CN111476361B - 一种分散式人工智能物联网创建方法 - Google Patents
一种分散式人工智能物联网创建方法 Download PDFInfo
- Publication number
- CN111476361B CN111476361B CN202010155924.4A CN202010155924A CN111476361B CN 111476361 B CN111476361 B CN 111476361B CN 202010155924 A CN202010155924 A CN 202010155924A CN 111476361 B CN111476361 B CN 111476361B
- Authority
- CN
- China
- Prior art keywords
- things
- internet
- layer
- fog
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a 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
- H04L67/10—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45562—Creating, deleting, cloning virtual machine instances
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
Abstract
本发明公开的分散式人工智能物联网创建方法,涉及物联网技术领域,通过将物联网中的感知设备作为神经网络的输入神经元,雾设备作为神经网络的隐藏神经元,在每一个雾设备上部署一个Docker容器,在Docker容器中编写代码使其具有隐藏神经元的功能,物联网执行设备作为输出神经元,在每一个物联网执行设备上部署一个Docker容器,在Docker容器中编写代码使其具有输出神经元的功能,物联网感知设备、雾设备和物联网执行设备三者共同组成一个神经网络,可以节约计算资源并充分利用设备现有的计算资源,降低延迟,解决由于使用云服务器引起的带宽限制、可变延迟以及安全问题。
Description
技术领域
本发明涉及物联网技术领域,特别具体涉及一种分散式人工智能物联网创建方法,可用于面向人工智能物联网的应用。
背景技术
物联网(Internet of Things,loT)是新一代信息技术的重要组成部分,也是“信息化”时代的重要发展阶段。物联网通过智能感知、识别技术和普适计算等通信感知技术,广泛应用于网络的融合中,被称为继计算机、互联网之后世界信息产业发展的第三次浪潮。随着物联网技术的不断创新与完善,物联网应用已经渗透到了各行各业。 IDC公司数据显示,2018年,全球物联网开支达6460亿美元,2019 年预计增长15.4%,未来,全球物联网市场将继续稳定,到2022年,市场规模将达到1万亿美元。
人工智能(Artificial Intelligence,AI),在1956年的一个会议上由一些美国计算机领域的专家所提出来,同时也是第一出现这样概念,也标志着人工智能学科的出现。人工智能是研究使计算机来模拟人的某些思维过程和智能行为的学科,人工智能技术就是实现该功能的技术集合,具体包括智能机器人制造技术、语音识别与合成技术、系统仿真技术与应用技术、模式识别与智能系统技术、虚拟现实技术等,人工智能技术的核心宗旨是让人的生产生活活动更轻松、更简单、更便捷。从本质上来说,人工智能通常是运用计算机内在逻辑分析技术、语言识别技术、定向归类技术以及语言理解能力分析等技术完成其运行逻辑过程。因此,人工智能的整个运行过程符合内部计算逻辑化,准确把控信息流向和输出,不容易出现差错,从而实现对人力的替代。许多科学家、专家都纷纷加入到对这个新领域的研究和学习,在一定程度上使得人工智能得到了较快的发展,甚至在当时掀起了一股对人工智能研究的高潮。在1980年的时候,人们出现对该应用领域认识狭窄、缺乏常识性知识、知识获取困难、推理方法单一等问题,导致了人工智能进入了一个低迷时期,发展十分的缓慢。随着科学技术的不断发展,人工智能技术又再一次被走进人们的视野中,一直到2016年谷歌推出的围棋机器人Alphago之后,人工智能又迎来了新的春天,其发展的速度呈现一个指数级的增长趋势,并逐渐走进日常生活中。
物联网和人工智能都是现在非常热门的课题。自2017年开始,“AIoT”一词便开始频频刷屏,成为物联网的行业热词。“AIoT”即“AI+IoT”,指的是人工智能技术与物联网在实际应用中的落地融合。当前,已经有越来越多的人将AI与IoT结合到一起来看,AIoT 作为各大传统行业智能化升级的最佳通道,已经成为物联网发展的必然趋势。
云计算凭借其强大的计算、存储能力和可扩展性已经发展成为人工智能物联网应用的分析处理支撑平台。在传统智能物联网应用中,云服务器部署了神经网络算法,将传感器采集的数据发送到云服务器,在云服务器上进行训练得到相应的神经网络模型。但是,对于传感器发送连续数据流的物联网应用,云引入了额外的复杂性。首先,需要始终与云服务器连接,必须处理带宽限制。其次,将传感器数据发送到云服务器可能会引入安全漏洞和隐私问题。再者,云服务器往往距离终端设备较远,使得延迟较高。最后,神经网络模型需要具备强大的数据处理能力,特别是在训练阶段,云服务器则需要承担巨大的计算和存储负荷。
发明内容
本发明的目的在于针对现有技术的不足,提出一种分散式人工智能物联网创建方法,以降低传统智能物联网应用中使用云服务器所引起的高延迟和可变延迟、改善带宽限制、节约计算资源。
本发明实施例提供的分散式人工智能物联网创建方法包括如下步骤:
(1)选取BP神经网络作为神经网络模型;
(2)组合各个雾设备,形成雾处理层;
(3)组合各个云服务器,形成云计算层,其中,云计算层负责训练神经网络模型、数据存储以及雾设备、物联网执行设备间资源的统一分配;
(4)组合雾处理层和云计算层,形成云雾混合网络;
(5)对所述神经网络模型的每一层进行设计、部署,生成分散式人工智能物联网,包括:
(51)将NodeMCU和传感器组合,形成物联网感知设备,其中,物联网感知设备负责采集数据并将数据发送到雾处理层;
(52)在每一个雾设备上均部署一个Docker容器,其中,雾设备负责将物联网感知设备采集的数据进行处理后将所述数据发送到物联网执行设备;
(53)在每一个物联网执行设备上均部署一个Docker容器,其中,物联网执行设备负责接收、处理雾处理层发送的数据并执行相应的动作;
优选地,步骤(1)中选取的BP神经网络包括一个输入层、一个隐藏层和一个输出层,其中,BP神经网络的输入神经元和输出神经元的个数分别由物联网感知设备的数量和物联网执行设备的数量决定。
优选地,步骤(4)中形成的云雾混合网络的各层之间的通信协议如下:硬件设备层与雾设备的通讯协议为WIFI,雾处理层和云计算层之间的通信协议为WIFI协议和TCP/IP协议。
优选地,步骤(51)中形成的物联网感知设备的工作方式是:传感器采集的数据通过NodeMCU上内嵌的WIFI模块将数据包发送至雾设备,同时,通过所述WIFI模块也可以接收来自雾设备的数据,物联网感知设备映射到BP神经网络的输入层,每一个感知设备对应一个输入神经元,实现输入神经元的功能。
优选地,步骤(52)中的雾设备映射到BP神经网络的隐藏神经元,其上部署的Docker容器具有隐藏神经元的功能。
优选地,步骤(53)中的物联网执行设备映射到BP神经网络的输出神经元,其上部署的Docker容器具有输出神经元的功能。
优选地,步骤(3)中的云计算层的功能是在集中式工作方式下云计算层应该具备的功能,在分散式工作模式下不需要云的参与,云计算层存储数据采用的是关系型数据库管理系统MYSQL。
本发明的实施例提供的分散式人工智能物联网具有以下有益效果:
(1)将计算分散开,可节约计算资源并充分利用设备现有的计算资源;
(2)数据由雾设备层处理,可以降低延迟、解决由于使用云服务器引起的带宽限制、可变延迟以及安全问题。
附图说明
图1是本发明实施例提供的分散式人工智能物联网创建方法流程示意图;
图2是简单的BP神经网络结构图;
图3是本发明实施例提供的分散式人工智能物联网创建方法对应的系统整体架构图;
图4是图3中的硬件设备层中采集器的组成示意图。
具体实施方式
以下结合附图对本发明的具体实施例做详细描述。
参见图1,本发明实施例提供的分散式人工智能物联网创建方法包括如下步骤:
S101,选取BP神经网络作为神经网络模型。
参照图2,本发明实施例选择只有一个隐藏层的BP神经网络作为神经网络模型。其中,BP神经网络的基本思想为:学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经隐藏层处理后,传向输出层。若输出层的实际输出与期望输出不符,则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐藏层向输入层逐层反传,将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号作为修正各单元权值的依据。
S102,组合各个雾设备,形成雾处理层。
S103,组合各个云服务器,形成云计算层,其中,云计算层负责训练神经网络模型、数据存储以及雾设备、物联网执行设备间资源的统一分配。
S104,组合雾处理层和云计算层,形成云雾混合网络。
S105,对神经网络模型的每一层进行设计、部署,生成分散式人工智能物联网,包括:
S1051,将NodeMCU和传感器组合,形成物联网感知设备,其中,物联网感知设备负责采集数据并将数据发送到雾处理层。
参照图3,本发明实施例提供分散式人工智能物联网创建方法对的应系统架构自下而上依次包括:硬件设备层、雾处理层和云计算层,其中:雾处理层由路由器、交换机等网络边缘设备组成。
如图4所示,传感器采集的数据可以通过NodeMCU上内嵌的 WIFI模块将数据包发送至雾设备,同时,通过该WIFI模块也可以接收来自雾设备的数据。物联网感知设备映射到BP神经网络的输入层,每一个感知设备对应一个输入神经元,实现输入神经元的功能。
其中,NodeMCU是一款运行于乐鑫ESP8266芯片之中的可编程固件。该款可编程固件的特点是开源,交互式操作,可编程代码,内嵌WIFI硬件,以lua语言为基础,同时提供了封装esp8266硬件操作的高级API。使用该款可编程固件时,需先烧录代码,然后启动雾设备,之后再启动该款可编程固件,该款可编程固件内已经烧录的开机执行代码会自动连接到附近的雾设备。
具体来说,NodeMCU是一个可以运行在esp8266 Wi-Fi SoC芯片之上的固件以及基于ESP-12模组的物联网硬件。NodeMCU的标准输入电压为5V,标准输出电压为3.3V,RAM的读写速度为20Kbyte,持续工作电流约为70mA,待机时电流小于200uA,传输速率为110~460800bps,拥有9路控制串口D0~D8,用作GPIO、PWM、IIC等多种串口通信,端口驱动能力15mA,拥有1路ADC串口,支持无线802.11b/g/n标准,內置以太网接口栈,內置TCP/IP协议栈,支持多路TCP Client连接,支持UART/GPIO数据通信接口,支持远程固件升级,支持Smart Link智能联网功能,支持STA/AP/STA+AP三种工作模式,支持USB供电,提供USB调试接口,重量约7g,可以在-40℃~+125℃温度下稳定工作,可以满足各种条件严苛的应用环境,完全符合工业应用要求。
NodeMCU以数据传输稳定、可靠性高、传输速率快、抗干扰能力强、成本低廉、固件开源、可编程代码、交互式操作、使用灵活方便等优点在数据采集、实时控制、智能家居等诸多领域得到广泛应用。本发明以采集温湿度传感器感应数据为例,每个温湿度传感器各配一个NodeMCU作为一套硬件模块,由温湿度传感器采集数据,通过串口将数据发给NodeMCU,再由NodeMCU作为TCPclient端通过WIFI 协议发送给作为TCPserver端的雾设备。
S1052,在每一个雾设备上均部署一个Docker容器,其中,雾设备负责将物联网感知设备采集的数据进行处理后将所述数据发送到物联网执行设备。
其中,雾处理层映射到BP神经网络的隐藏层,每一个雾设备对应一个隐藏神经元,实现隐藏神经元的功能,其中,隐藏神经元服务端处理流程为:首先接收数据并进行存储,接着判断数据是前向还是后向。若是前向数据即数据来自输入层,判断数据数量是否达到要求,若满足则利用公式进行相应计算并存储计算结果,同时将计算结果发给输出神经元;若是后向数据即数据来自输出层,先判断数据数量是否满足,满足条件则先利用公式进行计算,然后更新并存储权重和阈值。最后给连接的客户端返回数据。首先接收数据并进行存储,接着判断数据是前向还是后向。若是前向数据即数据来自输入层,判断数据数量是否达到要求,若满足则利用公式进行相应计算并存储计算结果,同时将计算结果发给输出神经元;若是后向数据即数据来自输出层,先判断数据数量是否满足,满足条件则先利用公式进行计算,然后更新并存储权重和阈值。最后给连接的客户端返回数据。隐藏神经元的功能主要分为前向计算和后向计算。前向计算主要是进行线性计算、激励函数计算;后向计算主要是进行权重和阈值的更新。
在每一个雾设备上部署一个Docker容器,在容器中编写代码,从而实现隐藏神经元的功能。Docker引擎的基础是Linux自带的容器技术,容器有效的将单个操作系统管理的资源划分到孤立的组中,以便更好的在孤立的组之间平衡有冲突的资源使用需求。与虚拟化相比,这样既不需要指令级模拟,也不需要即时编译。容器可以在核心CPU 本地运行指令,而不需要任何专门的解释机制。此外,也避免了准虚拟化和系统调用替换中的复杂性,可以将容器理解为一种沙盒,每个容器内运行一个应用,不同的容器相互隔离,容器之间可以建立通信机制。容器的创建和停止都十分快速(秒级),容器自身对资源的需求十分有限,远比虚拟机本身占用的资源少。
在实例中,本发明使用树莓派3作为雾设备,一个雾设备使用一个树莓派3代替。本次发明所使用的树莓派3代是一款基于ARM的微型电脑主板,其内置Ubantu Linux操作系统,以MicroSD卡为内存硬盘,卡片主板周围有4个USB 2.0接口和一个10/100Mbps以太网接口,可连接键盘、鼠标和网线,同时拥有视频模拟信号的电视输出接口和HDMI高清视频输出接口,以上部件全部整合在一张仅比信用卡稍大的主板上,具备所有PC的基本功能只需接通电视机和键盘,就能执行如电子表格、文字处理、播放高清视频等诸多功能,标准输入电压为5V,持续工作电流约为800mA,额定功率为4w,拥有40路拓展接口,用作GPIO、PWM、IIC等多种串口通信,支持支持无线802.11b/g/n标准及蓝牙4.1,可以在-40℃~+85℃温度下稳定工作,可以满足各种条件严苛的应用环境,完全符合工业应用要求。
S1053,在每一个物联网执行设备上均部署一个Docker容器,其中,物联网执行设备负责接收、处理雾处理层发送的数据并执行相应的动作。
其中,硬件设备层中的物联网执行设备映射到BP神经网络的输出层,每一个执行设备对应一个输出神经元,实现输出神经元的功能。其中,输出神经元服务端处理流程为:首先接收数据并进行存储,接着判断数据数量是否满足。若满足,则利用公式进行计算并存储计算结果,然后判断是否进行训练,若进行训练,则利用相应公式进行计算,更新并存储权重和阈值,然后给隐藏神经元发送数据。最后给连接的客户端返回数据。输出神经元的功能主要分为前向计算和后向计算。前向计算主要是进行线性计算、激励函数计算;后向计算主要是进行权重和阈值的更新。
在每一个执行设备上部署一个Docker容器,在容器中编写代码,从而实现输出神经元的功能。
可选地,步骤S101中选取的BP神经网络包括一个输入层、一个隐藏层和一个输出层,其中,BP神经网络的输入神经元和输出神经元的个数分别由物联网感知设备的数量和物联网执行设备的数量决定。
可选地,步骤S104中形成的云雾混合网络的各层之间的通信协议如下:硬件设备层与雾设备的通讯协议为WIFI,雾处理层和云计算层之间的通信协议为WIFI协议和TCP/IP协议。
可选地,步骤S1051中形成的物联网感知设备的工作方式是:传感器采集的数据通过NodeMCU上内嵌的WIFI模块将数据包发送至雾设备,同时,通过所述WIFI模块也可以接收来自雾设备的数据,物联网感知设备映射到BP神经网络的输入层,每一个感知设备对应一个输入神经元,实现输入神经元的功能。
可选地,步骤S1052中的雾设备映射到BP神经网络的隐藏神经元,其上部署的Docker容器具有隐藏神经元的功能。
可选地,步骤S1053中的物联网执行设备映射到BP神经网络的输出神经元,其上部署的Docker容器具有输出神经元的功能。
可选地,步骤S103中的云计算层的功能是在集中式工作方式下云计算层应该具备的功能,在分散式工作模式下不需要云的参与,云计算层存储数据采用的是关系型数据库管理系统MYSQL。
其中,云计算层存储数据采用的是关系型数据库管理系统 MYSQL,它的源代码是C语言,关系数据库将数据保存在不同的表中,而不是将所有数据放在一个大仓库内,这样就增加了速度并提高了灵活性。MySQL所使用的SQL语言是用于访问数据库的最常用标准化语言,具有以下特点:
(1)支持多线程,充分利用CPU资源;
(2)优化的SQL查询算法,有效地提高查询速度;
(3)既能够作为一个单独的应用程序应用在客户端服务器网络环境中,也能够作为一个库而嵌入到其他的软件中;
(4)提供TCP/IP、ODBC和JDBC等多种数据库连接途径;
(5)提供用于管理、检查、优化数据库操作的管理工具;
(6)支持大型的数据库。可以处理拥有上千万条记录的大型数据库;
(7)支持多种存储引擎;
(8)在线DDL更改功能,数据架构支持动态应用程序和开发人员灵活性;
(9)支持原生JSON数据。
本发明实施例提供的分散式人工智能物联网创建方法,通过将物联网中的感知设备作为神经网络的输入神经元,雾设备作为神经网络的隐藏神经元,在每一个雾设备上部署一个Docker容器,在Docker 容器中编写代码使其具有隐藏神经元的功能,物联网执行设备作为输出神经元,在每一个物联网执行设备上部署一个Docker容器,在 Docker容器中编写代码使其具有输出神经元的功能,物联网感知设备、雾设备和物联网执行设备三者共同组成一个神经网络,可以节约计算资源并充分利用设备现有的计算资源,降低延迟,解决由于使用云服务器引起的带宽限制、可变延迟以及安全问题。
需要说明的是,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (7)
1.一种分散式人工智能物联网创建方法,其特征在于,包括:
(1)选取BP神经网络作为神经网络模型;
(2)组合各个雾设备,形成雾处理层;
(3)组合各个云服务器,形成云计算层,其中,云计算层负责训练神经网络模型、数据存储以及雾设备、物联网执行设备间资源的统一分配;
(4)组合雾处理层和云计算层,形成云雾混合网络;
(5)对所述神经网络模型的每一层进行设计、部署,生成分散式人工智能物联网,包括:
(51)将NodeMCU和传感器组合,形成物联网感知设备,其中,物联网感知设备负责采集数据并将数据发送到雾处理层;
(52)在每一个雾设备上均部署一个Docker容器,其中,雾设备负责将物联网感知设备采集的数据进行处理后将所述数据发送到物联网执行设备;
(53)在每一个物联网执行设备上均部署一个Docker容器,其中,物联网执行设备负责接收、处理雾处理层发送的数据并执行相应的动作。
2.根据权利要求1所述的一种分散式人工智能物联网创建方法,其特征在于,步骤(1)中选取的BP神经网络包括一个输入层、一个隐藏层和一个输出层,其中,BP神经网络的输入神经元和输出神经元的个数分别由物联网感知设备的数量和物联网执行设备的数量决定。
3.根据权利要求1所述的一种分散式人工智能物联网创建方法,其特征在于,步骤(4)中形成的云雾混合网络的各层之间的通信协议如下:硬件设备层与雾设备的通讯协议为WIFI,雾处理层和云计算层之间的通信协议为WIFI协议和TCP/IP协议。
4.根据权利要求1所述的一种分散式人工智能物联网创建方法,其特征在于,步骤(51)中形成的物联网感知设备的工作方式是:传感器采集的数据通过NodeMCU上内嵌的WIFI模块将数据包发送至雾设备,同时,通过所述WIFI模块也可以接收来自雾设备的数据,物联网感知设备映射到BP神经网络的输入层,每一个感知设备对应一个输入神经元,实现输入神经元的功能。
5.根据权利要求1所述的一种分散式人工智能物联网创建方法,其特征在于,步骤(52)中的雾设备映射到BP神经网络的隐藏神经元,其上部署的Docker容器具有隐藏神经元的功能。
6.根据权利要求1所述的一种分散式人工智能物联网创建方法,其特征在于,步骤(53)中的物联网执行设备映射到BP神经网络的输出神经元,其上部署的Docker容器具有输出神经元的功能。
7.根据权利要求1所述的一种分散式人工智能物联网创建方法,其特征在于,步骤(3)中的云计算层的功能是在集中式工作方式下云计算层应该具备的功能,在分散式工作模式下不需要云的参与,云计算层存储数据采用的是关系型数据库管理系统MYSQL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155924.4A CN111476361B (zh) | 2020-03-09 | 2020-03-09 | 一种分散式人工智能物联网创建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155924.4A CN111476361B (zh) | 2020-03-09 | 2020-03-09 | 一种分散式人工智能物联网创建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476361A CN111476361A (zh) | 2020-07-31 |
CN111476361B true CN111476361B (zh) | 2023-04-07 |
Family
ID=71748097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010155924.4A Active CN111476361B (zh) | 2020-03-09 | 2020-03-09 | 一种分散式人工智能物联网创建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476361B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108023952A (zh) * | 2017-12-04 | 2018-05-11 | 西安电子科技大学 | 一种基于云雾结合的模块化物联网应用快速构建平台 |
CN108540538A (zh) * | 2018-03-20 | 2018-09-14 | 西安电子科技大学 | 一种基于sdn的云雾结合物联网应用构建系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902302B2 (en) * | 2018-04-23 | 2021-01-26 | International Business Machines Corporation | Stacked neural network framework in the internet of things |
-
2020
- 2020-03-09 CN CN202010155924.4A patent/CN111476361B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108023952A (zh) * | 2017-12-04 | 2018-05-11 | 西安电子科技大学 | 一种基于云雾结合的模块化物联网应用快速构建平台 |
CN108540538A (zh) * | 2018-03-20 | 2018-09-14 | 西安电子科技大学 | 一种基于sdn的云雾结合物联网应用构建系统 |
Non-Patent Citations (2)
Title |
---|
段粘粘 ; .雾计算在高校信息系统中的应用.电脑知识与技术.(第02期),全文. * |
王燕平 ; .BP人工神经网络在信用卡评估中的应用.海峡科学.(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111476361A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108023952B (zh) | 一种基于云雾结合的模块化物联网应用快速构建平台 | |
US11494607B1 (en) | Artificially intelligent systems, devices, and methods for learning and/or using an avatar's circumstances for autonomous avatar operation | |
US10402731B1 (en) | Machine learning for computer generated objects and/or applications | |
CN107291867B (zh) | 基于人工智能的对话处理方法、装置、设备及计算机可读存储介质 | |
CN107463601B (zh) | 基于人工智能的对话理解系统构建方法、装置、设备及计算机可读存储介质 | |
CN108845802A (zh) | 无人机集群编队交互式仿真验证系统及实现方法 | |
CN105955208B (zh) | 一种基于云平台的网络机器人数据控制系统 | |
CN109034394B (zh) | 一种机器学习模型的更新方法和装置 | |
JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
WO2021259039A1 (zh) | 神经网络模型的定制化方法、系统、设备和存储介质 | |
CN111427549A (zh) | 一种人工智能强化学习服务平台 | |
CN108536964A (zh) | 存储介质、卫星星座覆盖性能仿真分析方法及其系统 | |
CN104331530A (zh) | 一种基于xml描述的电子战视景仿真平台及工作方法 | |
Zhang | Application of AI-based real-time gesture recognition and embedded system in the design of English major teaching | |
CN106708483A (zh) | 物联网设备的控制界面的生成方法及生成装置 | |
CN104239594A (zh) | 人工环境模型、Agent模型及其建模方法 | |
CN111476361B (zh) | 一种分散式人工智能物联网创建方法 | |
CN109241073A (zh) | 一种让人工智能机器人具有人类情感的方法 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
KR20220165391A (ko) | 쿼리 기반 딥러닝 분산 시스템 및 분산 훈련 방법 | |
US11128538B2 (en) | Method and system for an interactive, tangible system for visualizing, designing and debugging distributed software applications | |
CN113377355A (zh) | 一种人工智能强化学习服务系统 | |
CN113973060A (zh) | 一种物联网模拟方法、装置、系统及存储介质 | |
Li | Application of computer image technology in 3D painting based on cloud computing | |
CN112905165B (zh) | 一种人工智能模型训练环境搭建装置及方法 |
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 |