CN111611085A - 基于云边协同的人机混合增强智能系统、方法、装置 - Google Patents
基于云边协同的人机混合增强智能系统、方法、装置 Download PDFInfo
- Publication number
- CN111611085A CN111611085A CN202010469336.8A CN202010469336A CN111611085A CN 111611085 A CN111611085 A CN 111611085A CN 202010469336 A CN202010469336 A CN 202010469336A CN 111611085 A CN111611085 A CN 111611085A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- edge
- cloud
- parameters
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 140
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 230000003068 static effect Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 5
- 238000013077 scoring method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于云边协同、混合增强智能领域,具体涉及一种基于云边协同的人机混合增强智能方法、系统、装置,旨在解决边缘侧的计算及存储资源不足,导致高复杂度的智能算法难以部署,低复杂度的智能算法精度有限的的问题。本系统包括:设置于云端的算法库、设置于边缘端的输入模块、算法选择模块、决策模块;算法库,用于储存算法文件;输入模块,用于获取输入信息;算法选择模块,配置为获取边缘设备的性能评价指标,并通过预设的算法选取规则从算法库中选取相应的算法;决策模块,配置为获取目标决策结果。本发明降低了高复杂度的智能算法的部署难度,提高了低复杂度的智能算法的精度。
Description
技术领域
本发明属于云边协同、混合增强智能领域,具体涉及一种基于云边协同的人机混合增强智能系统、方法、装置。
背景技术
云计算的发展使得移动设备可以通过云端的数据中心获得丰富的计算资源。然而,随着物联网、人工智能、大数据等技术的高速发展,网络边缘的设备数量和其产生的数据量都急剧增长,传统云计算以云端数据中心为核心的集中式处理模式无法高效的处理边缘设备产生的数据,其面临着带宽不足,网络传输延迟大、数据传输代价高等问题。
边缘计算是指任何连接到网络的设备,在靠近数据源或服务对象的地方提供实时的智能服务。与传统云计算将所有计算行为都迁移到云端进行的行为不同,边缘计算可以将任务放到就近的边缘设备上进行处理,这样不仅极大的提高了响应速度。边缘智能进一步推动了边缘计算的快速发展与应用。但将人工智能部署在边云设备上仍然面临着一定的挑战:边缘设备的计算、储存等资源受限,复杂的智能算法难以在边缘设备上运行等问题。
而无人参与的边缘智能系统,其优势也即弊病在于不考虑人的因素,将人排除于决策系统之外。对于无人参与的边缘智能决策系统,其优势是系统稳定性高、处理效率高、解放了人;其劣势是人缺少参与度、在面对复杂情况时表现较差。因此,开发一种基于云边协同的人机混合增强智能系统成为亟待解决的技术问题。
发明内容
为了解决现有技术中的上述问题,即为了解决边缘侧的计算及存储资源不足,导致高复杂度的智能算法难以部署,低复杂度的智能算法精度有限的问题,本发明第一方面,提出了一种基于云边协同的人机混合增强智能系统,该系统包括:设置于云端的算法库、设置于边缘端的输入模块、算法选择模块、决策模块;
所述算法库,用于储存算法文件;所述算法文件包括基于统计模型的机器学习算法文件、神经网络模型算法文件;
所述输入模块,用于获取输入信息;所述输入信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数;
所述算法选择模块,配置为基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标,并结合所述实时性要求参数、所述精度要求参数,通过预设的算法选取规则从所述算法库中选取相应的算法,作为第一算法;
所述决策模块,配置为通过所述第一算法获取所述系统待处理数据的处理结果及其对应的置信度,若该置信度大于预设的阈值,则将所述处理结果作为目标决策结果,否则获取录入的人工决策信息作为目标决策结果。
在一些优选的实施方式中,所述云端还包括算法更新模块,该模块包括算法更新单元、数据集更新单元;
所述数据集更新单元,配置为基于系统输入参数、决策信息,更新数据集;
所述算法更新单元,配置为当人工决策信息的获取次数大于设定的最大次数,则基于更新后的数据集,对所述算法库中的算法进行更新。
在一些优选的实施方式中,所述边缘端还包括控制模块;所述控制模块,配置为基于所述目标决策结果,对待控制目标进行控制。
在一些优选的实施方式中,所述边缘设备静态参数为边缘设备的配置信息;所述配置信息包括内存大小、显卡内存大小、硬盘大小;
所述边缘设备动态参数为边缘设备运行的状态信息;所述状态信息包括CPU或GPU占用率、内存占用率、显卡占用率及硬盘占用率。
在一些优选的实施方式中,所述算法选择模块中“基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标”,其方法为:
将所述边缘设备静态参数、所述边缘设备动态参数转化为结构化数据;
基于转化后的边缘设备静态参数、边缘设备动态参数,通过预设的评分方法获取边缘设备的评分。
在一些优选的实施方式中,“通过预设的评分方法获取边缘设备的评分”,其方法为:
构建所述边缘设备静态参数对应的性能评价指标因素集H={h1,h2,...hn}={内存大小、显卡内存大小、硬盘大小...},其中,n为性能评价指标因素集中因素的个数,hi表示第i个性能指标评价因素;
通过模糊统计法获取性能指标评价因素对预设的评语集中评语的隶属度,并构建模糊评价矩阵,作为第一矩阵;
基于所述边缘设备静态参数,通过三标度法构造判断矩阵,并结合所述边缘设备动态参数,获取各隶属度对应的权重向量;
将所述第一矩阵中各隶属度与其对应的权重向量进行相乘,得到模糊综合评价矩阵,作为第二矩阵;
对所述第二矩阵中的各元素,结合其对应的评分向量,得到边缘设备的性能评价指标;所述评分向量为在评语集中各评语对应的评分向量。
在一些优选的实施方式中,“对所述第二矩阵中的各元素,结合其对应的评分向量,得到边缘设备的性能评价指标”,其方法为:
其中,G表示边缘设备的性能评价指标,Ri表示第二矩阵中的第i个元素,Zi表示评分向量。
本发明的第二方面,提出了一种基于云边协同的人机混合增强智能方法,基于上述的基于云边协同的人机混合增强智能系统,该方法包括:
步骤S100,获取输入信息;所述输入信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数;
步骤S200,基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标,并结合所述实时性要求参数、所述精度要求参数,通过预设的算法选取规则从算法库中选取相应的算法,作为第一算法;
步骤S300,通过所述第一算法获取所述系统待处理数据的处理结果及其对应的置信度,若该置信度大于预设的阈值,则将所述处理结果作为目标决策结果,否则获取录入的人工决策信息作为目标决策结果。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序应用由处理器加载并执行以实现上述的基于云边协同的人机混合增强智能方法。
本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;所述程序适用于由处理器加载并执行以实现上述的基于云边协同的人机混合增强智能方法。
本发明的有益效果:
本发明降低了高复杂度的智能算法的部署难度,提高了低复杂度的智能算法的精度。本发明基于边缘设备静态参数、边缘设备动态参数,采用三标度法来构造判断矩阵并计算权重向量,获取边缘设备的性能评价性能,并结合预设的实时性要求参数、精度要求参数,通过预设的算法选取规则从算法库中选取相应的算法,作为第一算法,大大提高了算法选取的准确率。
通过第一算法获取系统待处理数据的处理结果及其对应的置信度,并根据置信度选择机器决策还是人工决策。通过人工的参与,解决边缘侧高复杂度的智能算法的难部署,低复杂度的智能算法的精度有限的问题,提高边缘侧系统的整体智能性和可靠性。同时云边协同的方式能够保证边缘设备能够根据实际情况更新算法,保证系统动态性,提高系统的适应能力。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于云边协同的人机混合增强智能系统的框架示意图;
图2是本发明一种实施例的计算性能指标时层次分析法AHP中评价结构模型的示意图;
图3是本发明一种实施例的基于云边协同的人机混合增强智能方法的流程示意图;
图4是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于云边协同的人机混合增强智能系统,如图1所示,包括:设置于云端的算法库100、设置于边缘端的输入模块200、算法选择模块300、决策模块400;
所述算法库100,用于储存算法文件;所述算法文件包括基于统计模型的机器学习算法文件、神经网络模型算法文件;
所述输入模块200,用于获取输入信息;所述输入信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数;
所述算法选择模块300,配置为基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标,并结合所述实时性要求参数、所述精度要求参数,通过预设的算法选取规则从所述算法库中选取相应的算法,作为第一算法;
所述决策模块400,配置为通过所述第一算法获取所述系统待处理数据的处理结果及其对应的置信度,若该置信度大于预设的阈值,则将所述处理结果作为目标决策结果,否则获取录入的人工决策信息作为目标决策结果。
为了更清晰地对本发明基于云边协同的人机混合增强智能系统进行说明,下面结合附图对本发明系统一种实施例中各步骤进行展开详述。
所述算法库100,用于储存算法文件;所述算法文件包括基于统计模型的机器学习算法文件、神经网络模型算法文件。
在本实施例中,算法库,设置于云端,用于存储算法文件,算法文件在本发明中优选基于统计模型的传统机器学习算法文件、神经网络模型算法文件。在其他实施例中,可以根据实际情况进行选取算法文件存储。
所述输入模块200,用于获取输入信息;所述输入信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数。
在本实施例中,输入模块,设置于边缘端,为系统的输入端,输入的信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数。其中
系统待处理数据,即根据系统要处理的任务类型决定的输入,例如在使用MLP的分类任务中,系统待处理数据为MLP的输入向量。
边缘设备静态参数,为边缘设备的配置信息,该参数不随时间变化,其包括内存大小、显卡内存大小、硬盘大小。
边缘设备动态参数为边缘设备运行过程中的状态信息,该状态信息为静态参数的动态化,该参数是比例参数,数值始终小于1,且随时间变化。其包括CPU或GPU占用率、内存占用率、显卡占用率及硬盘占用率。
边缘设备静态参数和边缘设备动态参数不限于上述的给出的参数。
所述算法选择模块300,配置为基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标,并结合所述实时性要求参数、所述精度要求参数,通过预设的算法选取规则从所述算法库中选取相应的算法,作为第一算法。
在本实施例中,算法选择模块,设置于边缘端,其包括设备性能评估单元、选择单元。其中,设备性能评估单元,配置为根据所述边缘设备静态参数si(i表示第i个参数,表下标)、边缘设备动态参数di确定当前边缘设备可分配资源,输出设备性能评价指标;该单元包括数据处理子单元和评分子单元,数据处理子单元,用于将边缘设备静态参数、边缘设备动态参数进行预处理,过滤无效参数和缺失参数,将非结构化数据转化为结构化数据;评分子单元,用于根据结构化数据对边缘设备进行评分。具体如下:
步骤A100,根据边缘设备静态参数si得出性能指标评价的因素集H(其中,元素集中的元素个数为n),即H={h1,h2,...hn}={内存大小、显卡内存大小、硬盘大小...},hi表示第i个参数的性能指标评价的因素。
步骤A200,确定模糊评价等级评语集;
对于设备性能的各种可能出现的结果所构成的集合。这里设评语集U={u1,u2,u3,u4,u5}={优秀,良好,一般,较差,很差},然后进行单因素评价,确定模糊关系矩阵。评价各因素与评价等级之间的关系,通过模糊统计,因素i可得到一个评价集:Pi={pi1,pi2,pi3,pi4,pi5},其中,pij表示支持评语j适用于因素i的人数,由此可得到整个评价因素集对评价集的模糊评判矩阵P=(sij)n×5,sij表示因素i对评语j的隶属度。如式(1)所示:
之后通过层次分析法确定各个因素的权重,传统的层次分析法由于利用1-9标度构造判断矩阵,两两因素相比。对重要、稍重要、明显重要、强烈重要、极端重要的判断缺乏统一的标准,这样就会带有强烈的个人主观判断,以致构造出的判断矩阵可能无法满足一致性要求。为解决该问题,本发明采用三标度法来构造判断矩阵并计算权向量,结合附图2,图中S1,S2,S3...Sn表示边缘设备静态参数,具体步骤如下:
建立比较矩阵A=(aij)n×n;其中,n为性能指标评价的因素集H中元素的个数,aij如式(2)所示:
在比较矩阵中同时计算出参数si的重要性排序指数ri,如式(3)所示:
利用极差法将比较矩阵A转换为判断矩阵C=(cij)n×n,如式(4)所示:
rmax=max{ri},rmin=min{ri},i=1,2,3...n;Cb为预设的极差元素的相对重要程度,本发明中优选为9。
对每个评语等级对应赋予一个分值,这里不妨令优秀为5,良好为4,一般为3,较差为2,很差为1。则得到一个评分向量Z=[5,4,3,2,1],可计算出设备的性能评价指标G,如式(6)所示:
其中,Zi表示评分向量。
选择单元,配置为基于设备评估单元输出的性能评价指标、结合输入模块提供的实时性要求参数和精度要求参数,根据云端提供的算法库,查找满足要求的算法。具体如下:
在本发明中,算法库存储算法优选采用列表方式,其他实施例中可选用其他方法存储算法。对任意算法algorithmij,其中,i是算法类型,j是第i类算法的衍生版本,根据不同的性能梯度、精度和实时性衍生出不同的算法版本,如表1所示:
表1
基于表1中的对应的算法选取规则(根据性能评价指标、实时性要求参数、精度要求参数进行选取,在其他实施例中可根据其他参数请进行选取),选取相应的算法,作为第一算法。在查找时,若不能同时满足实时性和精度要求,可根据用户需要或任务需要,选择优先满足的参数。
所述决策模块400,配置为通过所述第一算法获取所述系统待处理数据的处理结果及其对应的置信度,若该置信度大于预设的阈值,则将所述处理结果作为目标决策结果,否则获取录入的人工决策信息作为目标决策结果。
在本实施例中,决策模块包括算法决策单元、置信度评估单元、人工决策单元;其中,
算法决策单元,配置为通过选择单元选取的第一算法获取系统待处理数据的处理结果及该结果对应的置信度。
置信度评估单元,配置为将算法决策单元获取的置信度与预设的置信度阈值比较,若大于,则将算法决策单元获取的处理结果作为目标决策结果,若小于,则跳转人工决策单元;
人工决策单元,配置为当算法决策单元获取的置信度小于预设的置信度阈值,则边缘设备发出不确定警告,直接通过人工决策,将录入的人工决策信息作为目标决策结果。
当机器决策(即通过第一算法进行的决策)的决策置信度较高时,大部分工作可由边缘设备完成,仅当决策置信度较低时,人工才介入决策,可有效提高边缘设备的可靠程度,既能减轻人员的负担,也可以避免重复度高的工作。例如,在MLP分类时,基于输出的分类结果(机器决策)和分类置信度,当分类置信度高于阈值时,可由设备自主进行物品分类,当决策置信度低于阈值时,由人工操控介入,判断物品类别。
另外,边缘端还设置有控制模块500,控制模块用于基于目标决策结果,对待控制目标进行控制。
云端还包括算法更新模块600,包括算法更新单元、数据集更新单元;算法更新单元,配置为基于系统输入参数、决策信息,更新数据集,即用于收集输入模块的系统待处理数据和决策模块输出的目标决策结果,将两者作为已知数据,充实数据集,作为训练数据。
算法更新单元,配置为当人工决策信息的获取次数大于设定的最大次数,则基于更新后的数据集,对算法库中的算法进行更新。即当人工介入决策达到一定次数时,将更新的数据集提交给算法更新单元。在算法更新单元中,对已有算法进行再训练,并将新的算法下载至算法库。
需要说明的是,上述实施例提供的基于云边协同的人机混合增强智能系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第二实施例的一种基于云边协同的人机混合增强智能方法,如图3所示,基于上述的基于云边协同的人机混合增强智能系统,该方法包括:
步骤S100,获取输入信息;所述输入信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数;
步骤S200,基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标,并结合所述实时性要求参数、所述精度要求参数,通过预设的算法选取规则从算法库中选取相应的算法,作为第一算法;
步骤S300,通过所述第一算法获取所述系统待处理数据的处理结果及其对应的置信度,若该置信度大于预设的阈值,则将所述处理结果作为目标决策结果,否则获取录入的人工决策信息作为目标决策结果。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的方法的具体的工作过程及有关说明,可以参考前述系统实施例中的对应过程,在此不再赘述。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并实现上述的基于云边协同的人机混合增强智能方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于云边协同的人机混合增强智能方法。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
下面参考图4,其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统包括中央处理单元(CPU,Central Processing Unit)401,其可以根据存储在只读存储器(ROM,Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM,Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O,Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于云边协同的人机混合增强智能系统,其特征在于,该系统包括:设置于云端的算法库、设置于边缘端的输入模块、算法选择模块、决策模块;
所述算法库,用于储存算法文件;所述算法文件包括基于统计模型的机器学习算法文件、神经网络模型算法文件;
所述输入模块,用于获取输入信息;所述输入信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数;
所述算法选择模块,配置为基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标,并结合所述实时性要求参数、所述精度要求参数,通过预设的算法选取规则从所述算法库中选取相应的算法,作为第一算法;
所述决策模块,配置为通过所述第一算法获取所述系统待处理数据的处理结果及其对应的置信度,若该置信度大于预设的阈值,则将所述处理结果作为目标决策结果,否则获取录入的人工决策信息作为目标决策结果。
2.根据权利要求1所述的基于云边协同的人机混合增强智能系统,其特征在于,所述云端还包括算法更新模块,该模块包括算法更新单元、数据集更新单元;
所述数据集更新单元,配置为基于系统输入参数、决策信息,更新数据集;
所述算法更新单元,配置为当人工决策信息的获取次数大于设定的最大次数,则基于更新后的数据集,对所述算法库中的算法进行更新。
3.根据权利要求1所述的基于云边协同的人机混合增强智能系统,其特征在于,所述边缘端还包括控制模块;所述控制模块,配置为基于所述目标决策结果,对待控制目标进行控制。
4.根据权利要求1所述的基于云边协同的人机混合增强智能系统,其特征在于,所述边缘设备静态参数为边缘设备的配置信息;所述配置信息包括内存大小、显卡内存大小、硬盘大小;
所述边缘设备动态参数为边缘设备运行的状态信息;所述状态信息包括CPU或GPU占用率、内存占用率、显卡占用率及硬盘占用率。
5.根据权利要求1所述的基于云边协同的人机混合增强智能系统,其特征在于,所述算法选择模块中“基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标”,其方法为:
将所述边缘设备静态参数、所述边缘设备动态参数转化为结构化数据;
基于转化后的边缘设备静态参数、边缘设备动态参数,通过预设的评分方法获取边缘设备的评分。
6.根据权利要求5所述的基于云边协同的人机混合增强智能系统,其特征在于,“通过预设的评分方法获取边缘设备的评分”,其方法为:
构建所述边缘设备静态参数对应的性能评价指标因素集H={h1,h2,...hn}={内存大小、显卡内存大小、硬盘大小...},其中,n为性能评价指标因素集中因素的个数,hi表示第i个性能指标评价因素;
通过模糊统计法获取性能指标评价因素对预设的评语集中评语的隶属度,并构建模糊评价矩阵,作为第一矩阵;
基于所述边缘设备静态参数,通过三标度法构造判断矩阵,并结合所述边缘设备动态参数,获取各隶属度对应的权重向量;
将所述第一矩阵中各隶属度与其对应的权重向量进行相乘,得到模糊综合评价矩阵,作为第二矩阵;
对所述第二矩阵中的各元素,结合其对应的评分向量,得到边缘设备的性能评价指标;所述评分向量为在评语集中各评语对应的评分向量。
8.一种基于云边协同的人机混合增强智能方法,其特征在于,基于权利要求1-7任一项所述的基于云边协同的人机混合增强智能系统,该方法包括:
步骤S100,获取输入信息;所述输入信息包括系统待处理数据、边缘设备静态参数、边缘设备动态参数、预设的实时性要求参数及精度要求参数;
步骤S200,基于边缘设备静态参数、边缘设备动态参数,获取边缘设备的性能评价指标,并结合所述实时性要求参数、所述精度要求参数,通过预设的算法选取规则从算法库中选取相应的算法,作为第一算法;
步骤S300,通过所述第一算法获取所述系统待处理数据的处理结果及其对应的置信度,若该置信度大于预设的阈值,则将所述处理结果作为目标决策结果,否则获取录入的人工决策信息作为目标决策结果。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序应用由处理器加载并执行以实现权利要求8所述的基于云边协同的人机混合增强智能方法。
10.一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;其特征在于,所述程序适用于由处理器加载并执行以实现权利要求8所述的基于云边协同的人机混合增强智能方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469336.8A CN111611085B (zh) | 2020-05-28 | 2020-05-28 | 基于云边协同的人机混合增强智能系统、方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469336.8A CN111611085B (zh) | 2020-05-28 | 2020-05-28 | 基于云边协同的人机混合增强智能系统、方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611085A true CN111611085A (zh) | 2020-09-01 |
CN111611085B CN111611085B (zh) | 2023-09-22 |
Family
ID=72198656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010469336.8A Active CN111611085B (zh) | 2020-05-28 | 2020-05-28 | 基于云边协同的人机混合增强智能系统、方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611085B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118135A (zh) * | 2020-09-14 | 2020-12-22 | 南昌市言诺科技有限公司 | 云边协同架构工业互联网平台的最小资源配置方法和装置 |
CN112269588A (zh) * | 2020-12-22 | 2021-01-26 | 蘑菇物联技术(深圳)有限公司 | 算法的升级方法、装置、终端和计算机可读存储介质 |
CN115065577A (zh) * | 2022-05-30 | 2022-09-16 | 武汉市水务集团有限公司 | 一种应用于二次供水物联网的边缘计算网关系统 |
GB2605795A (en) * | 2021-04-13 | 2022-10-19 | British Telecomm | Algorithm selection for processor-controlled device |
CN116432082A (zh) * | 2023-03-29 | 2023-07-14 | 武汉理工大学 | 一种船舶故障特征分析方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286839A1 (en) * | 2016-04-05 | 2017-10-05 | BigML, Inc. | Selection of machine learning algorithms |
CN109976915A (zh) * | 2019-04-02 | 2019-07-05 | 中国联合网络通信集团有限公司 | 基于边缘计算的边云协同需求的优化方法和系统 |
CN110398264A (zh) * | 2019-07-31 | 2019-11-01 | 联想(北京)有限公司 | 一种设备状态监测方法及系统 |
CN110557419A (zh) * | 2018-06-01 | 2019-12-10 | 杭州海康威视数字技术股份有限公司 | 一种任务处理方法、装置及云计算系统 |
US20200090057A1 (en) * | 2016-12-07 | 2020-03-19 | Cloudminds (Shenzhen) Robotics Systems Co., Ltd. | Human-computer hybrid decision method and apparatus |
-
2020
- 2020-05-28 CN CN202010469336.8A patent/CN111611085B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286839A1 (en) * | 2016-04-05 | 2017-10-05 | BigML, Inc. | Selection of machine learning algorithms |
US20200090057A1 (en) * | 2016-12-07 | 2020-03-19 | Cloudminds (Shenzhen) Robotics Systems Co., Ltd. | Human-computer hybrid decision method and apparatus |
CN110557419A (zh) * | 2018-06-01 | 2019-12-10 | 杭州海康威视数字技术股份有限公司 | 一种任务处理方法、装置及云计算系统 |
CN109976915A (zh) * | 2019-04-02 | 2019-07-05 | 中国联合网络通信集团有限公司 | 基于边缘计算的边云协同需求的优化方法和系统 |
CN110398264A (zh) * | 2019-07-31 | 2019-11-01 | 联想(北京)有限公司 | 一种设备状态监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
任杰等: ""面向边缘设备的高能效深度学习任务调度策略"", 《计算机学报》, vol. 43, no. 3, pages 440 - 450 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118135A (zh) * | 2020-09-14 | 2020-12-22 | 南昌市言诺科技有限公司 | 云边协同架构工业互联网平台的最小资源配置方法和装置 |
CN112269588A (zh) * | 2020-12-22 | 2021-01-26 | 蘑菇物联技术(深圳)有限公司 | 算法的升级方法、装置、终端和计算机可读存储介质 |
GB2605795A (en) * | 2021-04-13 | 2022-10-19 | British Telecomm | Algorithm selection for processor-controlled device |
GB2605795B (en) * | 2021-04-13 | 2023-05-17 | British Telecomm | Algorithm selection for processor-controlled device |
CN115065577A (zh) * | 2022-05-30 | 2022-09-16 | 武汉市水务集团有限公司 | 一种应用于二次供水物联网的边缘计算网关系统 |
CN116432082A (zh) * | 2023-03-29 | 2023-07-14 | 武汉理工大学 | 一种船舶故障特征分析方法、系统及存储介质 |
CN116432082B (zh) * | 2023-03-29 | 2024-01-09 | 武汉理工大学 | 一种船舶故障特征分析方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111611085B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611085B (zh) | 基于云边协同的人机混合增强智能系统、方法、装置 | |
CN111291266A (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN112153426B (zh) | 一种内容账号管理方法、装置、计算机设备及存储介质 | |
EP4350572A1 (en) | Method, apparatus and system for generating neural network model, devices, medium and program product | |
CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
CN101083019A (zh) | 基于空间态势感知的快速评估系统 | |
CN114648676B (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN108877771B (zh) | 数据处理方法、存储介质和电子设备 | |
CN111738010A (zh) | 用于生成语义匹配模型的方法和装置 | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN112561031A (zh) | 基于人工智能的模型搜索方法、装置及电子设备 | |
CN117590766B (zh) | 通道入口导流栏杆角度调整的控制方法和装置 | |
CN115794341A (zh) | 基于人工智能的任务调度方法、装置、设备及存储介质 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN113961765A (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN113869599A (zh) | 鱼类疫病发展预测方法、系统、设备及介质 | |
CN113766633A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
Smolentseva et al. | Designing an algorithm for supporting information generation process optimization | |
WO2024051146A1 (en) | Methods, systems, and computer-readable media for recommending downstream operator | |
CN117350366A (zh) | 一种网络模型构建方法以及相关设备 | |
CN116386813A (zh) | 手术间负荷均衡方法、装置、设备及存储介质 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
US8752004B2 (en) | System and a method for generating a domain-specific software solution | |
CN112632846B (zh) | 一种电力系统输电断面极限概率评估方法及电子设备 | |
CN113033938B (zh) | 确定资源分配策略的方法、装置、终端设备及存储介质 |
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 |