CN114465909B - 一种智能感知边缘计算融合纳米组网装置 - Google Patents
一种智能感知边缘计算融合纳米组网装置 Download PDFInfo
- Publication number
- CN114465909B CN114465909B CN202210121055.2A CN202210121055A CN114465909B CN 114465909 B CN114465909 B CN 114465909B CN 202210121055 A CN202210121055 A CN 202210121055A CN 114465909 B CN114465909 B CN 114465909B
- Authority
- CN
- China
- Prior art keywords
- layer
- calculation
- neural network
- nano
- sensing
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 94
- 230000006855 networking Effects 0.000 title claims abstract description 24
- 230000008447 perception Effects 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 26
- 230000006854 communication Effects 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 210000004205 output neuron Anatomy 0.000 claims description 8
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000007792 addition Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 239000003446 ligand Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007860 molecular communication Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能感知边缘计算融合纳米组网装置,属于地质勘探、水质检测技术领域,包括:感知层、计算层和通信层,其中,感知层为纳米机器簇,用于对外界进行感知,并生成信源数据;计算层与感知层连接,用于通过预设连接方式对信源数据进行整合,并利用每个纳米机器自身计算能力进行处理,输出计算结果;通信层为纳米机器簇的簇首节点,与计算层连接,用于接收计算结果,以生成纳米机器簇的数据进行传输,通过上层路由最终传输至接收站,以及反馈层,用于基于计算结果判断是否需要对外界环境进行反馈,其中,反馈层采用与感知层相同的纳米机器。该结构使感知端的纳米机器簇通过组网与计算自主完成部分计算任务,并减少需要传输的信息量。
Description
技术领域
本发明涉及地质勘探、水质检测技术领域,特别涉及一种智能感知边缘计算融合纳米组网结构。
背景技术
纳米技术自诺贝尔奖得主理查德·费曼在1959的演说中第一次提出,十九世纪以来纳米技术的飞速发展,使得纳米级的机器制造成为可能。这些能够执行计算、感知和驱动等任务的纳米机器是纳米尺度上最基本的功能单元。由于单个纳米机器仅能在有限的空间范围内执行非常简单的任务,因此为了能够在更大的范围上完成更复杂的任务,需要纳米机器之间通过信息共享,以合作的方式组成分布式的纳米网络。
类似于传统通信网络中的OSI模型和TCP/IP互联网架构,Nakano等提出了一种分层架构,将大规模系统分解成一组更小的单元,各层之间相互独立,通过特定的方式进行信息交互。如图1所示,各层及其主要功能如下:
1)物理层:主要功能用来处理物理材料。它包括两个子层:生物纳米机器子层抽象生物纳米机器的物理细节并定义生物纳米机器的功能;信令子层提供信令功能并通过分子调制/解调。
2)分子链路层:用于直接通信范围。
3)分子传输层:用于大于链路层距离的通信范围。
4)分子传输层:用于端到端的通信范围。
5)应用层:提供多种基于分子通信应用的功能。
这种方式与TCP/IP一样,解决了信息通过路由方式进行传递的方法。在大规模纳米机器组网的场景下,负责感知的纳米机器会带来数量庞大且驳杂的信息,将所有信息传输到接收站会对接收站带来巨大的信息接收压力以及计算压力,并且由于目前大部分分子通信的方式通信距离较短,需要大量的路由节点辅助信息传输,大量信息的路由也给网络带来了巨大的传输压力。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种智能感知边缘计算融合纳米组网装置。
为达到上述目的,本发明实施例提出了智能感知边缘计算融合纳米组网装置,包括:感知层、计算层和通信层,其中,所述感知层为纳米机器簇,用于对外界进行感知,并生成信源数据;所述计算层与所述感知层连接,用于通过预设连接方式对所述信源数据进行整合,并利用每个纳米机器自身计算能力进行处理,输出计算结果;所述通信层为所述纳米机器簇的簇首节点,与所述计算层连接,用于接收所述计算结果,以生成所述纳米机器簇的数据进行传输,通过上层路由最终传输至接收站。
本发明实施例的智能感知边缘计算融合纳米组网装置,将边缘计算融合到通信组网中进行实现,利用多个计算节点使纳米机器完成信息传输和计算的任务,综合了多个节点的计算能力,能够完成更复杂的计算,并且通过预先计算大大降低了路由的数据量与接收站的计算量。
另外,根据本发明上述实施例的智能感知边缘计算融合纳米组网装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,还包括:反馈层,用于基于所述计算结果判断是否需要对外界环境进行反馈,其中,所述反馈层采用与所述感知层相同的纳米机器。
进一步地,在本发明的一个实施例中,所述计算层的每个纳米机器为一个神经元或节点,以构成预设神经网络对整理后的信源数据进行处理,其中,预设神经网络包括前馈神经网络、循环神经网络和卷积神经网络。
进一步地,在本发明的一个实施例中,所述前馈神经网络的计算过程为:
Y=f(WX+b)
其中,f为激活函数Y为输出神经元(计算结果),W为参数矩阵,X为输入神经元,b为偏置向量。
进一步地,在本发明的一个实施例中,所述循环神经网络的计算过程为:
H(t+1)=f(U·X(t+1)+W·H(t)+bh)
Y(t+1)=g(V·H(t+1)+by)
其中,f、g为激活函数,Y为输出神经元(计算结果),t为时序输入,Y为输出神经元,H为隐藏层更新参数矩阵,U为隐藏层(记忆),X为输入神经元,W为参数矩阵,V为输出参数矩阵,bh为隐藏层更新偏置向量,by为输出偏置向量。
进一步地,在本发明的一个实施例中,所述卷积神经网络的计算过程为:
向量卷积层:Y1=X1*C1
其中,Y1为输出向量,X1为输入向量,C1为卷积向量;
矩阵卷积层:Y2=X2*C2
其中,Y2为输出矩阵,X2为输入矩阵,C2为卷积矩阵(卷积核)。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一个实施例的纳米网络分层结构示意图;
图2是本发明一个实施例的智能感知边缘计算融合纳米组网结构的结构示意图;
图3是本发明一个实施例的前馈神经网络示意图;
图4是本发明一个实施例的循环神经网络示意图;
图5是本发明一个实施例的向量卷积层示意图;
图6是本发明一个实施例的矩阵卷积层示意图;
图7是本发明一个水质监测实例的智能感知边缘计算融合纳米组网执行示意图。
附图标记说明:
10-智能感知边缘计算融合纳米组网结构、100-感知层、200-计算层、300-通信层和400-反馈层。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的智能感知边缘计算融合纳米组网结构。
图1是本发明一个实施例的智能感知边缘计算融合纳米组网结构的结构示意图。
如图2所示,该组网架构10包括:感知层100、计算层200和通信层300。
其中,感知层100为纳米机器簇,用于对外界进行感知,并生成信源数据。计算层200与感知层100连接,用于通过预设连接方式对信源数据进行整合,并利用每个纳米机器自身计算能力进行处理,输出计算结果。通信层300为纳米机器簇的簇首节点,与计算层200连接,用于接收计算结果,以生成纳米机器簇的数据进行传输,通过上层路由最终传输至接收站。
具体地,感知层100为对外界进行感知的纳米机器簇,其功能是对外界进行感知并生成信源数据,其中对于不同的应用场景,感知层感知的内容不同。计算层200通过特定的连接方式对信源数据进行整合,并依靠纳米机器本身有限的计算能力进行计算,输出计算结果。通信层300为该簇的簇首节点,其接收计算层对于信源数据的计算结果,生成该簇的数据进行传输,通过上层的路由最终传输至接收站。
举例而言,在水质监测场景中,利用纳米机器对于部分水域中的某配体进行浓度检测,感知层100采用带有能接收该配体的受体的纳米机器,识别到配体生成信源数据‘1’,未识别到配体生成信源数据‘0’。现已知计算层200需要进行求和计算以此评估配体浓度,将计算层设置成单节点全连接的形式,如下图7,节点内完成求和取平均的计算得到运算结果。将运算结果传输至通信层,与上层进行数据传输最终传输至接收站。
进一步地,在本发明的一个实施例中,计算层200对于已知的计算方法,可以直接对计算层200的连接方式进行设计,使得在数据从感知层100经过计算层200后完成该已知计算。
具体地,计算层200可以设计成预设神经网路形式,利用深度学习赋能该神经网络。计算层200的每个纳米机器作为一个神经元或节点参与组网,使用不同的神经网络需要采用不同的连接方式,使用不同的神经网络需要采用不同的连接方式。其中,预设神经网络可以包括前馈神经网络、循环神经网络和卷积神经网络等等,其中,
如图3所示,前馈神经网络的计算方法如下:
Y=f(WX+b)
其中,
Y=(y1,y2Kym)T
X=(x1,x2K xn)T
b=(b1,b2K bm)T
式中,f为激活函数,常见的有sigmoid,tanh,Relu,阶跃函数等等。激活函数非必选项,根据应用需求进行选择,不必每一层均采用,Y为输出神经元(计算结果),W为参数矩阵,X为输入神经元,b为偏置向量。
如图4所示,循环神经网络的计算过程为:
记忆节点h更新方法如下:
H(t+1)=f(U·X(t+1)+W·H(t)+bh)
输出计算方法如下:
Y(t+1)=g(V·H(t+1)+by)
其中,
Y=(y1,y2Kym)T
X=(x1,x2Kxn)T
H=(h1,h2Khk)T
bh=(bh1,bh2Kbhm)T
by=(by1,by2Kbym)T
式中,f、g为激活函数,Y为输出神经元(计算结果),t为时序输入,Y为输出神经元,H为隐藏层更新参数矩阵,U为隐藏层(记忆),X为输入神经元,W为参数矩阵,V为输出参数矩阵,bh为隐藏层更新偏置向量,by为输出偏置向量。
进一步地,在本发明的一个实施例中,卷积神经网络的计算过程为:
如图5所示,向量卷积层计算方法如下:
Y1=X1*C1
其中,
X1=(x1,x2Kxn)T
C1=(c1,c2Kck)T
Y1=(y1,y2K yn-k+1)T
式中,Y1为输出向量,X1为输入向量,C1为卷积向量;
如图6所示,矩阵卷积层计算方法(考虑Padding)如下:
Y2=X2*C2
其中,
式中,Y2为输出矩阵,X2为输入矩阵,C2为卷积矩阵(卷积核)。
下面通过几个举例对本发明实施例提出的组网结构进一步说明。
现有技术一般以上述前馈神经网络为例会给出了一种三层DNN的计算结构。需要说明的是,采用该计算层组网结构,并且有训练需求,需要自通信层300到计算层200的每个节点具有反向传播(即反向通信)的能力,可直接在计算层200中反向传播、求导,利用梯度下降法训练网络参数训练网络。但由于纳米机器存储能力受限,每次梯度下降不能采用过大的batch,因此不推荐此方法。如果没有训练需求,只是部署神经网络到纳米机器组网当中,则不需反向传播的能力。
采用本发明实施例的组网结构,第一层采用relu激活函数增强网络处理非线性问题的能力,第二层第三层均不采用激活函数。计算过程如下:
X=Relu(WI+bI)
Y=UX+bX
O=VOY+bYO
R=VRY+bYR
其中,为第二层神经元向量,/>为参数矩阵,/>为第一层神经元向量,/>为偏置向量,/>为第三层神经元向量,/>为参数矩阵,/>为偏置向量,/>为计算层至通信层的输出向量,/>为参数矩阵,/> 为偏置向量,/>为计算层至反馈层的输出向量,/>为参数矩阵,为偏置向量。
由于纳米机器本身算力受限,利用多个计算节点完成信息传输和计算的任务,综合了多个节点的计算能力,完成了更复杂的计算,并且由于纳米机器个体间通信距离较短,需要很多路由节点帮助完成较长距离的通信,预先计算大大降低了路由的数据量与接收站的计算量。
进一步地,若某输入计算层的数据量为K,自计算层输出的数据量为R;计算层承担的计算量为M次乘法和N次加法;自计算层输出到接收站经过T个路由节点。则此组网方法将为接收站承担M次乘法和N次加法的计算量,并使得上层通信网络减少(K-R)*T的数据量,使接收站接收数据减少(K-R)。
在图7中,输入计算层的数据量为48bit(6*8bit),自计算层输出的数据量为8bit;计算层承担的计算量为1次乘法和5次加法;假设自计算层输出到接收站经过10个路由节点。则此组网方法将为接收站承担1次乘法和5次加法的计算量,并使得上层通信网络减少400bit的数据量,使接收站接收数据减少40bit。
对于整个系统,若有n个此组网结构单元,平均每个单元输入计算层的数据量为自计算层输出的数据量为/>计算层平均承担的计算量为/>次乘法和/>次加法;自计算层输出到接收站平均经过/>个路由节点。则此组网方法将为接收站承担/>次乘法和次加法的计算量,并使得上层通信网络减少/>的数据量,使计算层接收数据减少
进一步地,在本发明的一个实施例中,还包括:反馈层400,用于基于计算结果判断是否需要对外界环境进行反馈,其中,反馈层400采用与感知层100相同的纳米机器。
具体地,反馈层400是利用计算层200的计算结果判断是否需要对外界环境进行反馈,例如使纳米机器移动、释放药物等。对于不同的应用场景,反馈层400可与感知层100采用相同的纳米机器,也可以不存在反馈层。
根据本发明实施例提出的智能感知边缘计算融合纳米组网结构,将边缘计算融合到通信组网中进行实现,利用多个计算节点使纳米机器完成信息传输和计算的任务,综合了多个节点的计算能力,能够完成更复杂的计算,并且通过预先计算大大降低了路由的数据量与接收站的计算量。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (2)
1.一种智能感知边缘计算融合纳米组网装置,其特征在于,包括:感知层、计算层和通信层,其中,
所述感知层为纳米机器簇,用于对外界进行感知,并生成信源数据;
所述计算层与所述感知层连接,用于通过预设连接方式对所述信源数据进行整合,并利用每个纳米机器自身计算能力进行处理,输出计算结果;
所述通信层为所述纳米机器簇的簇首节点,与所述计算层连接,用于接收所述计算结果,以生成所述纳米机器簇的数据进行传输,通过上层路由最终传输至接收站;
所述计算层的每个纳米机器为一个神经元或节点,以构成预设神经网络对整理后的信源数据进行处理,其中,预设神经网络包括前馈神经网络、循环神经网络和卷积神经网络;
所述前馈神经网络的计算过程为:
Y=f(WX+b)
其中,f为激活函数,Y为输出神经元,W为参数矩阵,X为输入神经元,b为偏置向量;
所述循环神经网络的计算过程为:
H(t+1)=f(U·X(t+1)+W·H(t)+bh)
Y(t+1)=g(V·H(t+1)+by)
其中,f、g为激活函数,Y为输出神经元,t为时序输入,H为隐藏层更新参数矩阵,U为隐藏层,X为输入神经元,W为参数矩阵,V为输出参数矩阵,bh为隐藏层更新偏置向量,by为输出偏置向量;
所述卷积神经网络的计算过程为:
向量卷积层:Y1=X1*C1
其中,Y1为输出向量,X1为输入向量,C1为卷积向量;
矩阵卷积层:Y2=X2*C2
其中,Y2为输出矩阵,X2为输入矩阵,C2为卷积矩阵。
2.根据权利要求1所述的智能感知边缘计算融合纳米组网装置,其特征在于,还包括:反馈层,用于基于所述计算结果判断是否需要对外界环境进行反馈,其中,所述反馈层采用与所述感知层相同的纳米机器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210121055.2A CN114465909B (zh) | 2022-02-09 | 2022-02-09 | 一种智能感知边缘计算融合纳米组网装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210121055.2A CN114465909B (zh) | 2022-02-09 | 2022-02-09 | 一种智能感知边缘计算融合纳米组网装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114465909A CN114465909A (zh) | 2022-05-10 |
CN114465909B true CN114465909B (zh) | 2024-03-22 |
Family
ID=81414374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210121055.2A Active CN114465909B (zh) | 2022-02-09 | 2022-02-09 | 一种智能感知边缘计算融合纳米组网装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114465909B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295453A (zh) * | 2016-03-31 | 2017-10-24 | 扬州大学 | 一种无线传感器网络数据融合方法 |
CN111200540A (zh) * | 2019-12-27 | 2020-05-26 | 合肥学院 | 一种基于深度递归网络的大数据计算机系统故障检测方法 |
CN112585689A (zh) * | 2019-03-21 | 2021-03-30 | 因美纳有限公司 | 基于人工智能的碱基检出 |
CN112819143A (zh) * | 2021-02-04 | 2021-05-18 | 成都市深思创芯科技有限公司 | 一种基于图神经网络的工作记忆计算系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190378017A1 (en) * | 2018-06-12 | 2019-12-12 | Sun-Yuan Kung | System and method for implementing a neural network |
-
2022
- 2022-02-09 CN CN202210121055.2A patent/CN114465909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295453A (zh) * | 2016-03-31 | 2017-10-24 | 扬州大学 | 一种无线传感器网络数据融合方法 |
CN112585689A (zh) * | 2019-03-21 | 2021-03-30 | 因美纳有限公司 | 基于人工智能的碱基检出 |
CN111200540A (zh) * | 2019-12-27 | 2020-05-26 | 合肥学院 | 一种基于深度递归网络的大数据计算机系统故障检测方法 |
CN112819143A (zh) * | 2021-02-04 | 2021-05-18 | 成都市深思创芯科技有限公司 | 一种基于图神经网络的工作记忆计算系统及方法 |
Non-Patent Citations (2)
Title |
---|
分子通信研究综述;黎作鹏等;通信学报(05);全文 * |
负载感知的太赫兹纳米传感网的TDMA协议;徐娟等;同济大学学报(自然科学版);20181201(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114465909A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108874914B (zh) | 一种基于图卷积与神经协同过滤的信息推荐方法 | |
Xiang et al. | Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties | |
Chen et al. | Distributed adaptive tracking control for synchronization of unknown networked Lagrangian systems | |
Zhao et al. | Distributed finite-time tracking of multiple non-identical second-order nonlinear systems with settling time estimation | |
Cui et al. | Velocity-observer-based distributed finite-time attitude tracking control for multiple uncertain rigid spacecraft | |
Li et al. | Cooperative source seeking via networked multi-vehicle systems | |
CN111460331B (zh) | 一种基于时空图的会话推荐方法 | |
Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
Nikou et al. | Cooperative planning for coupled multi-agent systems under timed temporal specifications | |
TR201514432T1 (tr) | Veri̇ni̇n i̇leri̇ beslemeli̇ si̇ni̇r aği mi̇mari̇si̇ kullanilarak yalanci-yi̇neleme i̇le i̇şlenmesi̇ i̇çi̇n yöntem | |
Viegas et al. | Distributed state estimation for linear multi-agent systems with time-varying measurement topology | |
CN114237041B (zh) | 一种基于预设性能的空-地协同固定时间容错控制方法 | |
CN113176732A (zh) | 一种非线性随机多智能体系统固定时间一致控制方法 | |
CN114465909B (zh) | 一种智能感知边缘计算融合纳米组网装置 | |
CN115938505A (zh) | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 | |
Ngo et al. | Human–Robot Coordination Control for Heterogeneous Euler–Lagrange Systems Under Communication Delays and Relative Position | |
de Hoog et al. | Improving machine learning-based decision-making through inclusion of data quality | |
Al-habob et al. | Mobile edge computing and artificial intelligence: A mutually-beneficial relationship | |
CN116477375A (zh) | 基于人工智能的堆取料控制系统及其方法 | |
CN110401955A (zh) | 一种移动网络恶意节点检测方法及系统 | |
CN114444659A (zh) | 一种基于图计算的联邦学习方法和系统 | |
Liu et al. | A distributed parallel optimization algorithm via alternating direction method of multipliers | |
Shah et al. | Hierarchical planning and learning for robots in stochastic settings using zero-shot option invention | |
CN114239138A (zh) | 一种基于拓扑排序算法的飞控系统分层sdg建模方法 | |
CN111709275A (zh) | 一种用于Affordance推理的深度网络构建方法 |
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 |