CN112115830A - 一种基于比特域特征提取的目标分布式融合识别方法 - Google Patents

一种基于比特域特征提取的目标分布式融合识别方法 Download PDF

Info

Publication number
CN112115830A
CN112115830A CN202010945655.1A CN202010945655A CN112115830A CN 112115830 A CN112115830 A CN 112115830A CN 202010945655 A CN202010945655 A CN 202010945655A CN 112115830 A CN112115830 A CN 112115830A
Authority
CN
China
Prior art keywords
neural network
edge
distributed
target
domain feature
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
Application number
CN202010945655.1A
Other languages
English (en)
Other versions
CN112115830B (zh
Inventor
赵生捷
王德祯
张�林
张荣庆
肖京
马慧生
吕征南
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202010945655.1A priority Critical patent/CN112115830B/zh
Publication of CN112115830A publication Critical patent/CN112115830A/zh
Application granted granted Critical
Publication of CN112115830B publication Critical patent/CN112115830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明涉及一种基于比特域特征提取的目标分布式融合识别方法，用于边缘设备和边缘域融合中心中，方法包括以下步骤：1)从多种边缘设备中获取感知信号；2)获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络通过对输出信号进行比特域特征提取，生成比特域特征向量，从而进行数据传输3)载入感知信号，获取目标识别结果。与现有技术相比，本发明可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，进行数据传输，缓解云中心的计算存储压力和网络带宽压力，并提高目标识别过程的响应速度。

Description

一种基于比特域特征提取的目标分布式融合识别方法
技术领域
本发明涉及目标识别领域，尤其是涉及一种基于比特域特征提取的目标分布式融合识别方法。
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。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。
人工智能技术特别是深度学习方法已经在图像/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。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未考虑在边缘侧应用神经网络进行目标识别的缺陷而提供一种基于比特域特征提取的目标分布式融合识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于比特域特征提取的目标分布式融合识别方法，用于边缘侧通信网络拓扑结构中，所述边缘侧通信网络拓扑结构包括多种边缘设备和边缘域融合中心，所述方法包括以下步骤：
信号获取步骤：从所述多种边缘设备中获取感知信号；
神经网络部署步骤：获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分所述深度神经网络，并部署到所述多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；
所述边缘设备中部署的所述深度神经网络中设有信号压缩单元，所述信号压缩单元，用于对所述边缘设备中部署的深度神经网络的输出信号，进行比特域特征提取，生成比特域特征向量；
所述边缘域融合中心根据所述比特域特征向量进行目标识别；
目标识别步骤：将所述感知信号载入所述分布式神经网络架构中，获取目标识别结果。
进一步地，所述信号压缩单元第一信号压缩层和第二信号压缩层；
所述第一信号压缩层采用第一激活函数，将所述边缘设备中部署的深度神经网络的输出信号的各维实数值映射到0至1之间；
所述第二信号压缩层连接所述第一信号压缩层，所述第二信号压缩层采用第二激活函数，将所述第一信号压缩层映射到0至1之间的各维实数值映射到0和1上，生成比特域特征向量。
进一步地，所述第一激活函数为sigmoid激活函数。
进一步地，所述第二激活函数的表达式为：
Figure BDA0002675224080000021
式中，y为第二激活函数的输出，x为第二激活函数的输入，ε为调整阈值。
进一步地，所述神经网络部署步骤中，所述部署规则根据所述边缘设备的计算能力和通信能力构建。
进一步地，所述方法还包括：
平均性能计算步骤：重复执行所述目标识别步骤，直至达到预设的第一次数，获取所述分布式神经网络架构的平均性能；
神经网络调整步骤：调整所述分布式神经网络架构的层数和参数，并重复执行所述信号获取步骤、神经网络部署步骤、目标识别步骤和平均性能计算步骤，直至达到预设的第二次数，将所述平均性能最优的所述分布式神经网络架构，作为最优的分布式神经网络架构，采用该最优的分布式神经网络架构进行目标识别。
进一步地，所述第一次数的取值范围在3至20范围以内。
进一步地，所述第二次数的取值范围在50至150范围以内。
进一步地，所述平均性能的计算指标包括识别速度和功耗。
与现有技术相比，本发明具有以下优点：
(1)本发明提出分布式深度神经网络架构，该架构可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，同时边缘设备只向边缘域融合中心传输压缩后的特征数据；
在边缘侧进行目标识别计算，可缓解云中心的计算存储压力，并提高目标识别过程的响应速度；
通过对目标信号进行特征量化压缩，得到信息量较小的比特域特征数据，进行数据传输，减少了网络传输的数据量，从而有效降低边缘设备和边缘域融合中心的传输通信量，缓解了网络带宽压力。
(2)本发明在考虑边缘设备及边缘域融合中心的计算与通信能力的基础上，通过计算每次划分后分布式神经网络架构平均性能，实现对分布式神经网络架构的神经网络隐藏层进行最优划分，以此降低了总体的能耗和处理时间。
附图说明
图1为本发明基于比特域特征提取的目标分布式融合识别方法的整体流程示意图；
图2为本发明基于比特域特征提取的目标分布式融合识别方法的数据传输示意图；
图3为本发明分布式深度神经网络架构的结构示意图；
图4为未使用比特域的基础神经网络在每一轮迭代中的测试集准确率曲线图；
图5为本发明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曲线图；
图中，epochs为迭代次数，accuracy为准确率，baseline为基础神经网络曲线，trasformed为改进神经网络曲线。
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1
本实施例提供一种基于比特域特征提取的目标分布式融合识别方法，用于边缘侧通信网络拓扑结构中，边缘侧通信网络拓扑结构包括多种边缘设备和边缘域融合中心，
下面从方法概述、详细实施过程、具体应用和结果对比四个方面对本实施例方法进行描述。
一、方法概述
如图1所示，本实施例基于比特域特征提取的目标分布式融合识别方法，包括以下步骤：
信号获取步骤S1：从多种边缘设备中获取感知信号；
神经网络部署步骤S2：获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；
边缘设备中部署的深度神经网络中设有信号压缩单元，信号压缩单元，用于对边缘设备中部署的深度神经网络的输出信号，进行比特域特征提取，生成比特域特征向量；
边缘域融合中心根据比特域特征向量进行目标识别。
目标识别步骤S3：将感知信号载入分布式神经网络架构中，获取目标识别结果。
下面对各步骤进行具体描述。
1、信号压缩单元
信号压缩单元第一信号压缩层和第二信号压缩层；
第一信号压缩层采用第一激活函数，将边缘设备中部署的深度神经网络的输出信号的各维实数值映射到0至1之间；
第二信号压缩层连接第一信号压缩层，第二信号压缩层采用第二激活函数，将第一信号压缩层映射到0至1之间的各维实数值映射到0和1上，生成比特域特征向量。
第一激活函数为sigmoid激活函数。
第二激活函数的表达式为：
Figure BDA0002675224080000051
式中，y为第二激活函数的输出，x为第二激活函数的输入，ε为调整阈值。
2、部署规则
神经网络部署步骤中，部署规则根据边缘设备的计算能力和通信能力构建。
3、其它步骤
本实施例目标分布式融合识别方法还包括：
平均性能计算步骤S4：重复执行目标识别步骤，直至达到预设的第一次数，获取分布式神经网络架构的平均性能；
神经网络调整步骤S5：调整分布式神经网络架构的层数和参数，并重复执行信号获取步骤、神经网络部署步骤、目标识别步骤和平均性能计算步骤，直至达到预设的第二次数，将平均性能最优的分布式神经网络架构，作为最优的分布式神经网络架构，采用该最优的分布式神经网络架构进行目标识别。
第一次数的取值范围在3至20范围以内。第二次数的取值范围在50至150范围以内。平均性能的计算指标包括识别速度和功耗。
二、详细实施过程
本实施例提供的基于比特域特征提取的目标分布式融合识别方法，具有以下两点特征：
a、提出分布式深度神经网络架构，该架构可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征。同时边缘设备只向边缘域融合中心传输压缩后的特征数据，从而有效降低边缘设备和边缘域融合中心的传输通信量；
b、该神经网络架构在考虑边缘设备及边缘域融合中心的计算与通信能力的基础上，对神经网络隐层进行最优划分，以此降低总体的能耗和处理时间。
具体包括以下步骤：
步骤1：根据边缘侧通信网络拓扑结构，设计一个分布式执行的总体深度神经网络模型。网络模型中对应边缘设备的部分需要能够量化压缩感知信号，为实现这一目的，边缘设备网络的倒数第二层使用sigmoid激活函数将该层输入向量的各维实数值映射到(0,1)之间，最后一层使用如下的激活函数将该层输入的各维实数值映射到0或1上：
Figure BDA0002675224080000061
其中ε为阈值，具体取值需根据实际应用场景调整。位于边缘域融合中心的网络可以接收并融合来自多个边缘设备神经网络的输入，进而输出最终的识别结果。
浮点数在计算机里存储的长度是4字节32比特，而0、1只是一个比特；将各维实数值映射到0或1上的做法相当于牺牲精度，换取存储长度。即使是只有0和1，也可以表示信息，比如0101101。而且试验结果也表明实际上识别精度下降的不是很厉害。
步骤2：利用标注数据样本对上述模型进行训练，使其具有高识别精度。随后将这一模型按照边缘侧通信网络拓扑结构进行拆分，并部署到各边缘设备和边缘域融合中心。
步骤3：进行实际的目标识别推断。具体流程为，将各个边缘设备获得的不同高维感知信号作为自身部署神经网络的输入，各神经网络经过处理后输出一个比特域特征向量。随后边缘设备上的特征数据经由通信网络传递到边缘域融合中心，边缘域融合中心再将这些多源异构特征作为自身部署神经网络的输入，经融合处理后最终得到识别结果。
步骤4：将步骤4反复执行m次，可以得到当前总体深度神经网络模型的平均性能(识别速度和功耗)，根据统计学理论，通常m∈[3,20]。以平均性能作为参照，调整神经网络的层数与参数，并重复t次执行步骤1～4(t∈[50,150])，最终将得到性能最优的总体深度神经网络模型。
调整神经网络的参数包括子网络间的划分点以及神经网络训练参数。
三、具体应用
如图2所示，首先定义目标问题，本发明所解决的问题是利用基于比特域特征提取的神经网络，有效降低目标对象识别过程中，边缘设备和边缘域融合中心的数据传输通信量。其中，目标对象指的是边缘设备所感知的客观对象，如战机、潜艇等。边缘侧指的是地理上相对于云中心的网络边缘。边缘侧由若干边缘设备组成，边缘设备可以对目标对象进行侦测感知获得电磁信号(如通信信号、雷达信号、光电信号等)。在信息采集过程中，边缘设备首先获得结构化的侦察数据向量x＝(xp,xm)，其中子向量xp表示采集节点(边缘设备)的相关信息，包括节点类型、位置、采样时间等，子向量xm表示目标对象的特征参数信息，对不同类型的电磁信号其特征参数各不相同。例如通信信号特征参数主要有：工作频段、载波频率、调制样式、信号持续时间、功率电平、通信体制、发射机位置等；雷达信号特征参数主要有：射频及其变化特性、脉冲宽度及其调制特性、脉内频率或相位调制特性、天线扫描类型、扫描周期、方向图和极化特性等；光电信号特征参数主要是图像或视频形式的张量数据等。不同的电磁信号代表了具有不同属性的目标对象，因此通过解析电磁信号即可反推出目标对象。
边缘设备往往负责获取电磁信号并将其传递给边缘域融合中心，然而这一过程中往往存在传输压力大与响应延迟高的缺陷。本发明中的方案可将边缘设备输出的数据进行量化压缩，得到信息量较小的比特域特征数据，随后将该特征数据传递给边缘域，从而达到缓解带宽压力与提高系统实时性的目的。
以下是一种基于比特域特征提取的目标分布式融合识别方法的具体实现步骤：
步骤1：根据边缘侧通信网络拓扑结构，设计一个分布式执行的总体深度神经网络模型。网络模型中对应边缘设备的部分需要能够量化压缩感知信号，为实现这一目的，边缘设备网络的倒数第二层使用sigmoid激活函数将该层输入向量的各维实数值映射到(0,1)之间，最后一层使用如下的激活函数将该层输入的各维实数值映射到0或1上：
Figure BDA0002675224080000071
其中ε为阈值，具体取值需根据实际应用场景调整。位于边缘域融合中心的网络可以接收并融合来自多个边缘设备神经网络的输入，进而输出最终的识别结果。
步骤2：利用标注数据样本对上述模型进行训练，使其具有高识别精度。随后将这一模型按照边缘侧通信网络拓扑结构进行拆分，并部署到各边缘设备和边缘域融合中心。
步骤3：进行实际的目标识别推断。具体流程为，将各个边缘设备获得的不同高维感知信号作为自身部署神经网络的输入，各神经网络经过处理后输出一个比特域特征向量。随后边缘设备上的特征数据经由通信网络传递到边缘域融合中心，边缘域融合中心再将这些多源异构特征作为自身部署神经网络的输入，经融合处理后最终得到识别结果。
步骤4：将步骤4反复执行m次，可以得到当前总体深度神经网络模型的平均性能(识别速度和功耗)，根据统计学理论，通常m∈[3,20]。以平均性能作为参照，调整神经网络的层数与参数，并重复t次执行步骤1～4(t∈[50,150])，最终将得到性能最优的总体深度神经网络模型。
四、结果对比
图2描述了基于边缘计算的分布式神经网络目标融合识别的工作流程，图3给出了分布式神经网络的网络结构示意图。基于图2和图3，本发明实现了上述方法的实例并提出改进方案，同时将最终识别结果与未使用比特域的基础神经网络目标融合识别方法进行对比。
令一个实数占用的数据位数为B；边缘设备输出向量的维数为m。
由此，可以得到未使用比特域时的基础神经网络边缘设备与边缘域融合中心的数据传输量为：m·B；本方案中基于比特域特征提取的改进神经网络边缘设备与边缘域融合中心的数据传输量为：m·1＝m。二者作比，可得
Figure BDA0002675224080000081
Figure BDA0002675224080000082
若假设，B＝32，则有
Figure BDA0002675224080000083
即在此情况下，本方案将数据传输通信量降至原始模型数据传输通信量的3.13％。
图4和图5对比了基于边缘计算的分布式神经网络与未使用比特域的基础神经网络的预测准确率，左图为未使用比特域的基础神经网络在每一轮迭代中的测试集准确率，右图为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，基于比特域特征提取的改进神经网络，在实现缓解带宽压力与提高系统实时性的前提下，与基础神经网络的准确率变化曲线基本保持一致。其中，基于比特域特征提取的改进神经网络在第135轮迭代中取得的最高测试集准确率为83.5％，与基础神经网络的最高测试集准确率(85.0％)十分接近。这表示基于比特域特征提取的改进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。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于比特域特征提取的目标分布式融合识别方法，用于边缘侧通信网络拓扑结构中，所述边缘侧通信网络拓扑结构包括多种边缘设备和边缘域融合中心，其特征在于，所述方法包括以下步骤：
信号获取步骤：从所述多种边缘设备中获取感知信号；
神经网络部署步骤：获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分所述深度神经网络，并部署到所述多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；
所述边缘设备中部署的所述深度神经网络中设有信号压缩单元，所述信号压缩单元，用于对所述边缘设备中部署的深度神经网络的输出信号，进行比特域特征提取，生成比特域特征向量；
所述边缘域融合中心根据所述比特域特征向量进行目标识别；
目标识别步骤：将所述感知信号载入所述分布式神经网络架构中，获取目标识别结果。
2.根据权利要求1所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述信号压缩单元第一信号压缩层和第二信号压缩层；
所述第一信号压缩层采用第一激活函数，将所述边缘设备中部署的深度神经网络的输出信号的各维实数值映射到0至1之间；
所述第二信号压缩层连接所述第一信号压缩层，所述第二信号压缩层采用第二激活函数，将所述第一信号压缩层映射到0至1之间的各维实数值映射到0和1上，生成比特域特征向量。
3.根据权利要求2所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述第一激活函数为sigmoid激活函数。
4.根据权利要求2所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述第二激活函数的表达式为：
Figure FDA0002675224070000011
式中，y为第二激活函数的输出，x为第二激活函数的输入，ε为调整阈值。
5.根据权利要求1所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述神经网络部署步骤中，所述部署规则根据所述边缘设备的计算能力和通信能力构建。
6.根据权利要求1所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述方法还包括：
平均性能计算步骤：重复执行所述目标识别步骤，直至达到预设的第一次数，获取所述分布式神经网络架构的平均性能；
神经网络调整步骤：调整所述分布式神经网络架构的层数和参数，并重复执行所述信号获取步骤、神经网络部署步骤、目标识别步骤和平均性能计算步骤，直至达到预设的第二次数，将所述平均性能最优的所述分布式神经网络架构，作为最优的分布式神经网络架构，采用该最优的分布式神经网络架构进行目标识别。
7.根据权利要求6所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述第一次数的取值范围在3至20范围以内。
8.根据权利要求6所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述第二次数的取值范围在50至150范围以内。
9.根据权利要求6所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述平均性能的计算指标包括识别速度和功耗。
10.根据权利要求1所述的一种基于比特域特征提取的目标分布式融合识别方法，其特征在于，所述边缘域融合中心部署在云端。
CN202010945655.1A 2020-09-10 2020-09-10 一种基于比特域特征提取的目标分布式融合识别方法 Active CN112115830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010945655.1A CN112115830B (zh) 2020-09-10 2020-09-10 一种基于比特域特征提取的目标分布式融合识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010945655.1A CN112115830B (zh) 2020-09-10 2020-09-10 一种基于比特域特征提取的目标分布式融合识别方法

Publications (2)

Publication Number Publication Date
CN112115830A true CN112115830A (zh) 2020-12-22
CN112115830B CN112115830B (zh) 2023-06-02

Family

ID=73803665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010945655.1A Active CN112115830B (zh) 2020-09-10 2020-09-10 一种基于比特域特征提取的目标分布式融合识别方法

Country Status (1)

Country Link
CN (1) CN112115830B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818788A (zh) * 2021-01-25 2021-05-18 电子科技大学 一种基于无人机集群的分布式卷积神经网络分层匹配方法
CN114460566A (zh) * 2022-01-04 2022-05-10 中国科学院声学研究所东海研究站 水声目标实时识别方法、系统及装置
CN114785792A (zh) * 2022-06-17 2022-07-22 东云睿连(武汉)计算技术有限公司 一种云边协同的视频双路分析装置与方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109525292A (zh) * 2018-12-24 2019-03-26 东南大学 一种采用比特级优化网络的信道信息压缩反馈方法
CN111008701A (zh) * 2019-12-03 2020-04-14 杭州嘉楠耘智信息科技有限公司 一种基于神经网络的数据量化方法、装置及计算机可读存储介质
CN111222532A (zh) * 2019-10-23 2020-06-02 西安交通大学 具有分类精度保持和带宽保护的边云协同深度学习模型训练方法
CN111401412A (zh) * 2020-02-29 2020-07-10 同济大学 一种基于平均共识算法的物联网环境下分布式软聚类方法
CN111445026A (zh) * 2020-03-16 2020-07-24 东南大学 面向边缘智能应用的深度神经网络多路径推理加速方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109525292A (zh) * 2018-12-24 2019-03-26 东南大学 一种采用比特级优化网络的信道信息压缩反馈方法
CN111222532A (zh) * 2019-10-23 2020-06-02 西安交通大学 具有分类精度保持和带宽保护的边云协同深度学习模型训练方法
CN111008701A (zh) * 2019-12-03 2020-04-14 杭州嘉楠耘智信息科技有限公司 一种基于神经网络的数据量化方法、装置及计算机可读存储介质
CN111401412A (zh) * 2020-02-29 2020-07-10 同济大学 一种基于平均共识算法的物联网环境下分布式软聚类方法
CN111445026A (zh) * 2020-03-16 2020-07-24 东南大学 面向边缘智能应用的深度神经网络多路径推理加速方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邹颖: "面向边缘计算的分布式深度神经网络研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818788A (zh) * 2021-01-25 2021-05-18 电子科技大学 一种基于无人机集群的分布式卷积神经网络分层匹配方法
CN114460566A (zh) * 2022-01-04 2022-05-10 中国科学院声学研究所东海研究站 水声目标实时识别方法、系统及装置
CN114460566B (zh) * 2022-01-04 2024-04-30 中国科学院声学研究所东海研究站 水声目标实时识别方法、系统及装置
CN114785792A (zh) * 2022-06-17 2022-07-22 东云睿连(武汉)计算技术有限公司 一种云边协同的视频双路分析装置与方法
CN114785792B (zh) * 2022-06-17 2022-09-16 东云睿连(武汉)计算技术有限公司 一种云边协同的视频双路分析装置与方法

Also Published As

Publication number Publication date
CN112115830B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
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
Liu et al. Big-data-based intelligent spectrum sensing for heterogeneous spectrum communications in 5G
CN112152948A (zh) 一种无线通信处理的方法和装置
Hossain et al. A deep-tree-model-based radio resource distribution for 5G networks
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
CN113505883A (zh) 一种神经网络训练方法以及装置
Gupta et al. Machine learning-based urban canyon path loss prediction using 28 ghz manhattan measurements
Mussina et al. Multi-modal data fusion using deep neural network for condition monitoring of high voltage insulator
CN114553648A (zh) 基于时空图卷积神经网络的无线通信调制模式识别方法
CN113595993A (zh) 边缘计算下模型结构优化的车载感知设备联合学习方法
Lins et al. Artificial intelligence for enhanced mobility and 5G connectivity in UAV-based critical missions
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
WO2023231635A1 (zh) 一种模型传输的方法及装置
CN117349784A (zh) 遥感数据的处理方法、装置及设备
CN114640669A (zh) 边缘计算方法及装置
Sun et al. Semantic-driven computation offloading and resource allocation for UAV-assisted monitoring system in vehicular networks
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
Minu et al. An efficient squirrel search algorithm based vector quantization for image compression in unmanned aerial vehicles
Liu et al. MRISNet: Deep-learning-based Martian instance segmentation against blur
Sirojan et al. Enabling deep learning on embedded systems for iot sensor data analytics: Opportunities and challenges
Li et al. An electromagnetic situation calculation method based on edge computing and cloud computing
CN111914923B (zh) 一种基于聚类特征提取的目标分布式识别方法
Wang et al. Edge video analytics with adaptive information gathering: a deep reinforcement learning approach
Zhang et al. Network traffic classification method based on subspace triple attention mechanism
Waheed et al. DeepChannel: Robust Multimodal Outdoor Channel Model Prediction in LTE Networks Using Deep Learning

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