CN111914923B - 一种基于聚类特征提取的目标分布式识别方法 - Google Patents
一种基于聚类特征提取的目标分布式识别方法 Download PDFInfo
- Publication number
- CN111914923B CN111914923B CN202010735723.1A CN202010735723A CN111914923B CN 111914923 B CN111914923 B CN 111914923B CN 202010735723 A CN202010735723 A CN 202010735723A CN 111914923 B CN111914923 B CN 111914923B
- Authority
- CN
- China
- Prior art keywords
- neural network
- distributed
- edge
- deep neural
- network model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于聚类特征提取的目标分布式识别方法,包括:步骤1:训练深度神经网络,获得深度神经网络模型;步骤2:将深度神经网络模型划分为N边和N域两个子神经网络模型,获得拆分后的深度神经网络模型;步骤3:将N边和k‑means聚类子模型部署在边缘设备,将N域部署于边缘域中心,获得分布式深度神经网络模型;步骤4:对分布式神经网络模型进行优化,获得优化后的分布式深度神经网络模型;步骤5:使用步骤4中优化后的分布式深度神经网络模型完成目标分布式识别。与现有技术相比,本发明具有在边缘侧应用神经网络,实现目标识别、数据传输量低,识别速度快,在降低系统总体能耗与处理时间的同时,也保证了目标识别的精度等优点。
Description
技术领域
本发明涉及目标识别技术领域,尤其是涉及一种基于聚类特征提取的目标分布式识别方法。
背景技术
边缘计算是指能够在网络边缘执行计算的一种新型计算模型,其边缘是指从数据源到云计算中心路径之间的任意计算和网络模型,而边缘的下行数据表示云服务、上行数据表示万物互联服务。此外,边缘计算的实际部署天然具备分布式特征,支持分布式计算与存储,具有分布式资源的动态调度与统一管理、支撑分布式智能、具备分布式安全等能力。目前边缘计算可以满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的诸多关键需求。
人工智能技术特别是深度学习方法已经在图像和视频目标检测与识别领域中得到了广泛应用,并取得了良好的预期成果。与此同时,计算与存储技术的长足发展使得边缘感知设备具有较强的计算能力,可以负担一定计算任务,从而加快系统的响应速度。因此,本发明拟采用边缘计算技术和深度学习方法实现目标的快速精准识别。
聚类分析是一种广泛应用于挖掘数据间关系的技术,聚类分析的结果是将数据集划分为若干簇,使得簇内数据尽可能相似,簇间数据尽可能不同。常见的聚类方法如k-means是非常简单有效的聚类算法,它能在有限次迭代内获得局部最优解。通过聚类技术可以将数值近似处理为对应的聚类中心点,使用聚类簇编号进行表示,从而有效减少数据量。
目前已有一些应用神经网络进行目标识别的研究,杨伟超在文献“Alpha稳定分布噪声下通信信号调制识别研究”中使用深度学习方法对信号进行调制识别,得到了较好的识别效果。李佳宸在文献“基于深度学习的数字调制信号识别方法研究”中提出基于深度学习的数字调制信号识别方法研究,分别应用两种不同的深度学习模型,并通过仿真选定算法中需要的参数以达到最佳效果。但上述研究均未考虑在边缘侧应用神经网络进行目标识别。
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在边缘侧应用神经网络,实现目标识别、数据传输量低,识别速度快的基于聚类特征提取的目标分布式识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于聚类特征提取的目标分布式识别方法,包括:
步骤1:在云中心训练深度神经网络,获得深度神经网络模型;
步骤2:将深度神经网络模型划分为N边和N域两个子神经网络模型,获得拆分后的深度神经网络模型;
步骤3:将N边和k-means聚类子模型部署在边缘设备,将N域部署于边缘域中心,k-means聚类子模型与N边的输出端相连,获得分布式深度神经网络模型;
步骤4:对分布式神经网络模型进行优化,获得优化后的分布式深度神经网络模型;
步骤5:使用步骤4中优化后的分布式深度神经网络模型完成目标分布式识别。
优选地,所述的步骤1具体为:
在云中心训练深度神经网络,判断深度神经网络模型的性能指标是否达到第一预设阈值,若是,则执行步骤2,否则,重复执行步骤1。
更加优选地,所述步骤1中神经网络模型的性能指标为准确率,具体计算方法为:
更加优选地,所述的第一预设阈值为70%。
优选地,所述的步骤2具体为:
步骤1中获得的深度神经网络模型包括N层中间层,将神经网络模型划分为N边和N域两个子神经网络模型,获得拆分后的深度神经网络模型,其中子神经网络N边包括a个中间层,子神经网络N域包括N-a个中间层,随机设置a的取值,然后执行步骤3。
优选地,所述的步骤4具体为:
步骤4-1:使用枚举法获得参数a的所有取值,然后针对每个参数a所对应的分布式深度神经网络模型,分别重复执行p次;
步骤4-2:获得参数a每个取值所对应分布式深度神经网络的平均性能指标、平均准确率AC2以及平均识别速度;
步骤4-3:选取平均准确率AC2大于第三预设阈值的参数a取值,然后再选取识别速度最快的参数a取值,获得最终a的取值;
步骤4-3:调整模型中k-means聚类子模型的聚类簇的数量;
步骤4-4:判断当前重复次数是否达到第四预设阈值t,若是,则执行步骤4-5,否则,返回步骤1;
步骤4-5:选取平均性能指标最大时所对应的分布式深度神经网络,完成模型优化,获得优化后的分布式深度神经网络模型。
更加优选地,所述准确率AC2的第三预设阈值为68%。
更加优选地,所述的p的取值范围为[3,20]。
更加优选地,所述的平均性能指标为:
其中,vi为模型的识别速度;Wi为模型的功耗;w1和w2分别为识别速度和功耗的权重。
更加优选地,所述的第四预设阈值t的取值范围为[50,150]。
与现有技术相比,本发明具有以下优点:
一、在边缘侧应用神经网络,实现目标识别:本发明中的目标分布式识别方法将深度神经网络模型拆分为两个子模型,然后将两个子模型分别部署在边缘设备和边缘域中心,同时在边缘设备侧还设有聚类子模型,最终通过分布式深度神经网络模型来实现目标识别,在进行大规模目标识别时,提高了识别速度,增强了可靠性。
二、数据传输量低,识别速度快:本发明中的分布式深度神经网络模型在边缘设备侧设有k-means聚类子模型,用来对边缘侧深度神经网络子模型的输出数据进行压缩,然后在边缘域中心进行解压缩,大大降低了数据传输量,提高了模型的识别速度。
三、在降低系统总体能耗与处理时间的同时,也保证了目标识别的精度:本发明中的分布式目标识别方法设有对分布式深度神经网络模型的优化过程,通过优化获得分布式深度神经网络的各项最优参数以及k-means聚类子模型中聚类簇数量,从而兼顾系统的总体能耗、处理时间以及目标识别的精度。
附图说明
图1为本发明中目标分布式识别方法的流程示意图;
图2为本发明实施例中进行目标分布式识别的结构示意图;
图3为本发明实施例中分布式神经网络模型的结构示意图;
图4为本发明实施例中未经聚类转换的基础神经网络与使用聚类转换的改进神经网络的测试集准确率对比图。
具体实施方式
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的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
一种基于聚类特征提取的目标分布式识别方法,其流程如图1所示,包括:
步骤1:在云中心训练深度神经网络,获得高精度深度神经网络模型;
具体方法为:在云中心训练深度神经网络,判断深度神经网络模型的性能指标是否达到第一预设阈值,若是,则执行步骤2,否则,重复执行步骤1;
本实施例中深度神经网络模型的性能指标选取准确率,计算方法为:
第一预设阈值为70%,即在对深度神经网络模型进行训练时,需要将其准确率训练到大于70%,以提高整个模型的识别准确率。
步骤2:将深度神经网络模型划分为N边和N域两个子神经网络模型,获得拆分后的深度神经网络模型;
具体方法为:步骤1中获得的深度神经网络模型包括N层中间层,将神经网络模型划分为N边和N域两个子神经网络模型,获得拆分后的深度神经网络模型,其中子神经网络N边包括a个中间层,子神经网络N域包括N-a个中间层,先随意选取参数a的取值,然后执行步骤3。
步骤3:将N边和k-means聚类子模型部署在边缘设备,将N域部署于边缘域中心,k-means聚类子模型与N边的输出端相连,获得分布式深度神经网络模型,即本实施例中的分布式深度神经网络模型包括:
(1)子神经网络模型N边;
(2)k-means聚类子模型;
(3)子神经网络模型N域。
如图2所示,子神经网络模型N边和k-means聚类子模型均部署在边缘设备上,子神经网络模型N边的输出层与k-means聚类子模型的输入层相连;子神经网络模型N域部署在边缘域中心,用于在域中心接收由k-means聚类子模型输出层输出的数据,最终获得的分布式深度神经网络模型如图3所示。
步骤4:对分布式神经网络模型进行优化,获得优化后的分布式深度神经网络模型;
具体优化方法为:
步骤4-1:使用枚举法获得参数a的所有取值,然后针对每个参数a所对应的分布式深度神经网络模型,分别重复执行p次,p的取值范围为[3,20];
步骤4-2:获得参数a每个取值所对应分布式深度神经网络的平均性能指标、平均准确率AC2以及平均识别速度;
平均性能指标的计算方法为:
其中,vi为模型的识别速度;Wi为模型的功耗;w1和w2分别为识别速度和功耗的权重;
步骤4-3:选取平均准确率AC2大于第三预设阈值的参数a取值,然后再选取识别速度最快的参数a取值,获得最终a的取值,准确率AC2的第三预设阈值为68%;
步骤4-3:调整模型中k-means聚类子模型的聚类簇的数量;
步骤4-4:判断当前重复次数是否达到第四预设阈值t,若是,则执行步骤4-5,否则,返回步骤1,第四预设阈值t的取值范围为[50,150];
步骤4-5:选取平均性能指标最大时所对应的分布式深度神经网络,完成模型优化,获得优化后的分布式深度神经网络模型。
步骤5:使用步骤4中优化后的分布式深度神经网络模型完成目标分布式识别。
本实施例中优化后的分布式深度神经网络模型运行过程如下:
边缘设备接收并处理信号,生成m维输出向量n边,然后对n边进行k-means聚类,生成k个聚类簇并得到由各聚类簇中心点组成的k维向量n1,随后为每个聚类簇赋予不同的k个标签,使边缘设备输出向量n边可以映射为m维标签向量n2;
然后边缘设备将聚类簇中心点组成的向量n1与m维标签向量n2发送到边缘域中心;
边缘域中心在接收到向量n1和n2后,将向量n2中的标签替换为向量n1中的中心点坐标,即可得到m维向量n域,并将其作为边缘域中心子神经网络N域的输入,边缘域中心根据这一输入进行处理,最终得到相应的识别结果。
本实施例中分布式神经网络模型的结构示意图如图3所示,图中的方框内容表示对神经网络的输出量进行聚类,聚类簇数量设为3,最终得到三个中心点(0.3,1.5,2.7),并用中心点对原来的输出相量进行近似表示,作为下一层的输入。
下面对本实施例中的数据传输量进行分析:
令一个实数占用的数据位数为B,由上述步骤可知,未经过聚类转换时边缘设备输出向量n边的维数以及经过聚类转化后各聚类簇中心点向量n1的维数均为m;经过聚类转换后的标签向量n2的维数为k。由此,可以得到未经过聚类转换时,数据传输量为m·B;经过本实施例中的聚类转换后,数据传输量为k·B+m[log2k]。两者相比,可得:
若假设B=1024,m=32,k=9,则
即在上述假设下,使用本方案中分布式目标识别方法时,数据传输通信量下降至原模型数据传输通信量的13.38%。
下面对本实施例中的模型识别精度进行分析:
未经聚类转换的基础神经网络与使用聚类转换的改进神经网络的测试集准确率对比如图4所示,该图对比了未经过聚类转换的基础神经网络与本方案中使用聚类转换的改进神经网络,在聚类簇为2~10情况下,各自的预测准确率曲线图。图中虚线表示未经过聚类转换的基础神经网络在每一轮迭代中的测试集准确率,实线表示基于比特域特征提取的改进神经网络在每一轮迭代中的测试集准确率。从图中可以看出,本方案中基于聚类特征提取的目标分布式识别方法,在聚类簇数量为9时,可达到最大识别精度84.3%,且识别精度始终高于未经过聚类转换的基础神经网络目标分布式识别方法。这表示分布式神经网络在降低系统总体能耗与处理时间的同时,也保证了目标识别推断的精度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于聚类特征提取的目标分布式识别方法,其特征在于,包括:
步骤1:在云中心训练深度神经网络,获得深度神经网络模型;
步骤2:将深度神经网络模型划分为N边和N域两个子神经网络模型,获得拆分后的深度神经网络模型;
步骤3:将N边和k-means聚类子模型部署在边缘设备,将N域部署于边缘域中心,k-means聚类子模型与N边的输出端相连,获得分布式深度神经网络模型;
步骤4:对分布式神经网络模型进行优化,获得优化后的分布式深度神经网络模型;
步骤5:使用步骤4中优化后的分布式深度神经网络模型完成目标分布式识别;
所述的步骤4具体为:
步骤4-1:使用枚举法获得参数a的所有取值,然后针对每个参数a所对应的分布式深度神经网络模型,分别重复执行p次,其中a为子神经网络N边的中间层数量;
步骤4-2:获得参数a每个取值所对应分布式深度神经网络的平均性能指标、平均准确率AC2以及平均识别速度;
步骤4-3:选取平均准确率AC2大于第三预设阈值的参数a取值,然后再选取识别速度最快的参数a取值,获得最终a的取值;
步骤4-3:调整模型中k-means聚类子模型的聚类簇的数量;
步骤4-4:判断当前重复次数是否达到第四预设阈值t,若是,则执行步骤4-5,否则,返回步骤4-1;
步骤4-5:选取平均性能指标最大时所对应的分布式深度神经网络,完成模型优化,获得优化后的分布式深度神经网络模型;
分布式深度神经网络模型在边缘设备侧设有k-means聚类子模型,用来对边缘侧深度神经网络子模型的输出数据进行压缩,然后在边缘域中心进行解压缩;分布式目标识别方法设有对分布式深度神经网络模型的优化过程,通过优化获得分布式深度神经网络的各项最优参数以及k-means聚类子模型中聚类簇数量;
边缘设备接收并处理信号,生成m维输出向量n边,然后对n边进行k-means聚类,生成k个聚类簇并得到由各聚类簇中心点组成的k维向量n1,随后为每个聚类簇赋予不同的k个标签,使边缘设备输出向量n边映射为m维标签向量n2;
然后边缘设备将聚类簇中心点组成的向量n1与m维标签向量n2发送到边缘域中心;
边缘域中心在接收到向量n1和n2后,将向量n2中的标签替换为向量n1中的中心点坐标,得到m维向量n域,并将其作为边缘域中心子神经网络N域的输入,边缘域中心根据这一输入进行处理,最终得到相应的识别结果。
2.根据权利要求1所述的一种基于聚类特征提取的目标分布式识别方法,其特征在于,所述的步骤1具体为:
在云中心训练深度神经网络,判断深度神经网络模型的性能指标是否达到第一预设阈值,若是,则执行步骤2,否则,重复执行步骤1。
4.根据权利要求2所述的一种基于聚类特征提取的目标分布式识别方法,其特征在于,所述的第一预设阈值为70%。
5.根据权利要求1所述的一种基于聚类特征提取的目标分布式识别方法,其特征在于,所述的步骤2具体为:
步骤1中获得的深度神经网络模型包括N层中间层,将神经网络模型划分为N边和N域两个子神经网络模型,获得拆分后的深度神经网络模型,其中子神经网络N边包括a个中间层,子神经网络N域包括N-a个中间层,随机设置a的取值,然后执行步骤3。
6.根据权利要求1所述的一种基于聚类特征提取的目标分布式识别方法,其特征在于,所述准确率AC2的第三预设阈值为68%。
7.根据权利要求1所述的一种基于聚类特征提取的目标分布式识别方法,其特征在于,所述的p的取值范围为[3,20]。
9.根据权利要求1所述的一种基于聚类特征提取的目标分布式识别方法,其特征在于,所述的第四预设阈值t的取值范围为[50,150]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735723.1A CN111914923B (zh) | 2020-07-28 | 2020-07-28 | 一种基于聚类特征提取的目标分布式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735723.1A CN111914923B (zh) | 2020-07-28 | 2020-07-28 | 一种基于聚类特征提取的目标分布式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914923A CN111914923A (zh) | 2020-11-10 |
CN111914923B true CN111914923B (zh) | 2022-11-18 |
Family
ID=73281479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010735723.1A Active CN111914923B (zh) | 2020-07-28 | 2020-07-28 | 一种基于聚类特征提取的目标分布式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914923B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106452452A (zh) * | 2016-09-08 | 2017-02-22 | 电子科技大学 | 一种基于K‑means聚类的全脉冲数据无损压缩方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3791321A1 (en) * | 2018-05-21 | 2021-03-17 | Neurala, Inc. | Systems and methods for deep neural networks on device learning (online and offline) with and without supervision |
-
2020
- 2020-07-28 CN CN202010735723.1A patent/CN111914923B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106452452A (zh) * | 2016-09-08 | 2017-02-22 | 电子科技大学 | 一种基于K‑means聚类的全脉冲数据无损压缩方法 |
Non-Patent Citations (1)
Title |
---|
Neurosurgeon: Collaborative Intelligence Between the Cloud and Mobile Edge;Yiping Kang et al.;《ACM SIGPLAN Notices》;20170404;第52卷(第4期);第616、621-623页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914923A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
CN112115830B (zh) | 一种基于比特域特征提取的目标分布式融合识别方法 | |
CN116362325A (zh) | 一种基于模型压缩的电力图像识别模型轻量化应用方法 | |
CN114239861A (zh) | 基于多教师联合指导量化的模型压缩方法及系统 | |
CN112487938A (zh) | 一种利用深度学习算法实现垃圾分类的方法 | |
CN113642486A (zh) | 一种具有机载前端识别模型的无人机配网巡检方法 | |
CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN114169506A (zh) | 一种基于工业物联网平台的深度学习边缘计算系统框架 | |
CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN111914923B (zh) | 一种基于聚类特征提取的目标分布式识别方法 | |
CN117392406A (zh) | 一种单阶段实时目标检测模型低位宽混合精度量化方法 | |
CN114640669A (zh) | 边缘计算方法及装置 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN114401063B (zh) | 基于轻量化模型的边缘设备协同频谱智能监测方法和系统 | |
CN111797991A (zh) | 一种深度网络模型压缩系统、方法及装置 | |
CN114781598A (zh) | 一种基于分层神经网络分布式训练的故障预测方法 | |
CN113033653A (zh) | 一种边-云协同的深度神经网络模型训练方法 | |
CN112685176A (zh) | 一种改进ddnn的资源受限边缘计算方法 | |
CN112486667A (zh) | 一种基于边缘计算精准处理数据的方法及装置 | |
CN112016684A (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
CN109919203A (zh) | 一种基于离散动态机制的数据分类方法及装置 |
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 |