输入层神经元。
第二方面,本发明实施例提供一种基于雾计算的智慧城市安全监控方法,应用于上述的基于雾计算的智慧城市安全监控系统,所述方法包括:
通过多跳无线网络的神经元节点获取监测数据;
选择所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络;
利用所述神经网络运行所述神经网络模型以处理所述监测数据并获得监测结果。
在一些实施例中,所述方法还包括:利用遗传算法对所述神经元节点的选择进行优化,以使所述神经网络完成所述神经网络模型的运算所需的通讯跳数最小。
本发明实施例的有益效果是:区别于现有技术的情况下,本发明实施例提供的一种基于雾计算的智慧城市安全监控系统,所述系统包括:一个或多个神经网络模型和多跳无线网络;其中,所述神经网络模型用于处理监测数据获得监测结果;所述多跳无线网络包括多个神经元节点,所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络。通过上述方式,本发明实施例通过多跳无线网络将现有的大量物联网节点(即神经元节点)联结成运行神经网络模型的运算的神经网络,从而在本地获得神经网络模型的处理结果,能够解决目前的智慧城市安全监控方法的数据处理方式的高延时、高成本的技术问题,在保证运行速度的同时降低了成本。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例提供的一种基于雾计算的智慧城市安全监控系统的结构示意图;
图2是本发明实施例提供的一种神经网络模型的结构示意图;
图3是本发明实施例提供的一种基于雾计算的智慧城市安全监控方法的流程示意图;
图4是本发明实施例提供的一种算力分配节点的结构示意图;
图5是本发明实施例提供的一种神经元节点的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
神经网络模型是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络模型是一种运算模型,由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。一种常见的多层结构的前馈网络(MultilayerFeedforward Network)由三部分组成,输入层(Input layer),众多神经元(Neuron)接收大量非线形输入信息,输入的信息称为输入向量。输出层(Output layer),信息在神经元链接中传输、分析、权衡,形成输出结果。输出的信息称为输出向量。隐藏层(Hidden layer),简称“隐层”,是输入层和输出层之间众多神经元和链接组成的各个层面。隐层可以有多层,习惯上会用一层。隐层的神经元的数目不定,但数目越多神经网络的非线性越显著,从而神经网络模型的强健性(robustness)(控制系统在一定结构、大小等的参数摄动下,维持某些性能的特性。)更显著。习惯上会选输入节点1.2至1.5倍的节点。神经网络的类型已经演变出很多种,这种分层的结构也并不是对所有的神经网络都适用。
实施例一
请参阅图1,图1是本发明实施例提供的一种基于雾计算的智慧城市安全监控系统的结构示意图;
如图1所示,所述基于雾计算的智慧城市安全监控系统,应用于消防监控区域、安防监控区域、公共区域等多个区域,所述基于雾计算的智慧城市安全监控系统,包括:多跳无线网络和神经网络模型。
多跳无线网络包括多个神经元节点,其中,每一所述神经元节点通过短距离多跳无线网络与邻近的其他神经元节点通信,也可以通过中间节点的数据转发与其他神经元节点进行通信。多跳无线网络可以是特设网络(AdHoc网络)或者无线mesh网络。可以理解的是,所述基于雾计算的智慧城市安全监控系统可以包括一个作为协调器的神经元节点和至少一个作为路由器的神经元节点,所述多个路由器与协调器之间相互连接,所述多个神经元节点与多个路由器和所述协调器构成一多跳无线网络。多跳无线网络还可以包括多个作为传感节点和/或路由节点的神经元节点。作为传感节点的神经元节点可以包括各类型的传感器,例如温度传感器、湿度传感器、一氧化碳传感器、二氧化碳传感器、烟雾传感器、水压水位传感器、压力传感器、人体红外传感器、图像传感器等等。具体的,每一所述传感节点用于获取监测数据,例如:用于获取温度、烟雾浓度、二氧化碳浓度、监控视频图像等数据。所述路由器或协调器与所述神经元节点通过无线通讯协议进行数据传输,所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络。所述神经网络模型用于处理所述神经元节点中的传感节点获取的监测数据以获取监测结果,由神经元节点组成的神经网络运行所述神经网络模型的运算可以根据所述多个传感节点获取的监测数据按照特定算法计算监测结果。神经网络模型可以包括多个参数和超参数,例如权值、阈值、核大小、神经网络层数、激活函数等等。神经网络模型的参数和超参数可以存储在神经元节点中。
在本发明实施例中,所述多跳无线网络,用于运行所述神经网络模型,所述多跳无线网络由多个神经元节点连接组成,神经元节点可以用于获取监测数据以及模拟所述神经网络模型中的一神经元,并对监测数据进行计算,将计算结果发送到其他神经元节点,以使其他神经元节点模拟所述神经网络模型的下一层神经元,直至所述多跳无线网络运行所述神经网络模型获得监测结果。
具体的,请参阅图2,图2是本发明实施例提供的一种神经网络模型的结构示意图;
如图2所示,该神经网络模型为常见的多层结构的前馈网络(MultilayerFeedforward Network),所述神经网络模型由三部分组成,分别为:输入层(Input layer)、隐藏层(Hidden layer)以及输出层(Output layer)。
具体的,所述输入层,包括多个神经元(Neuron),所述神经元为输入层神经元,多个输入层神经元用于接收大量非线性输入信息,输入信息又称为输入向量,例如:对消防监控区域或安防监控区域的环境监测数据,所述多个输入层神经元用于接收所述消防监控区域或安防监控区域的环境监测数据。在本发明实施例中,所述多个输入层神经元通过多个神经元节点进行模拟,即利用神经元节点完成输入层神经元对输入的环境监测数据的计算,然后由神经元节点通过多跳无线网络将计算结果发送至模拟下一层神经元的神经元节点。所述神经元节点可以是具有下列传感器的传感器节点:温度传感器、湿度传感器、一氧化碳传感器、二氧化碳传感器、烟雾传感器、水压水位传感器、压力传感器、人体红外传感器。可以选择获取相应环境参数的神经元节点模拟对应的输入神经元,例如由具有一氧化碳传感器的神经元节点模拟一氧化碳数据对应地输入层神经元,从而减少数据转发,降低功耗,提高网络效率。
具体的,所述隐藏层,简称“隐层”,是输入层和输出层之间众多神经元和链接组成的各个层面。所述隐藏层,包括多个神经元,所述神经元为隐藏层神经元,隐藏层可以有多层,也可以只有一层。隐藏层的神经元的数目不定,但数目越多所述神经网络模型的非线性越显著,从而所述神经网络模型的强健性越显著。在本发明实施例中,所述隐藏层神经元连接所述输入层神经元,用于对所述输入层神经元获取的监测数据进行计算,进而生成计算结果。所述多个隐藏层神经元通过多个神经元节点进行模拟。
具体的,所述输出层,包括多个神经元,所述神经元为输出层神经元,用于对输入信息在神经元链接中传输、分析、权衡后形成的输出信息进行输出,所述输出信息又称为输出向量。在本发明实施例中,所述输出层神经元连接所述隐藏层神经元,用于输出所述隐藏层神经元对所述监测数据进行计算得出的计算结果,其中,所述多个输出层神经元通过多个神经元节点进行模拟。
在本发明实施例中,所述多跳无线网络包括:算力分配节点,用于选择至少两个神经元节点的组合来构建完成所述神经网络模型的运算的神经网络,并且,将所述神经网络模型中的神经元和所述神经元节点一一对应,并通过所述神经元节点模拟对应的神经元,完成相应的神经元的计算,并将计算结果发送到指定的下一层神经元节点(即模拟下一层神经元的神经元节点)。其中,所述多个神经元节点维护与其相邻神经元节点的连接路由。具体的,所述多跳无线网络包括一节点连接路由表,所述算力分配节点根据所述节点连接路由表选择构建所述神经网络的神经元节点。所述算力分配节点用于保存所述节点连接路由表,并根据所述节点连接路由表,指定某一神经元节点完成其对应的神经元的计算,并将获得的计算结果发送到指定的下一层神经元节点。所述算力分配节点可以将神经网络模型的参数、用于完成神经元计算的代码和下一层神经元节点的地址等信息发送到模拟该神经元的神经元节点。由神经元节点根据相应的参数和前一层神经元节点的输出完成计算,并将计算结果发送至下一层神经元节点。在一种实施例中,所述算力分配节点先选取监测所述神经网络模型的输入参数的神经元节点模拟输入参数的输入层神经元,所述输入参数为所述神经元节点获取的监测数据,例如:所述算力分配节点指定具有一氧化碳传感器的神经元节点模拟一氧化碳变量对应的输入层神经元。算力分配节点可以配置为根据所述节点连接路由表选择相邻的神经元节点对应神经网络模型中的相邻层的神经元。当选定输入层神经元对应的神经元节点后,可以在选定的神经元节点的连接路由表中选择相邻的神经元节点作为中间层神经元对应的神经元节点,如此依次为中间层神经元和输出层神经元选定神经元节点。
所述算力分配节点还可以根据人工神经网络连接建立神经元连接表,所述神经元连接表用于保存所述神经网络模型的神经元之间的连接关系,例如:输入层神经元与隐藏层神经元之间的连接关系,或者,隐藏层神经元与输出层神经元之间的连接关系,所述算力分配节点根据所述神经元连接表,在所述节点连接路由表中对所述神经网络模型中的神经元进行神经元节点匹配,匹配所述神经元对应的神经元节点,以使所述神经元节点模拟对应的神经元,例如:指定某些神经元节点模拟输入层神经元,指定某些神经元节点模拟隐藏层神经元,指定某些神经元节点模拟输出层神经元。
优选的,所述算力分配节点还用于根据遗传算法对所述神经元节点的选择进行优化,以使所述神经网络的通讯跳数最小。具体的,所述算力分配节点将一个神经元与一个选择的神经元节点的对应关系视为一个基因,一组神经元与神经元节点的对应关系作为一个个体,所述神经网络的多个神经元节点和所述神经网络模型的神经元进行编号,例如:神经网络模型有5个神经元,多跳神经网络中有5个神经元节点,将1号神经元分配给2号节点(即选择1号节点完成2号神经元的计算),2号神经元分配给1号节点,3号神经元分配给5号节点,4号神经元分配给3号节点,将5号神经元分配给4号节点,上述的分配方案作为一个个体,可以记为{2,1,5,3,4}。1号节点将计算结果经过多跳无线网络发送到下一层神经元节点中的一个神经元节点,多跳无线网络在将计算结果传输到目的神经元节点过程中的每一次转发算作一跳。多组神经元分配方案形成一个种群,将完成神经网络模型所有神经元的计算所需的通讯总跳数作为个体的适应度,并根据所述适应度选出个体进行染色体交叉和变异,从而产生新的种群,如此迭代直到产生符合要求的个体,所述符合要求的个体即所述适应度达到要求,或者,所述种群代数达到上限。通过遗传算法优化分配方案,能够减少转发次数,减少通信负担,从而提高系统的运行速度。
其中,所述算力分配节点可以为所述多跳无线网络中的多个神经元节点中的一个,例如:所述算力分配节点可以为无线温度传感器、无线湿度传感器、无线一氧化碳传感器、无线二氧化碳传感器、无线烟雾传感器、无线水压水位传感器、无线压力传感器、无线人体红外传感器中的一种。
在本发明实施例中,所述神经网络模型包括用于完成预测火灾任务的第一神经网络模型,所述第一神经网络模型包括若干输入层神经元,所述输入层神经元与用于所述预测火灾任务的环境参数一一对应,例如:温度、烟雾浓度、一氧化碳浓度等环境参数分别对应一输入层神经元。其中,所述算力分配节点选择具有特定环境传感器的神经元节点模拟对应的输入层神经元。
在本发明实施例中,所述基于雾计算的智慧城市安全监控系统,包括一个或多个神经网络模型,每一神经网络模型用于处理监测数据获得监测结果,所述神经网络模型可以是经过预训练的神经网络模型,例如:用于判断是否发生火灾的神经网络模型,用于判断是否发生气体泄露的神经网络模型,用于进行人脸识别的神经网络模型等等。其中,所述神经元节点包括若干传感节点,每个所述传感节点可以包括一种传感器,传感器可以是用于测量所述环境参数的环境传感器,也可以是采集图像的图像传感器,环境传感器可以包括:温度传感器、湿度传感器、一氧化碳传感器、二氧化碳传感器、烟雾传感器、水压水位传感器、压力传感器、人体红外传感器中的一种或多种,所述环境传感器用于获取温度数据、湿度数据、一氧化碳浓度数据、二氧化碳浓度数据、烟雾浓度数据、水压水位数据、压力数据、人体数据,以及其他监测数据。其中,所述神经元节点模拟所述神经网络模型中的神经元对其获取的监测数据进行计算,包括:对输入的监测数据进行加权求和,再计算激活函数的值,将所述激活函数的值作为计算结果,并将所述计算结果发送到下一神经元节点,以使所述下一神经元节点模拟下一神经元进行计算。在本发明实施例中,组合函数和转移函数合称为激活函数,所述激活函数按照具体函数形式的不同划分为不同的类型,例如:二值函数、S形函数,双曲正切函数、光滑函数、径向基函数,以及等等。比如,所述计算激活函数f的值,包括计算公式:的值,其中,xi为上一层神经元节点输出的计算结果,wi为权重,b为偏置。通过获取上一层神经元节点输出的计算结果,确定所述监测数据对应的权重,进而根据公式求激活函数的值,再将所述激活函数的值作为计算结果发送到下一层神经元节点,以使下一层神经元节点模拟下一神经元进行计算,直至所述多跳无线网络运行所述神经网络模型获得监测结果。神经元节点可以预置进行激活函数计算的代码(例如供调用的python语言函数),由算力分配节点在选择神经元节点时将相应神经元的参数值传输到神经元节点作为python语言函数的输入参数。
在本发明实施例中,通过提供一种基于雾计算的智慧城市安全监控系统,所述系统包括:神经网络模型,用于融合监测数据以获得监测结果;多跳无线网络,用于运行所述神经网络模型,所述多跳无线网络由多个神经元节点连接组成,每一神经元节点用于获取监测数据以及模拟所述神经网络模型中的一神经元,并对其获取的监测数据进行计算,将计算结果发送到下一神经元节点,以使下一神经元节点模拟所述神经网络模型的下一神经元,直至所述多跳无线网络运行所述神经网络模型获得监测结果,从而将现有的大量物联网节点(即神经元节点)联结成运行神经网络模型的运算的神经网络,在本地获得神经网络模型的处理结果。通过上述方式,本发明实施例能够解决目前的智慧城市安全监控方法的高延时、高成本的技术问题,在保证运行速度的同时降低了成本。
实施例二
请参阅图3,图3是本发明实施例提供的一种基于雾计算的智慧城市安全监控方法的流程示意图;其中,该基于雾计算的智慧城市安全监控方法应用于上述实施例所述的基于雾计算的智慧城市安全监控系统。
如图3所示,所述方法包括:
步骤S10:通过多跳无线网络的神经元节点获取监测数据;
具体的,所述基于雾计算的智慧城市安全监控系统包括:神经网络模型,用于融合监测数据以获得监测结果,神经网络模型可以包括多个参数和超参数,例如权值、阈值、核大小、神经网络层数、激活函数等等。神经网络模型的参数和超参数可以存储在神经元节点中。多跳无线网络,用于运行所述神经网络模型,所述多跳无线网络由多个神经元节点连接组成,所述多个神经元节点中的至少一个神经元节点具有传感装置,传感装置可以用于获取至少一种监测数据,例如:温度数据、湿度数据、一氧化碳浓度数据、二氧化碳浓度数据、烟雾浓度数据、水压水位数据、压力数据、人体数据、图像数据以及其他监测数据。
步骤S20:选择所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络;
具体的,所述基于雾计算的智慧城市安全监控系统包括多个神经元节点,通过选择所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络,其中,所述神经元节点用于模拟所述神经网络模型中的一神经元,完成所述神经元的计算以获得计算结果,并向模拟下一层神经元的神经元节点发送计算结果,以使模拟下一层神经元的神经元节点完成所述神经网络模型的下一神经元的运算,直至所述多跳无线网络运行所述神经网络模型获得监测结果。其中,所述神经元节点模拟所述神经网络模型中的神经元对输入的监测数据或上一层神经元的计算结果进行运算,例如,当神经网络模型是BP神经网络模型时,神经元节点可以对输入的监测数据进行加权求和,再计算激活函数的值,将所述激活函数的值作为计算结果,并将所述计算结果发送到下一层的神经元节点,以使所述下一层的神经元节点模拟下一层的神经元进行计算。在本发明实施例中,组合函数和转移函数合称为激活函数,所述激活函数按照具体函数形式的不同划分为不同的类型,例如:二值函数、S形函数,双曲正切函数、光滑函数、径向基函数,以及等等。比如,所述计算激活函数f的值,包括计算公式:的值,其中,xi为神经元节点输入的监测数据或上一层神经元节点输出的计算结果,wi为权重,b为偏置。通过获取监测数据,确定所述监测数据对应的权重,进而根据公式求激活函数的值,再将所述激活函数的值(计算结果)发送到下一神经元节点,以使下一层神经元节点模拟下一层神经元进行计算,直至所述多跳无线网络运行所述神经网络模型获得监测结果。
步骤S30:利用所述神经网络运行所述神经网络模型获得监测结果。
具体的,多个神经元节点通过路由器或协调器之间相互连接构成多跳无线网络,所述多跳无线网络包括算力分配节点,所述算力分配节点用于将所述神经网络模型中的神经元和所述神经元节点一一对应,并通过所述神经元节点模拟对应的神经元,完成相应的神经元计算,并将计算结果发送到指定的下一层神经元节点。其中,所述多个神经元节点维护与其相邻神经元节点的连接路由。具体的,所述多跳无线网络包括一节点连接路由表,所述节点连接路由表用于保存所述多跳无线网络中的全部神经元节点之间连接关系,所述算力分配节点用于保存所述节点连接路由表,并根据所述节点连接路由表,将某一神经元节点模拟其对应的神经元对其获取的监测数据或上一层神经元节点输出的计算结果进行计算,获得的计算结果发送到指定的下一层神经元节点。可以理解的是,所述算力分配节点优先将监测所述神经网络模型的输入参数对应的监测参数的神经元节点模拟接收输入参数的输入层神经元,所述输入参数为所述神经元节点获取的监测数据,例如:所述算力分配节点指定一氧化碳传感器节点模拟一氧化碳变量对应的输入层神经元。其中,所述算力分配节点还用于根据模拟输入层神经元的神经元节点和连接路由表指定相应的中间节点和输出节点,例如:所述算力分配节点根据人工神经网络连接建立神经元连接表,所述神经元连接表用于保存所述神经网络模型的神经元之间的连接关系,例如:输入层神经元与隐藏层神经元之间的连接关系,或者,隐藏层神经元与输出层神经元之间的连接关系,所述算力分配节点根据所述神经元连接表,在所述节点连接路由表中对所述神经网络模型中的神经元进行神经元节点匹配,匹配所述神经元对应的神经元节点,以使所述神经元节点模拟对应的神经元,例如:指定某些神经元节点模拟输入层神经元,指定某些神经元节点模拟隐藏层神经元,指定某些神经元节点模拟输出层神经元。
各层的神经元节点之间可能不能直接通信,需要经过中间节点转发计算结果,每次转发为一跳,如果神经网络节点选择不当,可能会导致完成神经网络模型的计算过程中的跳数过多,导致无谓的能量消耗,降低网络传输效率。优选的,还可以根据遗传算法对所述神经元节点的选择进行优化,以使所述神经网络完成所述神经网络模型的运算所需的通讯跳数最小。具体的,所述算力分配节点将一个神经元与一个神经元节点的对应视为一个染色体,例如:用自然数对神经网络模型中的神经元和所述短距离自组织网络的多个神经元节点分别进行编号,一个神经元与一个神经元节点的对应关系视为一个基因,一组神经元和神经元节点的对应作为一个个体,例如:神经网络模型有5个神经元,多跳神经网络中有5个神经元节点,将1号神经元分配给2号节点(即选择1号节点完成2号神经元的计算),2号神经元分配给1号节点,3号神经元分配给5号节点,4号神经元分配给3号节点,将5号神经元分配给4号节点,上述的分配方案作为一个个体,可以记为{2,1,5,3,4}。1号节点将计算结果经过多跳无线网络发送到下一层神经元节点中的一个神经元节点,多跳无线网络在将计算结果传输到目的神经元节点过程中的每一次转发算作一跳。多组神经元分配方案形成一个种群,将完成神经网络模型所有神经元的计算所需的通讯总跳数作为个体的适应度,并根据所述适应度选出个体进行染色体交叉和变异,从而产生新的种群,如此迭代直到产生符合要求的个体,所述符合要求的个体即所述适应度达到要求,或者,所述种群代数达到上限。通过遗传算法优化分配方案,能够减少转发次数,减少无谓的能量消耗,提高网络传输的效率,提高系统的运行速度。
其中,所述算力分配节点可以为所述多跳无线网络中的多个神经元节点中的一个。
在本发明实施例中,所述基于雾计算的智慧城市安全监控系统,包括多个神经网络模型,每一神经网络模型用于完成特定的任务,所述神经网络模型为经过预训练的神经网络模型,例如:用于判断是否发生火灾的神经网络模型,用于判断是否发生气体中毒的神经网络模型,用于进行人脸识别的神经网络模型等等。其中,所述神经元节点可以是具有下列传感器的传感节点:温度传感器、湿度传感器、一氧化碳传感器、二氧化碳传感器、烟雾传感器、水压水位传感器、压力传感器、人体红外传感器,所述传感节点用于获取温度数据、湿度数据、一氧化碳浓度数据、二氧化碳浓度数据、烟雾浓度数据、水压水位数据、压力数据、人体红外线数据、图像数据以及其他监测数据。其中,所述神经元节点模拟所述神经网络模型中的神经元对其获取的监测数据或上一层神经元节点的输出结果进行计算,例如可以包括:对输入的监测数据或计算结果进行加权求和,再计算激活函数的值,将所述激活函数的值作为计算结果,并将所述计算结果发送到下一神经元节点,以使所述下一神经元节点模拟下一神经元进行计算。在本发明实施例中,组合函数和转移函数合称为激活函数,所述激活函数按照具体函数形式的不同划分为不同的类型,例如:二值函数、S形函数,双曲正切函数、光滑函数、径向基函数,以及等等。比如,所述计算激活函数f的值,包括计算公式:的值,其中,xi为神经元节点输入的监测数据或计算结果,wi为权重,b为偏置。通过获取监测数据或计算结果,进而根据公式求激活函数的值,再将所述激活函数的值作为计算结果发送到下一层神经元节点,以使下一层神经元节点模拟下一层神经元进行计算,直至所述多跳无线网络运行所述神经网络模型获得监测结果,例如:输出无火概率、有火概率以及阴燃火概率等。
请再参阅图4,图4为本发明实施例提供的一种算力分配节点的结构示意图,算力分配节点100包括:
存储单元10,用于存储至少一个神经网络模型;
选择单元20,用于选择所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络。
由于本实施例和方法实施例是基于同一构思,在内容不互相冲突的前提下,本实施例的内容可以引用方法实施例的,在此不赘述。
请参阅图5,图5是本发明实施例提供一种神经元节点的结构示意图;其中,该神经元节点可以是智能手机、掌上电脑(Personal Digital Assistant,PDA)、平板电脑、智能手表等具有计算单元(例如嵌入式处理器)和多跳无线接入功能的电子设备。
如图5所示,该神经元节点500包括一个或多个处理器501以及存储器502。其中,图5中以一个处理器501为例。
处理器501和存储器502可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的一种基于雾计算的智慧城市安全监控方法对应的单元(例如,图4所述的各个单元)。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行基于雾计算的智慧城市安全监控方法的各种功能应用以及数据处理,即实现上述方法实施例基于雾计算的智慧城市安全监控方法以及上述装置实施例的各个模块和单元的功能。
存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至处理器501。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述模块存储在所述存储器502中,当被所述一个或者多个处理器51执行时,执行上述任意方法实施例中的基于雾计算的智慧城市安全监控方法,例如,执行以上描述的图3所示的各个步骤;也可实现图4所述的各个模块或单元的功能。
本发明实施例的神经元节点500以多种形式存在,在执行以上描述的图3所示的各个步骤;也可实现图4所述的各个单元的功能时,上述神经元节点500包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类电子设备包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类电子设备包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放视频内容,一般也具备移动上网特性。该类设备包括:视频播放器,掌上游戏机,以及智能玩具和便携式车载导航设备。
(4)其他具有视频播放功能和上网功能的电子设备。
本发明实施例还提供了一种非易失性计算机存储介质,所述计算机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或多个处理器执行,例如图5中的一个处理器501,可使得上述一个或多个处理器可执行上述任意方法实施例中的基于雾计算的智慧城市安全监控方法,例如,执行上述任意方法实施例中的基于雾计算的智慧城市安全监控方法,例如,执行以上描述的图3所示的各个步骤;也可实现图4所述的各个单元的功能。
以上所描述的装置或设备实施例仅仅是示意性的,其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的,作为模块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模块单元上。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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用直至得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本发明实施例中,通过提供一种基于雾计算的智慧城市安全监控方法,应用于上述的基于雾计算的智慧城市安全监控系统,所述方法包括:通过多跳无线网络的神经元节点获取监测数据;选择所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络;利用所述神经网络运行所述神经网络模型以处理所述监测数据并获得监测结果。通过上述方式,本发明实施例通过多跳无线网络将现有的大量物联网节点(即神经元节点)联结成运行神经网络模型的运算的神经网络,从而在本地获得神经网络模型的处理结果,能够解决目前的智慧城市安全监控方法的数据处理方式的高延时、高成本的技术问题,在保证运行速度的同时降低了成本。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种基于雾计算的智慧城市安全监控系统,其特征在于,所述系统包括:
一个或多个神经网络模型和多跳无线网络;
其中,所述神经网络模型用于处理监测数据获得监测结果;
所述多跳无线网络包括多个神经元节点,所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络。
2.根据权利要求1所述的系统,其特征在于,所述多跳无线网络包括:
算力分配节点,用于选择至少两个神经元节点的组合来构建完成所述神经网络模型的运算的神经网络。
3.根据权利要求2所述的系统,其特征在于,所述多跳无线网络包括一节点连接路由表,所述算力分配节点根据所述节点连接路由表选择构建所述神经网络的神经元节点。
4.根据权利要求3所述的系统,其特征在于,所述算力分配节点根据所述节点连接路由表选择相邻的神经元节点对应所述神经网络模型中的相邻层的神经元。
5.根据权利要求3所述的系统,其特征在于,所述算力分配节点用于根据遗传算法对所述神经元节点的选择进行优化,以使所述神经网络完成所述神经网络模型的运算所需的通讯跳数最小。
6.根据权利要求1所述的系统,其特征在于,所述神经网络模型包括:用于完成预测火灾任务的第一神经网络模型,所述第一神经网络模型包括若干输入层神经元,所述输入层神经元与用于所述预测火灾任务的环境参数一一对应。
7.根据权利要求6所述的系统,其特征在于,所述神经元节点包括若干传感节点,每个所述传感节点包括一种用于测量所述环境参数的环境传感器。
8.根据权利要求7所述的系统,其特征在于,所述算力分配节点选择具有特定环境传感器的神经元节点作为对应的输入层神经元。
9.一种基于雾计算的智慧城市安全监控方法,其特征在于,应用于权利要求1-8任一项所述的基于雾计算的智慧城市安全监控系统,所述方法包括:
通过多跳无线网络的神经元节点获取监测数据;
选择所述多个神经元节点中的至少两个神经元节点的组合构建完成所述神经网络模型的运算的神经网络;
利用所述神经网络运行所述神经网络模型以处理所述监测数据并获取监测结果。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:利用遗传算法对所述神经元节点的选择进行优化,以使所述神经网络完成所述神经网络模型的运算所需的通讯跳数最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074219.9A CN109784469B (zh) | 2019-01-25 | 2019-01-25 | 一种基于雾计算的智慧城市安全监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074219.9A CN109784469B (zh) | 2019-01-25 | 2019-01-25 | 一种基于雾计算的智慧城市安全监控系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784469A true CN109784469A (zh) | 2019-05-21 |
CN109784469B CN109784469B (zh) | 2020-05-19 |
Family
ID=66501310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910074219.9A Active CN109784469B (zh) | 2019-01-25 | 2019-01-25 | 一种基于雾计算的智慧城市安全监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784469B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112486665A (zh) * | 2020-11-03 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 一种基于对等网络的边缘人工智能计算任务调度方法 |
CN112486668A (zh) * | 2020-11-03 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 一种分布式人工智能计算方法、物联网节点和存储介质 |
CN112486669A (zh) * | 2020-11-03 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 一种自组织移动边缘计算平台和方法 |
CN112511592A (zh) * | 2020-11-03 | 2021-03-16 | 深圳市中博科创信息技术有限公司 | 一种边缘人工智能计算方法、物联网节点和存储介质 |
CN114363380A (zh) * | 2022-03-21 | 2022-04-15 | 广东西江建设发展有限公司 | 一种基于云雾计算的水利工程监控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859478A (zh) * | 2010-04-29 | 2010-10-13 | 河海大学 | 基于无线传感器网络的边坡实时安全监控系统 |
CN106934451A (zh) * | 2015-12-29 | 2017-07-07 | 扬州大学 | 一种基于蚁群优化的bp神经网络wsn森林火灾防范系统 |
CN107633638A (zh) * | 2017-07-24 | 2018-01-26 | 南京邮电大学 | 一种基于wsn的智能火灾探测方法 |
-
2019
- 2019-01-25 CN CN201910074219.9A patent/CN109784469B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859478A (zh) * | 2010-04-29 | 2010-10-13 | 河海大学 | 基于无线传感器网络的边坡实时安全监控系统 |
CN106934451A (zh) * | 2015-12-29 | 2017-07-07 | 扬州大学 | 一种基于蚁群优化的bp神经网络wsn森林火灾防范系统 |
CN107633638A (zh) * | 2017-07-24 | 2018-01-26 | 南京邮电大学 | 一种基于wsn的智能火灾探测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112486665A (zh) * | 2020-11-03 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 一种基于对等网络的边缘人工智能计算任务调度方法 |
CN112486668A (zh) * | 2020-11-03 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 一种分布式人工智能计算方法、物联网节点和存储介质 |
CN112486669A (zh) * | 2020-11-03 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 一种自组织移动边缘计算平台和方法 |
CN112511592A (zh) * | 2020-11-03 | 2021-03-16 | 深圳市中博科创信息技术有限公司 | 一种边缘人工智能计算方法、物联网节点和存储介质 |
CN112486665B (zh) * | 2020-11-03 | 2022-03-18 | 深圳市中博科创信息技术有限公司 | 一种基于对等网络的边缘人工智能计算任务调度方法 |
CN112486669B (zh) * | 2020-11-03 | 2022-03-18 | 深圳市中博科创信息技术有限公司 | 一种自组织移动边缘计算平台和方法 |
CN112511592B (zh) * | 2020-11-03 | 2022-07-29 | 深圳市中博科创信息技术有限公司 | 一种边缘人工智能计算方法、物联网节点和存储介质 |
CN114363380A (zh) * | 2022-03-21 | 2022-04-15 | 广东西江建设发展有限公司 | 一种基于云雾计算的水利工程监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109784469B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784469A (zh) | 一种基于雾计算的智慧城市安全监控系统及其方法 | |
CN105095966B (zh) | 人工神经网络和脉冲神经网络的混合计算系统 | |
EP3992857A1 (en) | Method and device for generating neural network model, and computer-readable storage medium | |
CN105095967B (zh) | 一种多模态神经形态网络核 | |
CN109711529A (zh) | 一种基于值迭代网络的跨领域联邦学习模型及方法 | |
CN111176758B (zh) | 配置参数的推荐方法、装置、终端及存储介质 | |
CN105095965B (zh) | 人工神经网络和脉冲神经网络神经的混合通信方法 | |
Patel et al. | A hybrid ACO/PSO based algorithm for QoS multicast routing problem | |
CN107918794A (zh) | 基于计算阵列的神经网络处理器 | |
KR20210008418A (ko) | 순환 인공 신경 네트워크 내 활동 특성화 그리고 정보 인코딩 및 디코딩 | |
Zhang et al. | Multi-sacle dynamic coding improved spiking actor network for reinforcement learning | |
KR101774844B1 (ko) | 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈 | |
Schrum et al. | Discovering multimodal behavior in Ms. Pac-Man through evolution of modular neural networks | |
CN111476337A (zh) | 多级可变基因调控网络的群体机器人模式生成与转换方法 | |
Knight et al. | Efficient SpiNNaker simulation of a heteroassociative memory using the Neural Engineering Framework | |
Earle | Using fractal neural networks to play simcity 1 and conway's game of life at variable scales | |
CN107272885A (zh) | 一种用于智能机器人的人机交互方法及装置 | |
CN116128060A (zh) | 一种基于对手建模与蒙特卡洛强化学习的棋类博弈方法 | |
Meng et al. | Multi-colony ant algorithm using both generative adversarial nets and adaptive stagnation avoidance strategy | |
Zhang et al. | Population-coding and dynamic-neurons improved spiking actor network for reinforcement learning | |
Gigliotta | Equal but different: Task allocation in homogeneous communicating robots | |
Mei | Simulation of Chinese online teaching invocational colleges based on complex evolution and improved neural network | |
Akerkar et al. | Bio-inspired computing: constituents and challenges | |
Guo et al. | WSN cluster head selection algorithm based on neural network | |
CN112819152A (zh) | 一种神经网络训练方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |