CN113178024A - 基于人工智能的融合型车载智能存储系统及方法 - Google Patents
基于人工智能的融合型车载智能存储系统及方法 Download PDFInfo
- Publication number
- CN113178024A CN113178024A CN202110510561.6A CN202110510561A CN113178024A CN 113178024 A CN113178024 A CN 113178024A CN 202110510561 A CN202110510561 A CN 202110510561A CN 113178024 A CN113178024 A CN 113178024A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mounted information
- artificial intelligence
- feature vector
- computing
- 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
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 65
- 230000004927 fusion Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013500 data storage Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 102
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000008901 benefit Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于人工智能的融合型车载智能存储系统,包括数据采集模块、数据处理模块、服务器、人工智能模块和数据存储模块,所述数据采集模块设置在车辆上,所述数据处理模块与所述数据采集模块通讯连接,所述服务器与所述数据处理模块通讯连接,所述人工智能模块与所述服务器通讯连接,所述数据存储模块与所述人工智能模块通讯连接。本发明还公开了基于人工智能的融合型车载智能存储方法。本发明通过人工智能可有效、快速地融合车载信息,提高车载信息融合的准确性和稳定性,适用于大量的车载信息的融合,缩短车载信息的融合和存储时间,大大提高了存储效率。
Description
技术领域
本发明涉及汽车信息存储技术领域,具体为基于人工智能的融合型车载智能存储系统及方法。
背景技术
随着我国汽车产业的快速发展,汽车行业进入电子化、智能化控制时代,对其电子部件集成化发展是趋势;将环境感知、规划决策、影音娱乐、定位、通信服务、多等级辅助驾驶等功能融于一体的综合系统;它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术,致力于提高汽车的安全性、舒适性,以及提供优良的人车交互界面、智能驾驶系统、生活服务系统、安全防护系统、位置服务系统以及用车服务系统等是汽车较为成熟的和预期的功能和系统。
现有的大量的车载信息只是简单地进行存储,对于相关的车载信息无法进行统一存储,在需要时还需要花费大量精力和时间进行查找和合并。
发明内容
本发明的目的在于提供基于人工智能的融合型车载智能存储系统及方法,通过人工智能可有效、快速地融合车载信息,提高车载信息融合的准确性和稳定性,适用于大量的车载信息的融合,缩短车载信息的融合和存储时间,大大提高了存储效率,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于人工智能的融合型车载智能存储系统,包括:
数据采集模块,所述数据采集模块设置在车辆上,所述数据采集模块用于采集车载信息;
数据处理模块,所述数据处理模块与所述数据采集模块通讯连接,所述数据处理模块用于对所述数据采集模块所采集的车载信息进行处理和分析;
服务器,所述服务器与所述数据处理模块通讯连接,所述服务器用于对所述数据处理模块处理和分析后的车载信息进行上传;
人工智能模块,所述人工智能模块与所述服务器通讯连接,所述人工智能模块用于根据预设的融合规则对所述服务器上传的车载信息进行融合;
数据存储模块,所述数据存储模块与所述人工智能模块通讯连接,所述数据存储模块用于对所述人工智能模块融合后的车载信息进行存储。
作为本发明的基于人工智能的融合型车载智能存储系统优选的,还包括管理中心,所述管理中心与所述数据存储模块通讯连接,所述管理中心用于对所述数据存储模块存储的数据进行管理。
作为本发明的基于人工智能的融合型车载智能存储系统优选的,所述人工智能模块根据预设的融合规则对车载信息进行融合的具体步骤包括:
S1:选取每个不同车载信息种类至少一个样品,对样品的特征进行提取,并将提取的特征构建特征数据库,不同车载信息种类按照预定的车载信息种类序号进行排序,将特征数据库内样品的特征向量集合Fi={fi1,fi2,……,fin},其中,Fi表示为第i类车载信息样品对应的特征向量集合;
S2:对特征数据库内样品的特征集合Fi按照基本特征和特殊特征进行融合,分别构成基本特征向量集合Ei={ei1,ei2,……,eik},特殊特征向量集合Gi={gi1,gi2,……,giy},其中,eik表示为第i类车载信息样品的第k个基本特征向量,giy表示为第i类车载信息样品的第y个特殊特征向量,且n=k+y;
S3:对需融合的车载信息提取若干特征向量,对提取的特征向量进行分组,将基本特征向量集合标记为C={c1,c2,……,cx},将特殊特征向量集合标记为D={d1,d2,……,dv},其中k与x一一对应,y与v一一对应;
S4:将待融合车载信息的基本特征向量集合中的第一基本特征向量c1与特征数据库中存储的基本特征向量集合的第一基本特征向量ei1进行一一对比,从特征数据库中提取与待融合车载信息的第一基本特征向量相同的样品的基本特征向量集合和特殊特征向量集合;
S5:将待融合车载信息中的其余基本特征向量与提取的基本特征向量集合中的其余基本特征向量进行逐一比对,比对结果一致,则取对比值gaj=1,否则,gaj=0,得到基本特征向量对比值集合Ga={ga1,ga2,……,gaj},Ga表示待融合车载信息与第a类车载信息样品基本特征向量的对比值集合,其中,j与k一一对应;
其中,基本特征向量具有不同的权重,分别为H1,H2,……,Hj,H1>H2>……>Hj,且H1+H2+……+Hj=1;
S6:将待融合的车载信息与提取的基本特征向量集合对应的车载信息样品种类进行相似度系数计算,利用相似度公式表示待融合车载信息与第a类车载信息样品对应的基本特征向量的相似度系数Qa;
S7:当Qa大于预设值时,提取第a类车载信息样品对应的特殊特征向量集合,并按照Qa从高到低的顺序依次输出该相似度系数对应的特殊特征向量集合,将待融合车载信息中的特殊特征向量与该相似度系数对应的特殊特征向量进行逐一比对,比对结果一致,则取对比值pau=1,否则,pau=0,得到特殊特征向量对比值集合Pa={pa1,pa2,……,pau},Pa表示待融合车载信息与第a类车载信息样品特殊特征向量的对比值集合;
基本特征向量与特殊特征向量集合所占的权重分别为A1和A2,且A1+A2=1;
S8:利用融合公式计算得出待融合车载信息的特征向量与对应车载信息种类样品特征向量的同类系数Ma,提取Ma数值最高对应的车载信息种类,并将该待融合车载信息融合于该车载信息种类。
作为本发明的基于人工智能的融合型车载智能存储系统优选的,所述S6中相似度公式为:
作为本发明的基于人工智能的融合型车载智能存储系统优选的,所述S8中融合公式为:
作为本发明的基于人工智能的融合型车载智能存储系统优选的,所述人工智能模块包括多个计算节点。
作为本发明的基于人工智能的融合型车载智能存储系统优选的,所述人工智能模块对多个计算节点进行管理和调度的方法如下:
S1.各个计算节点连接实现通信;
S2.统计各个计算节点的权限数值及计算费用;
S3.根据权限数值确定各个计算节点的控制关系,权限数值高的计算节点对权限数值低的计算节点根据计算费用进行资源管理和调度以获取最大化的计算收益。
作为本发明的基于人工智能的融合型车载智能存储系统优选的,所述S3中根据权限数值确定各个计算节点的控制关系,权限数值高的计算节点对权限数值低的计算节点根据计算费用进行资源管理和调度以获取最大化的计算收益,采用如下算法:
计算任务Gi分配给计算节点Pj执行计算,即分配矩阵元素xi,j=1,则计算节点Pj完成计算任务Gi的计算费用为:
计算节点Pj完成计算任务Gi获得的计算收益为:
人工智能模块完成计算任务集合G={G1,G2,…Gm}中全部任务所获得的总计算收益:
人工智能平台付出的总计算费用:
人工智能云平台基于各计算节点计算费用固定的情况下,通过调度的方式以获取最大化的计算收益;
调度的计算节点表示为:
基于n个不同的计算节点对m个计算任务进行调度,获取最大化的计算收益。
基于人工智能的融合型车载智能存储方法,包括如下步骤:
S1.采集车辆的车载信息;
S2.对所采集的车载信息进行处理和分析并上传;
S3.基于人工智能根据预设的融合规则对上传的车载信息进行融合;
S4.对融合后的车载信息进行存储。
与现有技术相比,本发明的有益效果是:
本发明通过数据采集模块采集车辆的车载信息,数据处理模块和服务器对所采集的车载信息进行处理和分析并上传,人工智能模块基于人工智能根据预设的融合规则对上传的车载信息进行融合,数据存储模块对融合后的车载信息进行存储,本发明通过人工智能可有效、快速地融合车载信息,提高车载信息融合的准确性和稳定性,适用于大量的车载信息的融合,缩短车载信息的融合和存储时间,大大提高了存储效率。
附图说明
图1为本发明的基于人工智能的融合型车载智能存储系统的系统框图;
图2为本发明的基于人工智能的融合型车载智能存储方法的流程示意图。
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,所描述的实施例仅仅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。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
实施例
请参阅图1和图2,本发明提供一种技术方案:
基于人工智能的融合型车载智能存储系统,包括:
数据采集模块,数据采集模块设置在车辆上,数据采集模块用于采集车载信息;
数据处理模块,数据处理模块与数据采集模块通讯连接,数据处理模块用于对数据采集模块所采集的车载信息进行处理和分析;
服务器,服务器与数据处理模块通讯连接,服务器用于对数据处理模块处理和分析后的车载信息进行上传;
人工智能模块,人工智能模块与服务器通讯连接,人工智能模块用于根据预设的融合规则对服务器上传的车载信息进行融合;
数据存储模块,数据存储模块与人工智能模块通讯连接,数据存储模块用于对人工智能模块融合后的车载信息进行存储。
作为本发明的一种技术优化方案,还包括管理中心,管理中心与数据存储模块通讯连接,管理中心用于对数据存储模块存储的数据进行管理。
作为本发明的一种技术优化方案,人工智能模块根据预设的融合规则对车载信息进行融合的具体步骤包括:
S1:选取每个不同车载信息种类至少一个样品,对样品的特征进行提取,并将提取的特征构建特征数据库,不同车载信息种类按照预定的车载信息种类序号进行排序,将特征数据库内样品的特征向量集合Fi={fi1,fi2,……,fin},其中,Fi表示为第i类车载信息样品对应的特征向量集合;
S2:对特征数据库内样品的特征集合Fi按照基本特征和特殊特征进行融合,分别构成基本特征向量集合Ei={ei1,ei2,……,eik},特殊特征向量集合Gi={gi1,gi2,……,giy},其中,eik表示为第i类车载信息样品的第k个基本特征向量,giy表示为第i类车载信息样品的第y个特殊特征向量,且n=k+y;
S3:对需融合的车载信息提取若干特征向量,对提取的特征向量进行分组,将基本特征向量集合标记为C={c1,c2,……,cx},将特殊特征向量集合标记为D={d1,d2,……,dv},其中k与x一一对应,y与v一一对应;
S4:将待融合车载信息的基本特征向量集合中的第一基本特征向量c1与特征数据库中存储的基本特征向量集合的第一基本特征向量ei1进行一一对比,从特征数据库中提取与待融合车载信息的第一基本特征向量相同的样品的基本特征向量集合和特殊特征向量集合;
S5:将待融合车载信息中的其余基本特征向量与提取的基本特征向量集合中的其余基本特征向量进行逐一比对,比对结果一致,则取对比值gaj=1,否则,gaj=0,得到基本特征向量对比值集合Ga={ga1,ga2,……,gaj},Ga表示待融合车载信息与第a类车载信息样品基本特征向量的对比值集合,其中,j与k一一对应;
其中,基本特征向量具有不同的权重,分别为H1,H2,……,Hj,H1>H2>……>Hj,且H1+H2+……+Hj=1;
S6:将待融合的车载信息与提取的基本特征向量集合对应的车载信息样品种类进行相似度系数计算,利用相似度公式表示待融合车载信息与第a类车载信息样品对应的基本特征向量的相似度系数Qa;
S7:当Qa大于预设值时,提取第a类车载信息样品对应的特殊特征向量集合,并按照Qa从高到低的顺序依次输出该相似度系数对应的特殊特征向量集合,将待融合车载信息中的特殊特征向量与该相似度系数对应的特殊特征向量进行逐一比对,比对结果一致,则取对比值pau=1,否则,pau=0,得到特殊特征向量对比值集合Pa={pa1,pa2,……,pau},Pa表示待融合车载信息与第a类车载信息样品特殊特征向量的对比值集合;
基本特征向量与特殊特征向量集合所占的权重分别为A1和A2,且A1+A2=1;
S8:利用融合公式计算得出待融合车载信息的特征向量与对应车载信息种类样品特征向量的同类系数Ma,提取Ma数值最高对应的车载信息种类,并将该待融合车载信息融合于该车载信息种类。
作为本发明的一种技术优化方案,S6中相似度公式为:
作为本发明的一种技术优化方案,S8中融合公式为:
作为本发明的一种技术优化方案,人工智能模块包括多个计算节点。
作为本发明的一种技术优化方案,人工智能模块对多个计算节点进行管理和调度的方法如下:
S1.各个计算节点连接实现通信;
S2.统计各个计算节点的权限数值及计算费用;
S3.根据权限数值确定各个计算节点的控制关系,权限数值高的计算节点对权限数值低的计算节点根据计算费用进行资源管理和调度以获取最大化的计算收益。
作为本发明的一种技术优化方案,S3中根据权限数值确定各个计算节点的控制关系,权限数值高的计算节点对权限数值低的计算节点根据计算费用进行资源管理和调度以获取最大化的计算收益,采用如下算法:
计算任务Gi分配给计算节点Pj执行计算,即分配矩阵元素xi,j=1,则计算节点Pj完成计算任务Gi的计算费用为:
计算节点Pj完成计算任务Gi获得的计算收益为:
人工智能模块完成计算任务集合G={G1,G2,…Gm}中全部任务所获得的总计算收益:
人工智能平台付出的总计算费用:
人工智能云平台基于各计算节点计算费用固定的情况下,通过调度的方式以获取最大化的计算收益;
调度的计算节点表示为:
基于n个不同的计算节点对m个计算任务进行调度,获取最大化的计算收益。
基于人工智能的融合型车载智能存储方法,包括如下步骤:
S1.采集车辆的车载信息;
S2.对所采集的车载信息进行处理和分析并上传;
S3.基于人工智能根据预设的融合规则对上传的车载信息进行融合;
S4.对融合后的车载信息进行存储。
综上,本发明通过数据采集模块采集车辆的车载信息,数据处理模块和服务器对所采集的车载信息进行处理和分析并上传,人工智能模块基于人工智能根据预设的融合规则对上传的车载信息进行融合,数据存储模块对融合后的车载信息进行存储,本发明通过人工智能可有效、快速地融合车载信息,提高车载信息融合的准确性和稳定性,适用于大量的车载信息的融合,缩短车载信息的融合和存储时间,大大提高了存储效率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.基于人工智能的融合型车载智能存储系统,其特征在于,包括:
数据采集模块,所述数据采集模块设置在车辆上,所述数据采集模块用于采集车载信息;
数据处理模块,所述数据处理模块与所述数据采集模块通讯连接,所述数据处理模块用于对所述数据采集模块所采集的车载信息进行处理和分析;
服务器,所述服务器与所述数据处理模块通讯连接,所述服务器用于对所述数据处理模块处理和分析后的车载信息进行上传;
人工智能模块,所述人工智能模块与所述服务器通讯连接,所述人工智能模块用于根据预设的融合规则对所述服务器上传的车载信息进行融合;
数据存储模块,所述数据存储模块与所述人工智能模块通讯连接,所述数据存储模块用于对所述人工智能模块融合后的车载信息进行存储。
2.根据权利要求1所述的基于人工智能的融合型车载智能存储系统,其特征在于:还包括管理中心,所述管理中心与所述数据存储模块通讯连接,所述管理中心用于对所述数据存储模块存储的数据进行管理。
3.根据权利要求1所述的基于人工智能的融合型车载智能存储系统,其特征在于:所述人工智能模块根据预设的融合规则对车载信息进行融合的具体步骤包括:
S1:选取每个不同车载信息种类至少一个样品,对样品的特征进行提取,并将提取的特征构建特征数据库,不同车载信息种类按照预定的车载信息种类序号进行排序,将特征数据库内样品的特征向量集合Fi={fi1,fi2,……,fin},其中,Fi表示为第i类车载信息样品对应的特征向量集合;
S2:对特征数据库内样品的特征集合Fi按照基本特征和特殊特征进行融合,分别构成基本特征向量集合Ei={ei1,ei2,……,eik},特殊特征向量集合Gi={gi1,gi2,……,giy},其中,eik表示为第i类车载信息样品的第k个基本特征向量,giy表示为第i类车载信息样品的第y个特殊特征向量,且n=k+y;
S3:对需融合的车载信息提取若干特征向量,对提取的特征向量进行分组,将基本特征向量集合标记为C={c1,c2,……,cx},将特殊特征向量集合标记为D={d1,d2,……,dv},其中k与x一一对应,y与v一一对应;
S4:将待融合车载信息的基本特征向量集合中的第一基本特征向量c1与特征数据库中存储的基本特征向量集合的第一基本特征向量ei1进行一一对比,从特征数据库中提取与待融合车载信息的第一基本特征向量相同的样品的基本特征向量集合和特殊特征向量集合;
S5:将待融合车载信息中的其余基本特征向量与提取的基本特征向量集合中的其余基本特征向量进行逐一比对,比对结果一致,则取对比值gaj=1,否则,gaj=0,得到基本特征向量对比值集合Ga={ga1,ga2,……,gaj},Ga表示待融合车载信息与第a类车载信息样品基本特征向量的对比值集合,其中,j与k一一对应;
其中,基本特征向量具有不同的权重,分别为H1,H2,……,Hj,H1>H2>……>Hj,且H1+H2+……+Hj=1;
S6:将待融合的车载信息与提取的基本特征向量集合对应的车载信息样品种类进行相似度系数计算,利用相似度公式表示待融合车载信息与第a类车载信息样品对应的基本特征向量的相似度系数Qa;
S7:当Qa大于预设值时,提取第a类车载信息样品对应的特殊特征向量集合,并按照Qa从高到低的顺序依次输出该相似度系数对应的特殊特征向量集合,将待融合车载信息中的特殊特征向量与该相似度系数对应的特殊特征向量进行逐一比对,比对结果一致,则取对比值pau=1,否则,pau=0,得到特殊特征向量对比值集合Pa={pa1,pa2,……,pau},Pa表示待融合车载信息与第a类车载信息样品特殊特征向量的对比值集合;
基本特征向量与特殊特征向量集合所占的权重分别为A1和A2,且A1+A2=1;
S8:利用融合公式计算得出待融合车载信息的特征向量与对应车载信息种类样品特征向量的同类系数Ma,提取Ma数值最高对应的车载信息种类,并将该待融合车载信息融合于该车载信息种类。
6.根据权利要求1所述的基于人工智能的融合型车载智能存储系统,其特征在于:所述人工智能模块包括多个计算节点。
7.根据权利要求1所述的基于人工智能的融合型车载智能存储系统,其特征在于:所述人工智能模块对多个计算节点进行管理和调度的方法如下:
S1.各个计算节点连接实现通信;
S2.统计各个计算节点的权限数值及计算费用;
S3.根据权限数值确定各个计算节点的控制关系,权限数值高的计算节点对权限数值低的计算节点根据计算费用进行资源管理和调度以获取最大化的计算收益。
8.根据权利要求7所述的基于人工智能的融合型车载智能存储系统,其特征在于:所述S3中根据权限数值确定各个计算节点的控制关系,权限数值高的计算节点对权限数值低的计算节点根据计算费用进行资源管理和调度以获取最大化的计算收益,采用如下算法:
计算任务Gi分配给计算节点Pj执行计算,即分配矩阵元素xi,j=1,则计算节点Pj完成计算任务Gi的计算费用为:
计算节点Pj完成计算任务Gi获得的计算收益为:
人工智能模块完成计算任务集合G={G1,G2,…Gm}中全部任务所获得的总计算收益:
人工智能平台付出的总计算费用:
人工智能云平台基于各计算节点计算费用固定的情况下,通过调度的方式以获取最大化的计算收益;
调度的计算节点表示为:
基于n个不同的计算节点对m个计算任务进行调度,获取最大化的计算收益。
9.基于人工智能的融合型车载智能存储方法,其特征在于,包括如下步骤:
S1.采集车辆的车载信息;
S2.对所采集的车载信息进行处理和分析并上传;
S3.基于人工智能根据预设的融合规则对上传的车载信息进行融合;
S4.对融合后的车载信息进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510561.6A CN113178024A (zh) | 2021-05-11 | 2021-05-11 | 基于人工智能的融合型车载智能存储系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510561.6A CN113178024A (zh) | 2021-05-11 | 2021-05-11 | 基于人工智能的融合型车载智能存储系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113178024A true CN113178024A (zh) | 2021-07-27 |
Family
ID=76928691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110510561.6A Pending CN113178024A (zh) | 2021-05-11 | 2021-05-11 | 基于人工智能的融合型车载智能存储系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113178024A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528276A (zh) * | 2022-02-21 | 2022-05-24 | 南京鼎傲科技有限公司 | 一种基于人工智能的大数据采集存储管理系统及方法 |
CN114584584A (zh) * | 2022-02-28 | 2022-06-03 | 福思(杭州)智能科技有限公司 | 车辆行驶数据的处理系统、方法及存储介质 |
CN115080968A (zh) * | 2022-06-08 | 2022-09-20 | 陕西天诚软件有限公司 | 一种带有智能安全防护的人工智能服务器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351358A (zh) * | 2019-07-09 | 2019-10-18 | 成都信息工程大学 | 一种车联网信息安全传输及智能预警系统 |
CN110341616A (zh) * | 2019-06-18 | 2019-10-18 | 江苏大学 | 一种面向智能电动汽车的电子电气架构及数据管理方法 |
CN111145389A (zh) * | 2019-12-31 | 2020-05-12 | 中国第一汽车股份有限公司 | 一种车辆数据管理方法及系统 |
CN111427687A (zh) * | 2020-03-23 | 2020-07-17 | 深圳市中盛瑞达科技有限公司 | 一种人工智能云平台 |
CN111768274A (zh) * | 2020-06-24 | 2020-10-13 | 中国地质大学(武汉) | 一种基于人工智能数据分类存储系统 |
CN111818138A (zh) * | 2020-06-28 | 2020-10-23 | 电子科技大学 | 面向智能车的车云实时数据通信方法 |
-
2021
- 2021-05-11 CN CN202110510561.6A patent/CN113178024A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110341616A (zh) * | 2019-06-18 | 2019-10-18 | 江苏大学 | 一种面向智能电动汽车的电子电气架构及数据管理方法 |
CN110351358A (zh) * | 2019-07-09 | 2019-10-18 | 成都信息工程大学 | 一种车联网信息安全传输及智能预警系统 |
CN111145389A (zh) * | 2019-12-31 | 2020-05-12 | 中国第一汽车股份有限公司 | 一种车辆数据管理方法及系统 |
CN111427687A (zh) * | 2020-03-23 | 2020-07-17 | 深圳市中盛瑞达科技有限公司 | 一种人工智能云平台 |
CN111768274A (zh) * | 2020-06-24 | 2020-10-13 | 中国地质大学(武汉) | 一种基于人工智能数据分类存储系统 |
CN111818138A (zh) * | 2020-06-28 | 2020-10-23 | 电子科技大学 | 面向智能车的车云实时数据通信方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528276A (zh) * | 2022-02-21 | 2022-05-24 | 南京鼎傲科技有限公司 | 一种基于人工智能的大数据采集存储管理系统及方法 |
CN114528276B (zh) * | 2022-02-21 | 2024-01-19 | 新疆能源翱翔星云科技有限公司 | 一种基于人工智能的大数据采集存储管理系统及方法 |
CN114584584A (zh) * | 2022-02-28 | 2022-06-03 | 福思(杭州)智能科技有限公司 | 车辆行驶数据的处理系统、方法及存储介质 |
CN115080968A (zh) * | 2022-06-08 | 2022-09-20 | 陕西天诚软件有限公司 | 一种带有智能安全防护的人工智能服务器 |
CN115080968B (zh) * | 2022-06-08 | 2023-06-02 | 陕西天诚软件有限公司 | 一种带有智能安全防护的人工智能服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113178024A (zh) | 基于人工智能的融合型车载智能存储系统及方法 | |
CN111539480B (zh) | 多类别医学图像识别方法及设备 | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN111368887B (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN110414569B (zh) | 聚类实现方法及装置 | |
CN111816936A (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
CN111813618A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
CN111626338B (zh) | 基于融合分类模型的云环境匹配方法、装置、设备和介质 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
WO2018182442A1 (en) | Machine learning system and method for generating a decision stream and automonously operating device using the decision stream | |
CN111090401B (zh) | 存储设备性能预测方法及装置 | |
CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
CN112214928A (zh) | 一种低压配电网多源数据处理与融合方法及系统 | |
CN110458664B (zh) | 一种用户出行信息预测方法、装置、设备及存储介质 | |
CN109829004B (zh) | 基于无人车的数据处理方法、装置、设备以及存储介质 | |
CN116152751A (zh) | 一种图像处理的方法、装置、系统及存储介质 | |
CN116303456A (zh) | 工业数据处理方法、系统、装置及计算机可读存储介质 | |
CN107391728B (zh) | 数据挖掘方法以及数据挖掘装置 | |
CN112925793B (zh) | 一种多种结构数据分布式混合存储方法和系统 | |
CN114896306A (zh) | 基于人工智能模型的数据挖掘方法及系统 | |
CN115169630A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
CN112559589A (zh) | 一种远程测绘数据处理方法及系统 | |
CN113159640A (zh) | 一种评价指标权重的确定方法、装置、设备及介质 | |
CN112860736A (zh) | 大数据查询优化方法、设备及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210727 |
|
RJ01 | Rejection of invention patent application after publication |