CN113222170A - 一种用于物联网ai协同服务平台的智能算法和模型 - Google Patents
一种用于物联网ai协同服务平台的智能算法和模型 Download PDFInfo
- Publication number
- CN113222170A CN113222170A CN202110341808.6A CN202110341808A CN113222170A CN 113222170 A CN113222170 A CN 113222170A CN 202110341808 A CN202110341808 A CN 202110341808A CN 113222170 A CN113222170 A CN 113222170A
- Authority
- CN
- China
- Prior art keywords
- module
- intelligent
- data
- model
- things
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 26
- 230000002776 aggregation Effects 0.000 claims description 25
- 238000004220 aggregation Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 24
- 230000010354 integration Effects 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000013499 data model Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000018453 Curcuma amada Nutrition 0.000 description 1
- 241001512940 Curcuma amada Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，具体地说，涉及一种用于物联网AI协同服务平台的智能算法和模型。包括装配嵌入式AI引擎并与本机系统连接、在云端下载AI处理模型、传感装置采集参数、结合应用场景启用对应的AI智能技术、在嵌入式AI框架下的实施训练和算法调优，实现协同服务、数据解析并及时输出反馈应用结果等步骤。本发明设计的智能算法中，便于实时采集外界环境参数，结合本机内部数据，将数据整合解析后，实现AI引擎技术与本机系统协同服务的效果；本发明设计的模型中，通过建立以边缘计算为基础的智能系统架构，进行AI训练和优化算法，有效提高系统的综合计算能力，提高计算速度和服务效率，给用户带来更好的使用体感。
Description
技术领域
本发明涉及人工智能技术领域，具体地说，涉及一种用于物联网AI协同服务平台的智能算法和模型。
背景技术
物联网指通过嵌入式物理设备，结合计算机化系统，通过智能感知、识别技术与计算等通信感知技术，广泛应用于网络的融合中，通过物联网可以用中心计算机对机器、设备、人员进行集中管理、控制，也可以对家庭设备、汽车进行遥控，从而可以促进不同场景的智能服务。但是，目前常见的物联服务系统中，涉及的智能技术较少，各项智能设备之间无法协同工作，只能分别运行，导致系统计算慢、耗时长、服务效率低、用户体感不佳等。
发明内容
本发明的目的在于提供一种用于物联网AI协同服务平台的智能算法和模型，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供一种用于物联网AI协同服务平台的智能算法，其逻辑运行方法包括如下步骤：
S1、在智能电子设备内装配嵌入式AI引擎，并将AI引擎与设备本机的智能操控系统连接起来；
S2、智能电子设备通过网络通讯连接云端并下载与设备匹配的AI处理模型；
S3、通过部署在智能电子设备上的多种类型的传感装置，运行过程中实时采集周围环境状态的参数，并将传感参数传输到处理器上；
S4、处理器根据预先设置的场景参数，结合处理器对采集的周围环境参数的处理识别，确定该智能电子设备的应用场景，并结合应用场景，自动下载启用对应的各种AI智能技术；
S5、传感器与处理器结合，支持本机融合传感数据解析处理，在嵌入式AI框架下的实施训练和算法调优，实现多维、海量数据的计算整合，在物联网技术的连接作用下，实现AI引擎与本机系统的协同服务；
S6、系统结合算法模型对采集参数的数据解析，获取场景需求或用户要求，并及时输出反馈应用结果。
本发明的目的之二在于，提供一种用于物联网AI协同服务平台的模型，包括
基础建设单元、AI架构单元、数据处理单元和功能应用单元；所述基础建设单元、所述AI架构单元、所述数据处理单元与所述功能应用单元依次通过以太网通讯连接；所述基础建设单元用于提供支撑算法和模型系统运行的基础设备及智能技术等；所述AI架构单元用于以边缘计算为基础构筑分布式智能AI系统；所述数据处理单元用于通过部署在智能电子设备内的传感装置及AI引擎对状态参数进行收集、整合、计算及存储等处理；所述功能应用单元用于将多种传感器与处理器结合实现系统在不同应用场景下的功能性质；
所述基础建设单元包括智能载体模块、基础传感模块、技术支持模块和网络通信模块；
所述AI架构单元包括学习执行一体模块、弹性计算模块、自动机器学习模块和并行计算模块；
所述数据处理单元包括数据采集模块、分类整合模块、数据模型模块和数据存储模块；
所述功能应用单元包括应用场景模块、协同服务模块、特征聚合模块和反馈显示模块。
作为本技术方案的进一步改进，所述智能载体模块、所述基础传感模块与所述技术支持模块依次通过以太网通讯连接；所述智能载体模块用于提供各类智能电子终端设备并配套装配有本机操控系统；所述基础传感模块用于在载体设备内部安装多种具有传感功能的状态采集装置；所述技术支持模块用于给系统的运行提供多种智能技术支持；所述网络通信模块用于给系统各层面之间提供连通及数据传输的通道。
其中，智能技术包括但不限于云端数据库、物联网、AI引擎等。
作为本技术方案的进一步改进，所述学习执行一体模块、所述弹性计算模块、所述自动机器学习模块与所述并行计算模块并列运行；所述学习执行一体模块用于将深度学习和自动执行功能一体化并控制两者之间自动迭代；所述弹性计算模块用于通过弹性架构计算以提高综合计算能力；所述自动机器学习模块用于采用对抗神经网络来训练AI使其进行自动深度学习并进行不同应用场景的AI并行训练；所述并行计算模块用于通过多种AI应用并行计算以实现跨行业、跨应用的多指令在同一系统平台中同时处理运行的过程。
作为本技术方案的进一步改进，所述并行计算模块的基础定理是阿姆达尔定律，其计算表达式为：
S＝1/(a+(1-a)/n)；
其中，a为串行计算部分所占比例，n为并行处理结点个数；
其中，当a＝0时，最大加速比s＝n；当a＝1时，最小加速比s＝1；当n→∞时，极限加速比s→1/a，即加速比的上限。
作为本技术方案的进一步改进，所述并行计算模块中，阿姆达尔的推广定律为Sun-Ni定律，其加速比公式为：
其中，引入函数G(p)表示存储容量受限时工作负载的增加量；
其中，在该定律中，当G(p)＝p时，加速比与处理器数几乎呈线性关系；当G(p)＝1时，则表明工作量无增加。
作为本技术方案的进一步改进，所述数据采集模块的信号输出端与所述分类整合模块的信号输入端连接，所述分类整合模块的信号输出端与所述数据模型模块的信号输入端连接，所述数据模型模块的信号输出端与所述数据存储模块的信号输入端连接；所述数据采集模块用于通过分布设置的多种带有感知功能的传感装置采集周围环境的状态参数；所述分类整合模块用于将采集的外部状态数据与本机智能系统内部的数据集合并进行分类整合及统计计算等处理；所述数据模型模块用于使用结构化的语言将分类整合后的各类数据进行综合分析并按照模型设计规范将数据重新组织；所述数据存储模块用于将各个整合好的数据模型分别存储起来以供不同应用场景模式下进行调用。
作为本技术方案的进一步改进，所述分类整合模块采用ID3算法，其算法流程为：
设S是s个数据样本的集合，定义m个不同类Ci(i＝1，2，...，m)，设si是Ci类中的样本数，则对给定的样本S所期望的信息值的计算公式为：
其中，pi是任意样本属于Ci的概率，pi＝si/s；
设属性A具有不同值{a1，a2，...，a}，可以用属性A将样本S划分为{S1，S2，...，SV}，设sij是Sj中Ci类的样本数，则由A划分成子集的熵的计算公式为：
作为本技术方案的进一步改进，所述应用场景模块、所述协同服务模块、所述特征聚合模块与所述反馈显示模块依次通过以太网通讯连接并独立运行；所述应用场景模块用于根据不同的应用场景自动下载启用对应的应用技术；所述协同服务模块用于结合与AI引擎连接的各类智能技术与设备本机的操控系统给用户提供智能服务体验；所述特征聚合模块用于将应用场景、环境状态及用户需求中的特征点进行聚合分析；所述反馈显示模块用于及时根据环境变化或用户指令进行状态调整并通过各种途径展示反馈给用户。
其中，智能应用技术包括但不限于人脸识别、人形识别、语音识别、轨迹描绘、热源识别等。
作为本技术方案的进一步改进，所述特征聚合模块中，特征聚合的方法如下：
特征聚合的方法为基于绝对值的聚合的方法，通过设定一些绝对值区间，根据点击率或注册率把特征聚合到相应的区间；考虑到特征的点击率或注册率的分布，在设定在值较小的区域；考虑对点击率或者注册率作指数变换也能达到“在值较小的区域，划分区域也较小”的效果，指数变换描述如下：
yi＝xiα；
xi是特征i的点击率或者注册率，yi是变换结果，考虑基于排序的方法，设定yi为排序比率：rank_i/n；则可计算alpha的值为：
α*＝argminα∑i(log yi-log xi)2＝∑ilog xilog yi∑ilog 2xi。
本发明的目的之三在于，提供一种用于物联网AI协同服务平台的智能算法和模型的运行装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述任一的用于物联网AI协同服务平台的智能算法和模型。
本发明的目的之四在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一的用于物联网AI协同服务平台的智能算法和模型。
与现有技术相比，本发明的有益效果：
1.该用于物联网AI协同服务平台的智能算法中，通过在智能电子设备中装配嵌入式AI引擎，将其与设备本机系统连接，并通过在设备上安装多个不同类型的传感装置，便于实时采集外界环境参数，结合本机内部数据，将数据整合解析后，实现AI引擎技术与本机系统协同服务的效果；
2.该用于物联网AI协同服务平台的模型中，若干智能电子设备通过物联网与云端连接，便于根据应用场景下载对应AI技术模型，并建立以边缘计算为基础的智能系统架构，通过弹性计算和并行计算等技术进行AI训练和优化算法，有效提高系统的综合计算能力，提高计算速度和服务效率，给用户带来更好的使用体感。
附图说明
图1为本发明的示例性产品架构图；
图2为本发明的方法步骤流程图；
图3为本发明的整体模型装置结构图；
图4为本发明的局部模型装置结构图之一；
图5为本发明的局部模型装置结构图之二；
图6为本发明的局部模型装置结构图之三；
图7为本发明的局部模型装置结构图之四；
图8为本发明的示例性计算机程序产品结构图。
图中：
1、智能电子设备；2、处理器；3、本机智能操控系统；4、嵌入式AI引擎；5、智能传感装置；6、云端数据库；
100、基础建设单元；101、智能载体模块；102、基础传感模块；103、技术支持模块；104、网络通信模块；
200、AI架构单元；201、学习执行一体模块；202、弹性计算模块；203、自动机器学习模块；204、并行计算模块；
300、数据处理单元；301、数据采集模块；302、分类整合模块；303、数据模型模块；304、数据存储模块；
400、功能应用单元；401、应用场景模块；402、协同服务模块；403、特征聚合模块；404、反馈显示模块。
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。
算法方法实施例
如图1-图2所示，本实施例的目的在于，提供一种用于物联网AI协同服务平台的智能算法，其逻辑运行方法包括如下步骤：
S1、在智能电子设备内装配嵌入式AI引擎，并将AI引擎与设备本机的智能操控系统连接起来；
S2、智能电子设备通过网络通讯连接云端并下载与设备匹配的AI处理模型；
S3、通过部署在智能电子设备上的多种类型的传感装置，运行过程中实时采集周围环境状态的参数，并将传感参数传输到处理器上；
S4、处理器根据预先设置的场景参数，结合处理器对采集的周围环境参数的处理识别，确定该智能电子设备的应用场景，并结合应用场景，自动下载启用对应的各种AI智能技术；
S5、传感器与处理器结合，支持本机融合传感数据解析处理，在嵌入式AI框架下的实施训练和算法调优，实现多维、海量数据的计算整合，在物联网技术的连接作用下，实现AI引擎与本机系统的协同服务；
S6、系统结合算法模型对采集参数的数据解析，获取场景需求或用户要求，并及时输出反馈应用结果。
模型系统实施例
如图3-图8所示，本实施例的目的在于，提供一种用于物联网AI协同服务平台的模型，包括
基础建设单元100、AI架构单元200、数据处理单元300和功能应用单元400；基础建设单元100、AI架构单元200、数据处理单元300与功能应用单元400依次通过以太网通讯连接；基础建设单元100用于提供支撑算法和模型系统运行的基础设备及智能技术等；AI架构单元200用于以边缘计算为基础构筑分布式智能AI系统；数据处理单元300用于通过部署在智能电子设备内的传感装置及AI引擎对状态参数进行收集、整合、计算及存储等处理；功能应用单元400用于将多种传感器与处理器结合实现系统在不同应用场景下的功能性质；
基础建设单元100包括智能载体模块101、基础传感模块102、技术支持模块103和网络通信模块104；
AI架构单元200包括学习执行一体模块201、弹性计算模块202、自动机器学习模块203和并行计算模块204；
数据处理单元300包括数据采集模块301、分类整合模块302、数据模型模块303和数据存储模块304；
功能应用单元400包括应用场景模块401、协同服务模块402、特征聚合模块403和反馈显示模块404。
本实施例中，智能载体模块101、基础传感模块102与技术支持模块103依次通过以太网通讯连接；智能载体模块101用于提供各类智能电子终端设备并配套装配有本机操控系统；基础传感模块102用于在载体设备内部安装多种具有传感功能的状态采集装置；技术支持模块103用于给系统的运行提供多种智能技术支持；网络通信模块104用于给系统各层面之间提供连通及数据传输的通道。
其中，智能技术包括但不限于云端数据库、物联网、AI引擎等。
本实施例中，学习执行一体模块201、弹性计算模块202、自动机器学习模块203与并行计算模块204并列运行；学习执行一体模块201用于将深度学习和自动执行功能一体化并控制两者之间自动迭代；弹性计算模块202用于通过弹性架构计算以提高综合计算能力；自动机器学习模块203用于采用对抗神经网络来训练AI使其进行自动深度学习并进行不同应用场景的AI并行训练；并行计算模块204用于通过多种AI应用并行计算以实现跨行业、跨应用的多指令在同一系统平台中同时处理运行的过程。
进一步地，并行计算模块204的基础定理是阿姆达尔定律，其计算表达式为：
S＝1/(a+(1-a)/n)；
其中，a为串行计算部分所占比例，n为并行处理结点个数；
其中，当a＝0时，最大加速比s＝n；当a＝1时，最小加速比s＝1；当n→∞时，极限加速比s→1/a，即加速比的上限。
进一步地，并行计算模块204中，阿姆达尔的推广定律为Sun-Ni定律，其加速比公式为：
其中，引入函数G(p)表示存储容量受限时工作负载的增加量；
其中，在该定律中，当G(p)＝p时，加速比与处理器数几乎呈线性关系；当G(p)＝1时，则表明工作量无增加。
本实施例中，数据采集模块301的信号输出端与分类整合模块302的信号输入端连接，分类整合模块302的信号输出端与数据模型模块303的信号输入端连接，数据模型模块303的信号输出端与数据存储模块304的信号输入端连接；数据采集模块301用于通过分布设置的多种带有感知功能的传感装置采集周围环境的状态参数；分类整合模块302用于将采集的外部状态数据与本机智能系统内部的数据集合并进行分类整合及统计计算等处理；数据模型模块303用于使用结构化的语言将分类整合后的各类数据进行综合分析并按照模型设计规范将数据重新组织；数据存储模块304用于将各个整合好的数据模型分别存储起来以供不同应用场景模式下进行调用。
进一步地，分类整合模块302采用ID3算法，其算法流程为：
设S是s个数据样本的集合，定义m个不同类Ci(i＝1，2，...，m)，设si是Ci类中的样本数，则对给定的样本S所期望的信息值的计算公式为：
其中，pi是任意样本属于Ci的概率，pi＝si/s；
设属性A具有不同值{a1，a2，...，a}，可以用属性A将样本S划分为{S1，S2，...，SV}，设sij是Sj中Ci类的样本数，则由A划分成子集的熵的计算公式为：
本实施例中，应用场景模块401、协同服务模块402、特征聚合模块403与反馈显示模块404依次通过以太网通讯连接并独立运行；应用场景模块401用于根据不同的应用场景自动下载启用对应的应用技术；协同服务模块402用于结合与AI引擎连接的各类智能技术与设备本机的操控系统给用户提供智能服务体验；特征聚合模块403用于将应用场景、环境状态及用户需求中的特征点进行聚合分析；反馈显示模块404用于及时根据环境变化或用户指令进行状态调整并通过各种途径展示反馈给用户。
其中，应用场景包括但不限于智能家居、智慧小区、智慧交通、智慧消防等。
其中，智能应用技术包括但不限于人脸识别、人形识别、语音识别、轨迹描绘、热源识别等。
进一步地，特征聚合模块403中，特征聚合的方法如下：
特征聚合的方法为基于绝对值的聚合的方法，通过设定一些绝对值区间，根据点击率或注册率把特征聚合到相应的区间；考虑到特征的点击率或注册率的分布，在设定在值较小的区域；考虑对点击率或者注册率作指数变换也能达到“在值较小的区域，划分区域也较小”的效果，指数变换描述如下：
yi＝xiα；
xi是特征i的点击率或者注册率，yi是变换结果，考虑基于排序的方法，设定yi为排序比率：rank_i/n；则可计算alpha的值为：
α*＝argminα∑i(log yi-log xi)2＝∑ilog xilog yi∑ilog 2xi。
计算机产品实施例
参阅图1，示出了用于物联网AI协同服务平台的智能算法和模型的示例性产品架构图，包括若干智能电子设备1，智能电子设备1内装配有处理器2，处理器2连接有本机智能操控系统和嵌入式AI引擎，处理器2还连接有若干不同类型的智能传感装置5，智能传感装置5部署在智能电子设备1上，若干智能电子设备1均通过以太网与云端数据库6通讯连接，嵌入式AI引擎4经云端数据库6下载AI模型。
参阅图8，示出了用于物联网AI协同服务平台的智能算法和模型的运行装置结构示意图，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与处理器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的用于物联网AI协同服务平台的智能算法和模型。
可选的，存储器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，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的用于物联网AI协同服务平台的智能算法和模型。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面用于物联网AI协同服务平台的智能算法和模型。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储与一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种用于物联网AI协同服务平台的智能算法，其特征在于：其逻辑运行方法包括如下步骤：
S1、在智能电子设备内装配嵌入式AI引擎，并将AI引擎与设备本机的智能操控系统连接起来；
S2、智能电子设备通过网络通讯连接云端并下载与设备匹配的AI处理模型；
S3、通过部署在智能电子设备上的多种类型的传感装置，运行过程中实时采集周围环境状态的参数，并将传感参数传输到处理器上；
S4、处理器根据预先设置的场景参数，结合处理器对采集的周围环境参数的处理识别，确定该智能电子设备的应用场景，并结合应用场景，自动下载启用对应的各种AI智能技术；
S5、传感器与处理器结合，支持本机融合传感数据解析处理，在嵌入式AI框架下的实施训练和算法调优，实现多维、海量数据的计算整合，在物联网技术的连接作用下，实现AI引擎与本机系统的协同服务；
S6、系统结合算法模型对采集参数的数据解析，获取场景需求或用户要求，并及时输出反馈应用结果。
2.一种用于物联网AI协同服务平台的模型，其特征在于：包括
基础建设单元(100)、AI架构单元(200)、数据处理单元(300)和功能应用单元(400)；所述基础建设单元(100)、所述AI架构单元(200)、所述数据处理单元(300)与所述功能应用单元(400)依次通过以太网通讯连接；所述基础建设单元(100)用于提供支撑算法和模型系统运行的基础设备及智能技术等；所述AI架构单元(200)用于以边缘计算为基础构筑分布式智能AI系统；所述数据处理单元(300)用于通过部署在智能电子设备内的传感装置及AI引擎对状态参数进行收集、整合、计算及存储等处理；所述功能应用单元(400)用于将多种传感器与处理器结合实现系统在不同应用场景下的功能性质；
所述基础建设单元(100)包括智能载体模块(101)、基础传感模块(102)、技术支持模块(103)和网络通信模块(104)；
所述AI架构单元(200)包括学习执行一体模块(201)、弹性计算模块(202)、自动机器学习模块(203)和并行计算模块(204)；
所述数据处理单元(300)包括数据采集模块(301)、分类整合模块(302)、数据模型模块(303)和数据存储模块(304)；
所述功能应用单元(400)包括应用场景模块(401)、协同服务模块(402)、特征聚合模块(403)和反馈显示模块(404)。
3.根据权利要求2所述的用于物联网AI协同服务平台的模型，其特征在于：所述智能载体模块(101)、所述基础传感模块(102)与所述技术支持模块(103)依次通过以太网通讯连接；所述智能载体模块(101)用于提供各类智能电子终端设备并配套装配有本机操控系统；所述基础传感模块(102)用于在载体设备内部安装多种具有传感功能的状态采集装置；所述技术支持模块(103)用于给系统的运行提供多种智能技术支持；所述网络通信模块(104)用于给系统各层面之间提供连通及数据传输的通道。
4.根据权利要求2所述的用于物联网AI协同服务平台的模型，其特征在于：所述学习执行一体模块(201)、所述弹性计算模块(202)、所述自动机器学习模块(203)与所述并行计算模块(204)并列运行；所述学习执行一体模块(201)用于将深度学习和自动执行功能一体化并控制两者之间自动迭代；所述弹性计算模块(202)用于通过弹性架构计算以提高综合计算能力；所述自动机器学习模块(203)用于采用对抗神经网络来训练AI使其进行自动深度学习并进行不同应用场景的AI并行训练；所述并行计算模块(204)用于通过多种AI应用并行计算以实现跨行业、跨应用的多指令在同一系统平台中同时处理运行的过程。
5.根据权利要求4所述的用于物联网AI协同服务平台的模型，其特征在于：所述并行计算模块(204)的基础定理是阿姆达尔定律，其计算表达式为：
S＝1/(a+(1-a)/n)；
其中，a为串行计算部分所占比例，n为并行处理结点个数；
其中，当a＝0时，最大加速比s＝n；当a＝1时，最小加速比s＝1；当n→∞时，极限加速比s→1/a，即加速比的上限。
6.根据权利要求5所述的用于物联网AI协同服务平台的模型，其特征在于：所述并行计算模块(204)中，阿姆达尔的推广定律为Sun-Ni定律，其加速比公式为：
其中，引入函数G(p)表示存储容量受限时工作负载的增加量；
其中，在该定律中，当G(p)＝p时，加速比与处理器数几乎呈线性关系；当G(p)＝1时，则表明工作量无增加。
7.根据权利要求2所述的用于物联网AI协同服务平台的模型，其特征在于：所述数据采集模块(301)的信号输出端与所述分类整合模块(302)的信号输入端连接，所述分类整合模块(302)的信号输出端与所述数据模型模块(303)的信号输入端连接，所述数据模型模块(303)的信号输出端与所述数据存储模块(304)的信号输入端连接；所述数据采集模块(301)用于通过分布设置的多种带有感知功能的传感装置采集周围环境的状态参数；所述分类整合模块(302)用于将采集的外部状态数据与本机智能系统内部的数据集合并进行分类整合及统计计算等处理；所述数据模型模块(303)用于使用结构化的语言将分类整合后的各类数据进行综合分析并按照模型设计规范将数据重新组织；所述数据存储模块(304)用于将各个整合好的数据模型分别存储起来以供不同应用场景模式下进行调用。
8.根据权利要求7所述的用于物联网AI协同服务平台的模型，其特征在于：所述分类整合模块(302)采用ID3算法，其算法流程为：
设S是s个数据样本的集合，定义m个不同类Ci(i＝1，2，...，m)，设si是Ci类中的样本数，则对给定的样本S所期望的信息值的计算公式为：
其中，pi是任意样本属于Ci的概率，pi＝si/s；
设属性A具有不同值{a1，a2，...，a}，可以用属性A将样本S划分为{S1，S2，...，SV}，设sij是Sj中Ci类的样本数，则由A划分成子集的熵的计算公式为：
9.根据权利要求2所述的用于物联网AI协同服务平台的模型，其特征在于：所述应用场景模块(401)、所述协同服务模块(402)、所述特征聚合模块(403)与所述反馈显示模块(404)依次通过以太网通讯连接并独立运行；所述应用场景模块(401)用于根据不同的应用场景自动下载启用对应的应用技术；所述协同服务模块(402)用于结合与AI引擎连接的各类智能技术与设备本机的操控系统给用户提供智能服务体验；所述特征聚合模块(403)用于将应用场景、环境状态及用户需求中的特征点进行聚合分析；所述反馈显示模块(404)用于及时根据环境变化或用户指令进行状态调整并通过各种途径展示反馈给用户。
10.根据权利要求9所述的用于物联网AI协同服务平台的模型，其特征在于：所述特征聚合模块(403)中，特征聚合的方法如下：
特征聚合的方法为基于绝对值的聚合的方法，通过设定一些绝对值区间，根据点击率或注册率把特征聚合到相应的区间；考虑到特征的点击率或注册率的分布，在设定在值较小的区域；考虑对点击率或者注册率作指数变换也能达到“在值较小的区域，划分区域也较小”的效果，指数变换描述如下：
yi＝xiα；
xi是特征i的点击率或者注册率，yi是变换结果，考虑基于排序的方法，设定yi为排序比率：rank_i/n；则可计算alpha的值为：
α*＝argminα∑i(log yi-log xi)2＝∑ilog xilog yi ∑i log 2xi。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341808.6A CN113222170B (zh) | 2021-03-30 | 2021-03-30 | 一种用于物联网ai协同服务平台的智能算法和模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341808.6A CN113222170B (zh) | 2021-03-30 | 2021-03-30 | 一种用于物联网ai协同服务平台的智能算法和模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222170A true CN113222170A (zh) | 2021-08-06 |
| CN113222170B CN113222170B (zh) | 2024-04-23 |
Family
ID=77086048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110341808.6A Active CN113222170B (zh) | 2021-03-30 | 2021-03-30 | 一种用于物联网ai协同服务平台的智能算法和模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222170B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113518360A (zh) * | 2021-05-14 | 2021-10-19 | 浙江微科机电有限公司 | 一种基于6LowPAN协议的物联网智能组网监测系统及组网方法 |
| CN115086343A (zh) * | 2022-06-29 | 2022-09-20 | 青岛华正信息技术股份有限公司 | 一种基于人工智能的物联网数据交互方法及系统 |
| WO2023040971A1 (zh) * | 2021-09-18 | 2023-03-23 | 华为技术有限公司 | 一种人工智能模型下载方法、装置及系统 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160234342A1 (en) * | 2015-02-11 | 2016-08-11 | Stephen Oonk | Enterprise Data Processing Architecture with Distributed Intelligence |
| US20160358098A1 (en) * | 2015-06-04 | 2016-12-08 | International Business Machines Corporation | Versioning of Trained Models Used To Deliver Cognitive Services |
| CN107770263A (zh) * | 2017-10-16 | 2018-03-06 | 电子科技大学 | 一种基于边缘计算的物联网终端安全接入方法及系统 |
| WO2018208813A1 (en) * | 2017-05-09 | 2018-11-15 | Sri International | Deep adaptive semantic logic network |
| US20190042884A1 (en) * | 2017-12-28 | 2019-02-07 | Francesc Guim Bernat | Malleable fabric attached virtual artificial intelligence (ai) training appliances |
| US20190042955A1 (en) * | 2017-12-28 | 2019-02-07 | Joe Cahill | Distributed and contextualized artificial intelligence inference service |
| CN109347924A (zh) * | 2018-09-20 | 2019-02-15 | 西北大学 | 一种基于群智感知的推荐方法 |
| CN109451040A (zh) * | 2018-12-10 | 2019-03-08 | 王顺志 | 基于边缘计算的物联网组网系统及组网方法 |
| US20190130776A1 (en) * | 2017-10-27 | 2019-05-02 | International Business Machines Corporation | Interactive Learning Experience |
| US20190130284A1 (en) * | 2017-10-27 | 2019-05-02 | International Business Machines Corporation | Interactive Feedback and Assessment Experience |
| CN110135599A (zh) * | 2019-05-15 | 2019-08-16 | 南京林业大学 | 无人机电力巡检点云智能化处理与分析服务平台 |
| CN110687808A (zh) * | 2019-10-14 | 2020-01-14 | 苏州数言信息技术有限公司 | 基于物联网和机器学习的室内智慧节能系统 |
| US20200053155A1 (en) * | 2018-08-10 | 2020-02-13 | Futurewei Technologies, Inc. | Artificial intelligence based hierarchical service awareness engine |
| CN111273892A (zh) * | 2020-02-13 | 2020-06-12 | 济南浪潮高新科技投资发展有限公司 | 一种基于云端技术和边缘计算实现智能机器人的方法 |
| CN111371830A (zh) * | 2019-11-26 | 2020-07-03 | 航天科工网络信息发展有限公司 | 一种万网融合场景下基于数据驱动的智能协同云架构 |
| CN111556107A (zh) * | 2020-04-16 | 2020-08-18 | 福州和达电子科技有限公司 | 一种基于“应激-反射”模型的智能物联网应用方法 |
| US20200279200A1 (en) * | 2019-02-28 | 2020-09-03 | NB Ventures, Inc., dba GEP | Self-driven system & method for operating enterprise and supply chain applications |
| CN111625361A (zh) * | 2020-05-26 | 2020-09-04 | 华东师范大学 | 一种基于云端服务器和IoT设备协同的联合学习框架 |
| CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
| CN111984364A (zh) * | 2019-05-21 | 2020-11-24 | 江苏艾蒂娜互联网科技有限公司 | 一种面向5g时代的人工智能云平台 |
| CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
-
2021
- 2021-03-30 CN CN202110341808.6A patent/CN113222170B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160234342A1 (en) * | 2015-02-11 | 2016-08-11 | Stephen Oonk | Enterprise Data Processing Architecture with Distributed Intelligence |
| US20160358098A1 (en) * | 2015-06-04 | 2016-12-08 | International Business Machines Corporation | Versioning of Trained Models Used To Deliver Cognitive Services |
| WO2018208813A1 (en) * | 2017-05-09 | 2018-11-15 | Sri International | Deep adaptive semantic logic network |
| CN107770263A (zh) * | 2017-10-16 | 2018-03-06 | 电子科技大学 | 一种基于边缘计算的物联网终端安全接入方法及系统 |
| US20190130284A1 (en) * | 2017-10-27 | 2019-05-02 | International Business Machines Corporation | Interactive Feedback and Assessment Experience |
| US20190130776A1 (en) * | 2017-10-27 | 2019-05-02 | International Business Machines Corporation | Interactive Learning Experience |
| US20190042955A1 (en) * | 2017-12-28 | 2019-02-07 | Joe Cahill | Distributed and contextualized artificial intelligence inference service |
| US20190042884A1 (en) * | 2017-12-28 | 2019-02-07 | Francesc Guim Bernat | Malleable fabric attached virtual artificial intelligence (ai) training appliances |
| CN112534777A (zh) * | 2018-08-10 | 2021-03-19 | 华为技术有限公司 | 基于人工智能的分层业务感知引擎 |
| US20200053155A1 (en) * | 2018-08-10 | 2020-02-13 | Futurewei Technologies, Inc. | Artificial intelligence based hierarchical service awareness engine |
| CN109347924A (zh) * | 2018-09-20 | 2019-02-15 | 西北大学 | 一种基于群智感知的推荐方法 |
| CN109451040A (zh) * | 2018-12-10 | 2019-03-08 | 王顺志 | 基于边缘计算的物联网组网系统及组网方法 |
| US20200279200A1 (en) * | 2019-02-28 | 2020-09-03 | NB Ventures, Inc., dba GEP | Self-driven system & method for operating enterprise and supply chain applications |
| CN110135599A (zh) * | 2019-05-15 | 2019-08-16 | 南京林业大学 | 无人机电力巡检点云智能化处理与分析服务平台 |
| CN111984364A (zh) * | 2019-05-21 | 2020-11-24 | 江苏艾蒂娜互联网科技有限公司 | 一种面向5g时代的人工智能云平台 |
| CN110687808A (zh) * | 2019-10-14 | 2020-01-14 | 苏州数言信息技术有限公司 | 基于物联网和机器学习的室内智慧节能系统 |
| CN111371830A (zh) * | 2019-11-26 | 2020-07-03 | 航天科工网络信息发展有限公司 | 一种万网融合场景下基于数据驱动的智能协同云架构 |
| CN111273892A (zh) * | 2020-02-13 | 2020-06-12 | 济南浪潮高新科技投资发展有限公司 | 一种基于云端技术和边缘计算实现智能机器人的方法 |
| CN111556107A (zh) * | 2020-04-16 | 2020-08-18 | 福州和达电子科技有限公司 | 一种基于“应激-反射”模型的智能物联网应用方法 |
| CN111625361A (zh) * | 2020-05-26 | 2020-09-04 | 华东师范大学 | 一种基于云端服务器和IoT设备协同的联合学习框架 |
| CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
| CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113518360A (zh) * | 2021-05-14 | 2021-10-19 | 浙江微科机电有限公司 | 一种基于6LowPAN协议的物联网智能组网监测系统及组网方法 |
| WO2023040971A1 (zh) * | 2021-09-18 | 2023-03-23 | 华为技术有限公司 | 一种人工智能模型下载方法、装置及系统 |
| CN115086343A (zh) * | 2022-06-29 | 2022-09-20 | 青岛华正信息技术股份有限公司 | 一种基于人工智能的物联网数据交互方法及系统 |
| CN115086343B (zh) * | 2022-06-29 | 2023-02-28 | 青岛华正信息技术股份有限公司 | 一种基于人工智能的物联网数据交互方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222170B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113222170B (zh) | 一种用于物联网ai协同服务平台的智能算法和模型 | |
| CN110390387A (zh) | 对深度学习应用所用资源进行评估 | |
| CN107451832B (zh) | 推送信息的方法和装置 | |
| CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| CN105281925B (zh) | 网络业务用户群组划分的方法和装置 | |
| CN109976997A (zh) | 测试方法和装置 | |
| WO2021136060A1 (zh) | 图像分类方法、装置、存储介质及电子设备 | |
| CN113254491A (zh) | 一种信息推荐的方法、装置、计算机设备及存储介质 | |
| CN109741108A (zh) | 基于情境感知的流式应用推荐方法、装置和电子设备 | |
| CN113569138A (zh) | 一种智能设备控制方法、装置、电子设备和存储介质 | |
| CN109558248A (zh) | 一种用于确定面向海洋模式计算的资源分配参数的方法及系统 | |
| CN105589798A (zh) | 征信值计算方法及装置 | |
| CN112347092B (zh) | 生成数据分析看板的方法、装置和计算机设备 | |
| CN105182811A (zh) | 一种基于电器设备操作的用户智能服务方法及系统 | |
| CN112115182A (zh) | 时序数据的处理方法、装置、设备及存储介质 | |
| Patel et al. | An integrated deep learning prediction approach for efficient modelling of host load patterns in cloud computing | |
| CN115860835A (zh) | 基于人工智能的广告推荐方法、装置、设备及存储介质 | |
| CN116308640A (zh) | 一种推荐方法及相关装置 | |
| CN116204709A (zh) | 一种数据处理方法及相关装置 | |
| Argerich et al. | Reinforcement learning based orchestration for elastic services | |
| CN112149826B (zh) | 深度神经网络推理计算中一种基于Profile图的优化方法 | |
| CN113806077A (zh) | 基于人工智能的数据中心服务器调控方法及装置 | |
| CN113626697A (zh) | 一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法 | |
| CN115047773A (zh) | 一种智能家居自动控制方法、装置及智能网关 | |
| Zafeiropoulos et al. | Detaching the design, development and execution of big data analysis processes: A case study based on energy and behavioral analytics |
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 |