CN112486668A - 一种分布式人工智能计算方法、物联网节点和存储介质 - Google Patents

一种分布式人工智能计算方法、物联网节点和存储介质 Download PDF

Info

Publication number
CN112486668A
CN112486668A CN202011212345.5A CN202011212345A CN112486668A CN 112486668 A CN112486668 A CN 112486668A CN 202011212345 A CN202011212345 A CN 202011212345A CN 112486668 A CN112486668 A CN 112486668A
Authority
CN
China
Prior art keywords
internet
things
nodes
node
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.)
Pending
Application number
CN202011212345.5A
Other languages
English (en)
Inventor
李发明
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.)
Shenzhen Zhongbo Kechuang Information Co ltd
Original Assignee
Shenzhen Zhongbo Kechuang Information Co ltd
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 Shenzhen Zhongbo Kechuang Information Co ltd filed Critical Shenzhen Zhongbo Kechuang Information Co ltd
Priority to CN202011212345.5A priority Critical patent/CN112486668A/zh
Publication of CN112486668A publication Critical patent/CN112486668A/zh
Pending legal-status Critical Current

Links

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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种分布式人工智能计算方法、物联网节点和存储介质，其中所述方法用于包括多个物联网节点的多跳网络，其包括：获取至少一组关于有监督人工神经网络模型的学习样本数据，将多个计算任务分配信息分别发送至所述多个物联网节点，在物联网节点根据学习样本数据、权值信息和激活函数信息完成计算任务获取计算结果，根据计算结果和标签数据计算误差数据，根据误差数据更新各个物联网节点的权值信息；实施本发明能够使物联网节点组成的分布式人工智能计算网络学习样本数据中的特征，提高计算网络的识别精度，降低误差。

Description

一种分布式人工智能计算方法、物联网节点和存储介质
技术领域
本发明涉及分布式计算技术领域，尤其是分布式人工智能计算方法、物联网节点和存储介质。
背景技术
随着物联网技术的发展，物联网节点越来越多，越来越密集，这些物联网节点通常由电池供电，因此它们的计算能力往往有限，而且由于受到电池寿命的限制，这些物联网节点并不适合单独承担较为复杂的基于有监督人工神经网络模型的人工智能计算任务，例如基于人工神经网络的人工智能环境监测模型的计算任务。因此，现有技术人员为了避免在物联网节点本地处理这些计算任务，常常将物联网节点采集的数据发送到云端进行处理，这样会带来大量通信延时，并且需要为物联网节点配备专门的网关或无线通信模块，因而提高了硬件成本，同时物联网节点的计算能力没有得到充分利用。
发明内容
本发明的目的在于提供一种分布式人工智能计算方法，在多跳网络中建立分布式边缘计算网络，充分利用物联网节点的算力，在边缘端完成人工智能计算任务。
为了解决以上提出的问题，本发明采用的一种技术方案为：一种分布式人工智能计算方法，用于包括多个物联网节点的多跳网络，所述方法包括：获取至少一组关于有监督人工神经网络模型的学习样本数据，所述学习样本数据包括标签数据和特征数据；将多个计算任务分配信息分别发送至所述多个物联网节点，其中所述计算任务分配信息包括路由表、特征数据、有监督人工神经网络模型的至少一个神经元的权值信息和激发函数信息；在物联网节点根据学习样本数据、权值信息和激活函数信息完成计算任务获取计算结果；根据计算结果和标签数据计算误差数据；根据误差数据更新各个物联网节点的权值信息。
进一步地，将多个计算任务分配信息分别发送至所述多个物联网节点的步骤包括：将多个计算任务分配信息分别发送至所述多个物联网节点包括：根据有监督人工神经网络模型创建多个物联网节点之间的路由表；根据路由表创建物联网节点与有监督人工神经网络模型的计算任务的关联信息；根据物联网节点与有监督人工神经网络模型的计算任务的关联信息，将多个计算任务分配信息分别发送至对应的物联网节点。
进一步地，根据有监督人工神经网络模型创建多个物联网节点之间的路由表的步骤包括：根据所述有监督人工神经网络模型向所述多跳网络的物联网节点广播请求包，所述请求包包含关于有监督人工神经网络模型的计算需求信息；接收多跳网络中的其他物联网节点发送的响应于所述请求包的答复包，所述答复包包括发送答复包的物联网节点的节点信息以及发送答复包的物联网节点到发送所述请求包的物联网节点之间的路径信息，所述节点信息包括节点资源信息、节点标识和/或节点类型；根据答复包建立物联网节点之间的路由表。
进一步地，所述根据答复包建立物联网节点之间的路由表，包括：根据答复包中的节点信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的输入神经元对应的输入节点；根据路径信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的隐藏神经元对应的中间节点；根据路径信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的输出神经元对应的输出节点；根据路径信息确定输入节点、输出节点和中间节点之间的连接路由以形成路由表。
进一步地，所述方法还包括利用蚁群算法对物联网节点与有监督人工神经网络模型的计算任务的关联信息进行优化的步骤。
进一步地，根据误差数据更新各个物联网节点的权值信息，包括：根据Widrow-Hoff神经网络学习规则依据所述误差数据对各个物联网节点的权值信息进行更新。
进一步地，所述激发函数为Sigmoid函数。
进一步地，，所述有监督人工神经网络模型为BP神经网络模型。
本发明采用的另一种技术方案为：一种物联网节点，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于前述任一种分布式人工智能计算方法。
本发明采用的又一种技术方案为：一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行前述任一种分布式人工智能计算方法。
与现有技术相比，本发明的有益效果在于：本发明获取至少一组关于有监督人工神经网络模型的学习样本数据，将多个计算任务分配信息分别发送至所述多个物联网节点，在物联网节点根据学习样本数据、权值信息和激活函数信息完成计算任务获取计算结果，根据计算结果和标签数据计算误差数据，根据误差数据更新各个物联网节点的权值信息，从而使物联网节点组成的分布式人工智能计算网络学习样本数据中的特征，提高计算网络的识别精度，降低误差。
附图说明
图1是本发明实施例提供的一种分布式人工智能计算方法的流程图；
图2是图1中的步骤S2的流程图；
图3是图2中的步骤S21的流程图；
图4是图3中的步骤S213的流程图；
图5是本发明实施例提供的一种物联网节点的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的实现进行详细描述：
图1是本发明实施例提供的一种分布式人工智能计算方法的流程图。如图1所示，分布式人工智能计算方法，用于包括多个物联网节点的多跳网络，所述方法包括：
S1、获取至少一组关于有监督人工神经网络模型的学习样本数据，所述学习样本数据包括标签数据和特征数据。
S2、将多个计算任务分配信息分别发送至所述多个物联网节点，其中所述计算任务分配信息包括路由表、特征数据、有监督人工神经网络模型的至少一个神经元的权值信息和激发函数信息。
S3、在物联网节点根据学习样本数据、权值信息和激活函数信息完成计算任务获取计算结果。
S4、根据计算结果和标签数据计算误差数据。
S5、根据误差数据更新各个物联网节点的权值信息。
具体来说，有监督人工神经网络模型可以为例如BP神经网络模型、卷积神经网络模型等等用于模式识别或分类的神经网络模型。学习样本数据可以从云端数据库获取。学习样本数据可以是通过实验采集的有标签数据。例如对于一个用于识别火灾的BP神经网络模型，训练样本数据来自标准火实验中采集的温度、可燃气体浓度、红外线强度等实测数据，再对这些数据进行归一化等处理，然后人工为实测数据添加标签，从而得到训练样本数据。在实际的运行过程中，可以通过物联网节点实时采集关于监测区域的温度、可燃气体浓度、红外线强度等实时监测数据，然后将这些数据做必要的处理，作为有监督人工神经网络模型的输入数据，根据有监督人工神经网络模型和输入数据计算识别发生火灾的概率即有监督人工神经网络模型的计算任务。
请参照图2，步骤S2步骤包括：
S21、根据有监督人工神经网络模型创建多个物联网节点之间的路由表；
S22、根据路由表创建物联网节点与有监督人工神经网络模型的计算任务的关联信息；
S23、根据物联网节点与有监督人工神经网络模型的计算任务的关联信息，将多个计算任务分配信息分别发送至对应的物联网节点。
在本实施例中，所述答复包中的物联网节点的节点信息包括节点资源信息、节点标识和/或节点类型。节点资源信息可以包括节点内存容量、处理器频率、电池寿命等信息。节点标识可以是物联网节点的无线网络ID或一个唯一的标识码。所述学习样本数据可以为下列数据中的一种：温度数据、湿度数据、氧气浓度数据、有毒气体浓度数据、红外线强度数据和照度数据，相应的，所述物联网节点可以根据其采集的学习样本数据的不同，分配不同的节点类型，例如采集温度数据的物联网节点的类型为感温节点。
在本实施例中，所述多跳网络可以为mesh网络，在Mesh网络中，任何物联网节点都可以同时作为AP和路由器，网络中的每个物联网节点都可以发送和接收信号，每个节点都可以与一个或者多个物联网节点进行直接或间接通信。
具体的，请参照图3，步骤S21步骤包括：
S211、根据所述有监督人工神经网络模型向所述多跳网络的物联网节点广播请求包，所述请求包包含关于有监督人工神经网络模型的计算需求信息。
S212、接收多跳网络中的其他物联网节点发送的响应于所述请求包的答复包，所述答复包包括发送答复包的物联网节点的节点信息以及发送答复包的物联网节点到发送所述请求包的物联网节点之间的路径信息，所述节点信息包括节点资源信息、节点标识和/或节点类型。
S213、根据答复包建立物联网节点之间的路由表。
请参照图4，步骤S213包括：
S2131、根据答复包中的节点信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的输入神经元对应的输入节点。例如有监督人工神经网络模型是火灾监测模型，则可以将温度传感器、湿度传感器、有毒气体传感器、红外线传感器等物联网节点指定为输入节点。每个输入节点与有监督人工神经网络模型的输入神经元对应一一对应。可以由输入节点完成对应的输入神经元的计算任务。
S2132、根据路径信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的隐藏神经元对应的中间节点。具体的，可以根据路径信息中物联网节点之间的连接路由，选择与输入节点通信的邻居节点作为中间节点，并记录中间节点和输入节点的连接路由。执行计算任务的物联网节点依据连接路由，将计算结果传输给执行下一层神经元的计算任务的物联网节点。
S2133、根据路径信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的输出神经元对应的输出节点。具体的，可以根据路径信息中物联网节点之间的连接路由，选择与中间节点通信的其他邻居物联网节点作为输出节点，并记录中间节点与输出节点之间的连接路由。
S2134、根据路径信息确定输入节点、输出节点和中间节点之间的连接路由以形成路由表。中间节点、输入节点、输出节点之间的连接路由形成路由表，中间节点、输入节点、输出节点根据路由表将计算中间结果转发到下一个节点进行计算。
在本实施例中，根据路由表创建物联网节点与有监督人工神经网络模型的计算任务的关联信息，具体的可以将有监督人工神经网络模型每个神经元的计算作为一个计算任务，根据路由表创建物联网节点与有监督人工神经网络模型的计算任务的关联信息即建立物联网节点与神经元的计算任务的对应关系。具体来说，可以根据物联网节点与有监督人工神经网络模型的计算任务的关联信息，将多个计算任务分配信息分别发送至对应的物联网节点，其中所述计算任务分配信息包括路由表、学习样本数据、有监督人工神经网络模型的至少一个神经元的权值信息和激发函数信息。物联网节点根据对应关系运行相应的激活函数、权值信息和学习样本数据完成分配的计算任务，然后将计算结果发送到下一个物联网节点进行相应的计算，这样物联网节点就可以完成对应的神经元的数学模型的计算，并将计算结果发送到下一物联网节点进行相应的数学模型的计算。激发函数可以是Sigmoid函数。
在本实施例中，根据误差数据更新各个物联网节点的权值信息的步骤包括：根据Widrow-Hoff神经网络学习规则依据所述误差数据对各个物联网节点的权值信息进行更新。从而能够使多个物联网节点组成的分布式计算网络学习样本数据中的特征，提高识别结果的正确率。
在本实施例中，所述方法还包括利用蚁群算法对物联网节点与有监督人工神经网络模型的计算任务的关联信息进行优化的步骤。具体的，首先，对物联网节点与有监督人工神经网络模型的计算任务的关联信息进行建模，将问题转化为，求一种最优的任务分配策略，能够将有监督人工神经网络模型分解为N个计算任务，并将这N个计算任务按照某一种策略分配给M个处理能力不同的物联网节点，并且N个任务总的任务处理时间最短。将计算任务的完成时间作为衡量分配策略优良的指标。每一种任务分配策略都是这个问题的一个可行解。那么具有最小完成时间的分配策略就是这个问题的最优解。将神经元的计算作为一个独立的计算任务分配给一个物联网节点。蚁群算法一共要进行多次迭代，每次迭代中，所有蚂蚁都需要按照某种策略完成所有任务的分配，例如可以将计算任务随机分配给某一物联网节点，或按信息素浓度分配，也就是将任务分配给信息素浓度最高的物联网节点处理。每次所有蚂蚁完成任务的分配称为一次迭代，每完成一次迭代后，计算并记录所有蚂蚁的任务处理时间，并更新信息素矩阵。每次迭代完成以后都会挑选出一个当前最优方案，并提升该方案的信息素，经过多次迭代，就可以找到全局最优解，即使得任务处理时间最短的计算任务分配方案，从而提高人工智能计算任务的执行效率。
综上所述，本发明获取至少一组关于有监督人工神经网络模型的学习样本数据，将多个计算任务分配信息分别发送至所述多个物联网节点，在物联网节点根据学习样本数据、权值信息和激活函数信息完成计算任务获取计算结果，根据计算结果和标签数据计算误差数据，根据误差数据更新各个物联网节点的权值信息，从而使物联网节点组成的分布式人工智能计算网络学习样本数据中的特征，提高计算网络的识别精度，降低误差。
请参照图5，本发明实施例还提供一种物联网节点。如图所示，物联网节点包括处理器、通信模块和存储器。其中，处理器与通信模块、存储器电性连接。处理器是物联网节点的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或调用存储在存储器内的计算机程序，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据，从而对物联网节点进行整体监控。不同的物联网节点可以经由通信模块互相通信。
在本实施例中，物联网节点中的处理器将一个或一个以上的计算机程序的进程对应的指令加载到存储器中，并由处理器来运行存储在存储器中的计算机程序，从而实现本说明书上述描述的根据本申请各种示例性实施方式的分布式人工智能计算方法中的步骤，例如物联网节点可以执行如图1中所示的步骤。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现本说明书上述描述的根据本申请各种示例性实施方式的分布式人工智能计算方法中的步骤，例如物联网节点可以执行如图1中所示的步骤。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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精神和范围。

Claims (10)

1.一种分布式人工智能计算方法，用于包括多个物联网节点的多跳网络，其特征在于，其包括：
获取至少一组关于有监督人工神经网络模型的学习样本数据，所述学习样本数据包括标签数据和特征数据；
将多个计算任务分配信息分别发送至所述多个物联网节点，其中所述计算任务分配信息包括路由表、特征数据、有监督人工神经网络模型的至少一个神经元的权值信息和激发函数信息；
在物联网节点根据学习样本数据、权值信息和激活函数信息完成计算任务获取计算结果；
根据计算结果和标签数据计算误差数据；
根据误差数据更新各个物联网节点的权值信息。
2.根据权利要求1所述的分布式人工智能计算方法，其特征在于，将多个计算任务分配信息分别发送至所述多个物联网节点的步骤包括：
将多个计算任务分配信息分别发送至所述多个物联网节点包括：
根据有监督人工神经网络模型创建多个物联网节点之间的路由表；
根据路由表创建物联网节点与有监督人工神经网络模型的计算任务的关联信息；
根据物联网节点与有监督人工神经网络模型的计算任务的关联信息，将多个计算任务分配信息分别发送至对应的物联网节点。
3.根据权利要求2所述的分布式人工智能计算方法，其特征在于，根据有监督人工神经网络模型创建多个物联网节点之间的路由表的步骤包括：
根据所述有监督人工神经网络模型向所述多跳网络的物联网节点广播请求包，所述请求包包含关于有监督人工神经网络模型的计算需求信息；
接收多跳网络中的其他物联网节点发送的响应于所述请求包的答复包，所述答复包包括发送答复包的物联网节点的节点信息以及发送答复包的物联网节点到发送所述请求包的物联网节点之间的路径信息，所述节点信息包括节点资源信息、节点标识和/或节点类型；
根据答复包建立物联网节点之间的路由表。
4.根据权利要求3所述的分布式人工智能计算方法，其特征在于，所述根据答复包建立物联网节点之间的路由表，包括：
根据答复包中的节点信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的输入神经元对应的输入节点；
根据路径信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的隐藏神经元对应的中间节点；
根据路径信息和有监督人工神经网络模型将对应的物联网节点指定为与有监督人工神经网络模型的输出神经元对应的输出节点；
根据路径信息确定输入节点、输出节点和中间节点之间的连接路由以形成路由表。
5.根据权利要求4所述的分布式人工智能计算方法，其特征在于，根据误差数据更新各个物联网节点的权值信息，包括：根据Widrow-Hoff神经网络学习规则依据所述误差数据对各个物联网节点的权值信息进行更新。
6.根据权利要求1所述的分布式人工智能计算方法，其特征在于，所述激发函数为Sigmoid函数。
7.根据权利要求6所述的分布式人工智能计算方法，其特征在于，还包括利用蚁群算法对物联网节点与有监督人工神经网络模型的计算任务的关联信息进行优化的步骤。
8.根据权利要求1-7所述的分布式人工智能计算方法，其特征在于，所述有监督人工神经网络模型为BP神经网络模型。
9.一种物联网节点，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求1至8任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行权利要求1至8任一项所述的方法。
CN202011212345.5A 2020-11-03 2020-11-03 一种分布式人工智能计算方法、物联网节点和存储介质 Pending CN112486668A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212345.5A CN112486668A (zh) 2020-11-03 2020-11-03 一种分布式人工智能计算方法、物联网节点和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212345.5A CN112486668A (zh) 2020-11-03 2020-11-03 一种分布式人工智能计算方法、物联网节点和存储介质

Publications (1)

Publication Number Publication Date
CN112486668A true CN112486668A (zh) 2021-03-12

Family

ID=74928107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212345.5A Pending CN112486668A (zh) 2020-11-03 2020-11-03 一种分布式人工智能计算方法、物联网节点和存储介质

Country Status (1)

Country Link
CN (1) CN112486668A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422424A (zh) * 2021-12-30 2022-04-29 中国电信股份有限公司 一种传输网络的路由计算方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564164A (zh) * 2018-01-08 2018-09-21 中山大学 一种基于spark平台的并行化深度学习方法
US20180316555A1 (en) * 2017-04-29 2018-11-01 Cisco Technology, Inc. Cognitive profiling and sharing of sensor data across iot networks
CN109784469A (zh) * 2019-01-25 2019-05-21 深圳市中电数通智慧安全科技股份有限公司 一种基于雾计算的智慧城市安全监控系统及其方法
US20190188043A1 (en) * 2017-12-19 2019-06-20 International Business Machines Corporation Dynamic task allocation and node reconfiguration in mesh network
US20190373521A1 (en) * 2017-04-07 2019-12-05 Vapor IO Inc. Distributed processing for determining network paths
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
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190373521A1 (en) * 2017-04-07 2019-12-05 Vapor IO Inc. Distributed processing for determining network paths
US20180316555A1 (en) * 2017-04-29 2018-11-01 Cisco Technology, Inc. Cognitive profiling and sharing of sensor data across iot networks
US20190188043A1 (en) * 2017-12-19 2019-06-20 International Business Machines Corporation Dynamic task allocation and node reconfiguration in mesh network
CN108564164A (zh) * 2018-01-08 2018-09-21 中山大学 一种基于spark平台的并行化深度学习方法
CN109784469A (zh) * 2019-01-25 2019-05-21 深圳市中电数通智慧安全科技股份有限公司 一种基于雾计算的智慧城市安全监控系统及其方法
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
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
安子强;: "模糊强化学习的改进GEAR传感网络均衡算法", 计算机仿真, no. 06, 15 June 2013 (2013-06-15) *
张德干;葛辉;刘晓欢;张晓丹;李文斌;: "一种基于Q-Learning策略的自适应移动物联网路由新算法", 电子学报, no. 10, 15 October 2018 (2018-10-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422424A (zh) * 2021-12-30 2022-04-29 中国电信股份有限公司 一种传输网络的路由计算方法及装置
CN114422424B (zh) * 2021-12-30 2023-08-11 中国电信股份有限公司 一种传输网络的路由计算方法及装置

Similar Documents

Publication Publication Date Title
CN112511592B (zh) 一种边缘人工智能计算方法、物联网节点和存储介质
Guo et al. A survey on intelligent routing protocols in wireless sensor networks
CN112486665B (zh) 一种基于对等网络的边缘人工智能计算任务调度方法
Osamy et al. Coverage, deployment and localization challenges in wireless sensor networks based on artificial intelligence techniques: a review
Enami et al. Neural network based energy efficiency in wireless sensor networks: A survey
Venkataramanan et al. LWBA: Lévy-walk bat algorithm based data prediction for precision agriculture in wireless sensor networks
Zannou et al. Relevant node discovery and selection approach for the Internet of Things based on neural networks and ant colony optimization
CN113887801A (zh) 建筑冷负荷预测方法、系统、设备及可读存储介质
CN111553469A (zh) 一种无线传感器网络数据融合方法、装置和存储介质
CN109299778B (zh) 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法
CN114510072B (zh) 基于进化迁移优化的多无人机路径规划方法、终端及介质
CN110162807B (zh) 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法
CN113988464A (zh) 基于图神经网络的网络链路属性关系预测方法及设备
Zhang et al. On test case prioritization using ant colony optimization algorithm
Boonma et al. MONSOON: A coevolutionary multiobjective adaptation framework for dynamic wireless sensor networks
Yu et al. A multi-objective metaheuristics study on solving constrained relay node deployment problem in WSNS
CN112486668A (zh) 一种分布式人工智能计算方法、物联网节点和存储介质
CN112925964A (zh) 基于云计算服务的大数据采集方法及大数据采集服务系统
WO2023143570A1 (zh) 一种连接关系预测方法及相关设备
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
CN114915446A (zh) 一种融合先验知识的智能网络安全检测方法
CN112486669B (zh) 一种自组织移动边缘计算平台和方法
CN115454473A (zh) 基于深度学习漏洞决策的数据处理方法及信息安全系统
Akhtar et al. Techniques For Reducing Energy And Delay For Data Aggregation In Wireless Sensor Networks
Chinnaiah et al. Design of ant lion optimization-based PEGASIS routing protocol for energy efficiency in networks

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