CN115473822A - 一种5g智能网关数据传输方法、系统及云平台 - Google Patents
一种5g智能网关数据传输方法、系统及云平台 Download PDFInfo
- Publication number
- CN115473822A CN115473822A CN202211158511.7A CN202211158511A CN115473822A CN 115473822 A CN115473822 A CN 115473822A CN 202211158511 A CN202211158511 A CN 202211158511A CN 115473822 A CN115473822 A CN 115473822A
- Authority
- CN
- China
- Prior art keywords
- gateway
- data
- data transmission
- intelligent
- model
- 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
Images
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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供的一种5G智能网关数据传输方法、系统及云平台,通过结合前一个智能网关训练数据的网关数据处理结果,通过指引信息对实时智能网关训练数据进行网关数据处理,可以更好地挖掘出实时智能网关训练数据中的向量数据,从而得到精确的网关数据处理结果。针对各个待处理的实时智能网关训练数据,通过为其设置对应的人工智能模型,并在该人工智能模型中设置前一个智能网关训练数据的网关数据处理结果的解析系数和解析方式,可以实现在智能网关训练数据内为待处理的数据合理的利用计算资源,从而提高人工智能模型的处理准确性,得到精确度更佳的网关数据处理结果,从而提高数据传输的准确性和可靠性。
Description
技术领域
本申请涉及地图生成技术领域,具体而言,涉及一种5G智能网关数据传输方法、系统及云平台。
背景技术
5G作为一种新型移动通信网络,不仅要解决人与人通信,为用户提供增强现实、虚拟现实、超高清(3D)视频等更加身临其境的极致业务体验,更要解决人与物、物与物通信问题,满足移动医疗、车联网、智能家居、工业控制、环境监测等物联网应用需求。最终,5G将渗透到经济社会的各行业各领域,成为支撑经济社会数字化、网络化、智能化转型的关键新型基础设施。
现目前,5G技术能够有效地提高数据传输速度,但是存在数据传输精度不高的问题。因此,亟需一种技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种5G智能网关数据传输方法、系统及云平台。
第一方面,提供一种5G智能网关数据传输方法,所述方法至少包括:获得实时智能网关训练数据,并获得实时智能网关训练数据的前一个智能网关训练数据的网关数据处理结果;获得用于对实时智能网关训练数据进行处理的人工智能模型,并确定所述人工智能模型中的解析系数和解析方式;在所述人工智能模型筛选所述实时智能网关训练数据的网关事件向量的过程中,依照所述解析方式将所述人工智能模型中位于所述解析系数之前的模型架构输出的网关事件向量和所述前一个智能网关训练数据的网关数据处理结果进行解析,得到解析结果;将所述解析结果加载至所述人工智能模型中位于所述解析系数之后的模型架构进行网关数据处理,确定所述实时智能网关训练数据的网关数据处理结果,并将所述网关数据处理结果进行传输。
在一种独立实施的实施例中,所述获得用于对实时智能网关训练数据进行处理的人工智能模型,包括:基于全局智能模型确定用于对所述实时智能网关训练数据进行处理的人工智能模型;所述全局智能模型包括若干个携带有关联关系的模型架构。
在一种独立实施的实施例中,所述基于全局智能模型确定用于对所述实时智能网关训练数据进行处理的人工智能模型,包括:在所述实时智能网关训练数据所属的训练主题中确定涵盖所述实时智能网关训练数据的若干个连续非重要网关数据;在在先配置的第一全局智能模型中寻找符合第一网关数据传输要求的不少于一个数据传输单元,其中,各个所述数据传输单元中涵盖为各个非重要网关数据寻找的第一数据传输子单元;基于所述不少于一个数据传输单元确定用于对所述实时智能网关训练数据进行处理的人工智能模型。
在一种独立实施的实施例中,所述基于所述不少于一个数据传输单元确定用于对所述实时智能网关训练数据进行处理的人工智能模型,包括:获得目标校验范例;结合所述目标校验范例对各个所述数据传输单元进行校验,得到不少于一个校验结果;在所述不少于一个校验结果中挑选目标校验结果所对应的目标数据传输单元,并根据所述目标数据传输单元确定所述人工智能模型,其中,所述目标校验结果为所述不少于一个校验结果中符合第一校验要求的校验结果。
在一种独立实施的实施例中,所述在在先配置的第一全局智能模型中寻找符合第一网关数据传输要求的不少于一个数据传输单元,包括:确定各个非重要网关数据的目标寻找区域;其中,各个所述目标寻找区域中涵盖指定寻找方向中若干个第一寻找方向的一个寻找区域;所述第一寻找方向涵盖:用于指示人工智能模型结构的空间寻找方向,以及用于指示所述解析系数和解析方式的时间寻找方向;基于各个非重要网关数据的目标寻找区域,在在先配置的第一全局智能模型中寻找符合所述第一网关数据传输要求的数据传输子单元,并根据寻找到的数据传输子单元确定所述数据传输单元。
在一种独立实施的实施例中,通过以下步骤配置待配置的第一全局智能模型:获得第一配置范例簇,其中,所述第一配置范例簇中涵盖若干个第一配置范例,各个第一配置范例涵盖若干个非重要网关数据;在待配置的第一全局智能模型中筛选若干组待局部配置模型;每组待局部配置模型中子网络的数目与各个第一配置范例中非重要网关数据的数目一致,且一个待局部配置模型对应处理该配置范例中的一个非重要网关数据;结合所述第一配置范例簇对每组待局部配置模型进行配置,配置之后确定所述第一全局智能模型。
在一种独立实施的实施例中,在所述前一个智能网关训练数据为重要网关数据的前提上,通过以下步骤确定所述前一个智能网关训练数据所对应人工智能模型:在指定寻找方向中确定与所述前一个智能网关训练数据相关联的若干个第二寻找方向的寻找区域;所述若干个第二寻找方向涵盖用于指示所述前一个智能网关训练数据所对应的人工智能模型结构的空间寻找方向;基于各个第二寻找方向的寻找区域对在先配置的第二全局智能模型进行寻找,得到符合第二网关数据传输要求的不少于一个第二数据传输子单元;其中,所述第二网关数据传输要求用于表征对重要网关数据进行处理的简易程度;基于所述不少于一个第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型。
在一种独立实施的实施例中,所述基于所述不少于一个第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型,包括:通过各个第二数据传输子单元对指定校验集进行处理,得到若干个校验结果;其中,所述校验结果用于表征对应第二数据传输子单元的预测准确度;在所述若干个校验结果中确定目标校验结果所对应的第二数据传输子单元为所述前一个智能网关训练数据所对应人工智能模型,其中,所述目标校验结果为若干个校验结果中符合第二校验要求的校验结果。
在一种独立实施的实施例中,所述方法还包括:在所述不少于一个第二数据传输子单元的校验结果中未确定出所述目标校验结果的前提上,优化各个第二寻找方向所对应的寻找区域;根据优化之后的寻找区域对第二全局智能模型进行寻找,直至在寻找到符合所述第二网关数据传输要求的不少于一个第二数据传输子单元的校验结果中确定出目标校验结果的前提上,基于该目标校验结果所对应的第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型。
在一种独立实施的实施例中,通过以下步骤配置待配置的第二全局智能模型:获得第二配置范例簇;所述第二配置范例簇中涵盖若干个第二配置范例;在所述待配置的第二全局智能模型中为各个第二配置范例抽取若干个数据传输子单元;基于所述第二配置范例簇中的若干个第二配置范例对抽取到的所述若干个数据传输子单元进行配置,配置之后确定所述第二全局智能模型。
第二方面,提供一种5G智能网关数据传输系统,包括:数据传输云平台和网关数据采集端,所述数据传输云平台和所述网关数据采集端通信连接;
其中,所述数据传输云平台,用于:获得实时智能网关训练数据,并获得实时智能网关训练数据的前一个智能网关训练数据的网关数据处理结果;获得用于对实时智能网关训练数据进行处理的人工智能模型,并确定所述人工智能模型中的解析系数和解析方式;在所述人工智能模型筛选所述实时智能网关训练数据的网关事件向量的过程中,依照所述解析方式将所述人工智能模型中位于所述解析系数之前的模型架构输出的网关事件向量和所述前一个智能网关训练数据的网关数据处理结果进行解析,得到解析结果;将所述解析结果加载至所述人工智能模型中位于所述解析系数之后的模型架构进行网关数据处理,确定所述实时智能网关训练数据的网关数据处理结果,并将所述网关数据处理结果进行传输。
第三方面,提供一种数据传输云平台,包括:存储器,用于存储计算机程序;与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现上述的方法。
本申请实施例所提供的一种5G智能网关数据传输方法、系统及云平台,在对实时智能网关训练数据进行处理时,通过结合前一个智能网关训练数据的网关数据处理结果,可以实现将前一个智能网关训练数据中的信息加载至实时智能网关训练数据中,从而将前一个智能网关训练数据的网关数据处理结果视为实时智能网关训练数据的指引信息,通过指引信息对实时智能网关训练数据进行网关数据处理,可以更好地挖掘出实时智能网关训练数据中的向量数据,从而得到精确的网关数据处理结果。针对各个待处理的实时智能网关训练数据,通过为其设置对应的人工智能模型,并在该人工智能模型中设置前一个智能网关训练数据的网关数据处理结果的解析系数和解析方式,可以实现在智能网关训练数据内为待处理的数据合理的利用计算资源,从而提高人工智能模型的处理准确性,得到精确度更佳的网关数据处理结果,从而提高数据传输的准确性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种5G智能网关数据传输方法的流程图。
图2为本申请实施例所提供的一种5G智能网关数据传输装置的框图。
图3为本申请实施例所提供的一种数据传输云平台的硬件结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种5G智能网关数据传输方法,该方法可以包括以下步骤S101-S107所描述的技术方案。
S101:获得实时智能网关训练数据,并获得实时智能网关训练数据的前一个智能网关训练数据的网关数据处理结果。
S103:获得用于对所述实时智能网关训练数据进行处理的人工智能模型,并确定所述人工智能模型中的解析系数和解析方式。
在本公开实施例中,可以为实时智能网关训练数据确定符合准确性要求的人工智能模型。这里,解析系数可以理解为将前一个智能网关训练数据的网关数据处理结果解析至寻找到的人工智能模型中的位置,还可以理解为人工智能模型中将前一个智能网关训练数据的网关数据处理结果和实时智能网关训练数据的网关事件向量进行解析的时机。
解析方式可以理解为将前一个智能网关训练数据的网关数据处理结果和实时智能网关训练数据的网关事件向量进行解析的具体解析线程。
S105:在所述人工智能模型筛选所述实时智能网关训练数据的网关事件向量的过程中,依照所述解析方式将所述人工智能模型中位于所述解析系数之前的模型架构输出的网关事件向量和所述前一个智能网关训练数据的网关数据处理结果进行解析,得到解析结果。
这里,为实时智能网关训练数据寻找到的人工智能模型中涵盖若干个携带有关联关系的模型架构。
在获得到人工智能模型之后,该人工智能模型中所涵盖的若干个模型架构筛选实时智能网关训练数据的网关事件向量。当特征筛选至解析系数之前的模型架构时,将该模型架构输出的网关事件向量和前一个智能网关训练数据的网关数据处理结果进行解析,从而得到解析结果。
S107:将所述解析结果加载至所述人工智能模型中位于所述解析系数之后的模型架构进行网关数据处理,确定所述实时智能网关训练数据的网关数据处理结果,并将所述网关数据处理结果进行传输。
在本公开实施例中,在对实时智能网关训练数据进行处理时,通过结合前一个智能网关训练数据的网关数据处理结果,可以实现将前一个智能网关训练数据中的信息加载至实时智能网关训练数据中,从而将前一个智能网关训练数据的网关数据处理结果视为实时智能网关训练数据的指引信息,通过指引信息对实时智能网关训练数据进行网关数据处理,可以更好地挖掘出实时智能网关训练数据的中的向量数据,从而得到精确的网关数据处理结果。针对各个待处理的实时智能网关训练数据,通过为其设置对应的人工智能模型,并在该人工智能模型中设置前一个智能网关训练数据的网关数据处理结果的解析系数和解析方式,可以实现在智能网关训练数据内为待处理的数据合理的利用计算资源,从而提高人工智能模型的处理准确性,得到精确度更佳的网关数据处理结果,从而提高数据传输的准确性和可靠性。
针对上述步骤S101、实时智能网关训练数据及其前一个智能网关训练数据可以为一个训练主题中的智能网关训练数据。针对该训练主题,在先配置了智能网关训练数据的种类,具体包括:重要网关数据和非重要网关数据。
在设定重要网关数据和非重要网关数据时,可以根据智能网关训练数据中所涵盖的内容进行指定。譬如,相较于前一个智能网关训练数据,实时智能网关训练数据的网关数据描述发生了变化(譬如,智能网关训练数据中所涵盖的目标对象发生了变化),此时,可以将该实时智能网关训练数据确定为重要网关数据。在实时智能网关训练数据为重要网关数据的前提上,训练主题中位于实时智能网关训练数据之后,且位于后一个重要网关数据之前的智能网关训练数据为非重要网关数据。
示例性的,训练主题中可以涵盖以下智能网关训练数据:第一重要网关数据、第一非重要网关数据、第二非重要网关数据、第二重要网关数据、第三非重要网关数据、第四非重要网关数据、第五非重要网关数据,第三重要网关数据,…。
这里,可以将第一重要网关数据、第一非重要网关数据、第二非重要网关数据视为一组智能网关训练数据,然后为该组智能网关训练数据中的各个网关数据确定相应的人工智能模型;还可以将第二重要网关数据、第三非重要网关数据、第四非重要网关数据、第五非重要网关数据视为另一组智能网关训练数据,然后为该组智能网关训练数据中的各个网关数据确定相应的人工智能模型。
针对步骤S103:获得用于对实时智能网关训练数据进行处理的人工智能模型,包括如下步骤:基于全局智能模型确定用于对所述实时智能网关训练数据进行处理的人工智能模型;所述全局智能模型包括若干个携带有关联关系的模型架构。
在本公开实施例中,可以在全局智能模型中为实时智能网关训练数据寻找符合要求的数据传输子单元视为人工智能模型。
(1):在不改变全局智能模型中在先配置的模型架构的结构的基础上,在全局智能模型中为实时智能网关训练数据寻找出符合要求模型架构,进而根据寻找到的模型架构在全局智能模型中的关联关系确定一个数据传输子单元视为人工智能模型。
(2):通过对全局智能模型中在先配置的模型架构的结构进行识别,从而实现在全局智能模型中寻找出符合要求的人工智能模型。其中,对模型架构的结构进行识别依据为上述若干个寻找方向的寻找区域,进而根据寻找到的模型架构在全局智能模型中的关联关系确定一个数据传输子单元视为人工智能模型。
除此之外,还可以结合上述所描述的方式和(2)寻找符合要求的模型架构。
通过上述两种方式为实时智能网关训练数据寻找符合要求的人工智能模型,可以在已有全局智能模型的网络结构的基础上,进一步扩大模型架构的寻找区域,从而在扩大之后的寻找区域中寻找准确性更优的数据传输子单元视为人工智能模型。
对于一些可能实施的实施例而言,步骤基于全局智能模型确定用于对所述实时智能网关训练数据进行处理的人工智能模型,包括如下过程:S11,在所述实时智能网关训练数据所属的训练主题中确定涵盖该实时智能网关训练数据的若干个连续非重要网关数据;S12,在在先配置的第一全局智能模型中寻找符合第一网关数据传输要求的不少于一个数据传输单元,其中,各个所述数据传输单元中涵盖为各个非重要网关数据寻找的第一数据传输子单元;S13,基于所述不少于一个数据传输单元确定用于对所述实时智能网关训练数据进行处理的人工智能模型。
示例性的,训练主题中涵盖以下智能网关训练数据:第一重要网关数据、第一非重要网关数据、第二非重要网关数据、第二重要网关数据、第三非重要网关数据、第四非重要网关数据、第五非重要网关数据,第三重要网关数据,…。
若实时智能网关训练数据为第四非重要网关数据,那么涵盖该实时智能网关训练数据的若干个连续非重要网关数据为:第三非重要网关数据、第四非重要网关数据、第五非重要网关数据。同样地,若实时智能网关训练数据为第一非重要网关数据,那么涵盖该实时智能网关训练数据的若干个连续非重要网关数据为第一非重要网关数据和第二非重要网关数据。
在确定出上述若干个连续非重要网关数据之后,就可以在在先配置的第一全局智能模型中为各个非重要网关数据寻找第一数据传输子单元。
可以理解的是,通过上述所描述的(1)和/或(2)所描述的寻找方式为各个非重要网关数据寻找第一数据传输子单元,再次不进行一一赘述。
针对若干个连续非重要网关数据来说,要求为若干个连续非重要网关数据寻找到的若干个第一数据传输子单元符合第一网关数据传输要求。此时,符合第一网关数据传输要求的若干个第一数据传输子单元构成一个数据传输单元。
这里,可以通过以下方式理解:若干个第一数据传输子单元符合第一网关数据传输要求:各个第一数据传输子单元符合第一网关数据传输要求;和/或,若干个第一数据传输子单元整体符合第一网关数据传输要求;和/或,构成各个第一数据传输子单元的各个模型架构符合第一网关数据传输要求。
在确定出符合第一网关数据传输要求的不少于一个数据传输单元之后,就可以基于不少于一个数据传输单元确定用于对实时智能网关训练数据进行处理的人工智能模型。
上述实施方式中,通过在第一全局智能模型中寻找符合第一网关数据传输要求的不少于一个数据传输单元,进而根据该不少于一个数据传输单元确定各个非重要网关数据所对应的人工智能模型的方式,可以实现在若干个连续非重要网关数据所对应的人工智能模型符合整体计算资源约束(即,第一网关数据传输要求)的前提上,实现自动在若干个连续非重要网关数据之间利用计算资源,从而实现5G智能网关数据传输方法的全局最优,以提高5G智能网关数据传输方法的处理准确度。
对于一些可能实施的实施例而言,步骤S13:基于所述不少于一个数据传输单元确定用于对所述实时智能网关训练数据进行处理的人工智能模型,包括如下过程:步骤S131:获得目标校验范例;步骤S132:结合所述目标校验范例对各个所述数据传输单元进行校验,得到不少于一个校验结果;步骤S133:在所述不少于一个校验结果中挑选目标校验结果所对应的目标数据传输单元,并根据所述目标数据传输单元确定所述人工智能模型,其中,所述目标校验结果为所述不少于一个校验结果中符合第一校验要求的校验结果。
此时,可以通过各个数据传输单元对目标校验范例进行处理,得到不少于一个校验结果,其中,该校验结果用于表征各个数据传输单元中各个数据传输子单元的处理准确性。
这里,各个目标校验范例中可以涵盖若干个智能网关训练数据,且各个数据传输单元中的一个数据传输子单元用于对一个智能网关训练数据进行处理。
在得到不少于一个校验结果之后,可以在不少于一个校验结果中挑选符合第一校验要求的目标校验结果所对应的数据传输单元视为目标数据传输单元,具体包括以下几种方式:(1):在得到不少于一个校验结果之后,可以在不少于一个校验结果中挑选最优校验结果所对应的数据传输单元视为目标数据传输单元。
(2):在得到不少于一个校验结果之后,还可以在不少于一个校验结果中挑选不小于指定校验目标值的校验结果,并将挑选出的校验结果所对应的数据传输单元视为目标数据传输单元。
针对各个数据传输单元的校验结果,在该校验结果中可以涵盖若干个子校验结果,其中,各个子校验结果用于表征该数据传输单元中各个第一数据传输子单元的校验结果。
这里,各个校验结果不小于指定校验目标值可以理解为:各个子校验结果均不小于指定校验目标值,和/或,各个子校验结果的均值不小于指定校验目标值。
在确定出目标数据传输单元之后,就可以将该目标数据传输单元中的数据传输子单元分别视为若干个连续重要网关数据所对应的人工智能模型,从而实现确定实时智能网关训练数据所对应的人工智能模型。
上述实施方式中,通过目标校验范例在不少于一个数据传输单元中为若干个连续非重要网关数据挑选处理准确性最优的数据传输子单元,可以提高网关数据处理的准确性,从而得到准确度更高的网关数据处理结果。
对于一些可能实施的实施例而言,步骤S12:在在先配置的第一全局智能模型中寻找符合第一网关数据传输要求的不少于一个数据传输单元,包括如下过程:步骤S121:确定各个非重要网关数据的目标寻找区域;其中,各个所述目标寻找区域中涵盖指定寻找方向中若干个第一寻找方向的一个寻找区域;所述第一寻找方向涵盖:用于指示人工智能模型结构的空间寻找方向,以及用于指示所述解析系数和解析方式的时间寻找方向;步骤S122:基于各个非重要网关数据的目标寻找区域,在在先配置的第一全局智能模型中寻找符合所述第一网关数据传输要求的数据传输子单元,并根据寻找到的数据传输子单元确定所述数据传输单元。
示例性的,训练主题中涵盖以下智能网关训练数据:第一重要网关数据、第一非重要网关数据、第二非重要网关数据、第二重要网关数据、第三非重要网关数据、第四非重要网关数据、第五非重要网关数据,第三重要网关数据,…。下面以第一非重要网关数据和第二非重要网关数据为例来进行说明。
在空间寻找方向和时间寻找方向中为第一非重要网关数据确定相应的目标寻找区域,并基于该目标寻找区域在第一全局智能模型中寻找数第一据传输子单元。在空间寻找方向和时间寻找方向中为第二非重要网关数据确定相应的目标寻找区域,并基于该目标寻找区域在第一全局智能模型中寻找第二据传输子单元。接下来,判断数第一据传输子单元和第二据传输子单元的计算简易程度总和是否符合第一网关数据传输要求。
在判断出符合的前提上,将数第一据传输子单元和第二据传输子单元视为一个数据传输单元。在判断出不符合的前提上,则继续基于各个非重要网关数据的目标寻找区域寻找符合第一网关数据传输要求的数据传输子单元。
模型结构系数用于表征待寻找的人工智能模型在全局智能模型中所需模型架构的数目。若待寻找的人工智能模型为上述实时智能网关训练数据的人工智能模型,则该全局智能模型为上述第一全局智能模型。
可以理解的是,在将网关事件向量和前一个智能网关训练数据的网关数据处理结果进行解析之前,还可以通过另外一个特征提取单元对该网关数据处理结果进行特征提取,从而将特征提取之后的网关数据处理结果和网关事件向量进行解析,得到解析结果。
对于一些可能实施的实施例而言,可以通过以下步骤配置待配置的第一全局智能模型,具体包括:(1)、获得第一配置范例簇,其中,所述第一配置范例簇中涵盖若干个第一配置范例,各个第一配置范例涵盖若干个非重要网关数据;(2)、在待配置的第一全局智能模型中筛选若干组待局部配置模型;每组待局部配置模型中子网络的数目与各个第一配置范例中非重要网关数据的数目一致,且一个待局部配置模型对应处理该配置范例中的一个非重要网关数据;(3)、结合所述第一配置范例簇对每组待局部配置模型进行配置,配置之后确定所述第一全局智能模型。
在对待配置的第一全局智能模型进行配置时,可以获得第一配置范例簇,在该第一配置范例簇中涵盖若干个第一配置范例,各个第一配置范例中涵盖若干个非重要网关数据。这里,第一配置范例簇的各个第一配置范例中所涵盖非重要网关数据的数目可以根据实际需要来进行设定。
可以理解的是,在本公开实施例中,可以构建若干个第一配置范例簇,不同第一配置范例簇的第一配置范例中所涵盖非重要网关数据的数目不同。通过该设置方式,可以符合若干个连续非重要网关数据的不同数目要求;同时还可以提高第一全局智能模型中各个前提上的数据传输子单元的处理准确性。
在本公开实施例中,针对各个第一配置范例,可以在待配置的第一全局智能模型中筛选X组待局部配置模型,分别为:为该第一配置范例中的各个非重要网关数据筛选的待配置的第一全局智能模型中结构最大的数据传输子单元,为该第一配置范例中各个非重要网关数据筛选的待配置的第一全局智能模型中结构最小的数据传输子单元,以及为该第一配置范例中的各个非重要网关数据随机筛选的X-2个数据传输子单元。其中,随机抽取的X-2个数据传输子单元为各个非重要网关数据分别随机抽取,在随机抽取X-2个数据传输子单元时,空间寻找方向系数和时间寻找方向系数均可各不相同。之后,基于筛选到的X个待局部配置模型进行配置,每组待局部配置模型中的各个待局部配置模型用于处理一个非重要网关数据。
这里,在随机筛选若干组待局部配置模型时,可以依照上述所描述的若干个第一寻找方向在待配置的第一全局智能模型中随机筛选若干组待局部配置模型。
在获得到第一配置范例簇之后,就可以通过第一配置范例簇对每组待局部配置模型进行配置,配置之后确定所述第一全局智能模型。
对于一些可能实施的实施例而言,在前一个智能网关训练数据为重要网关数据的前提上,可以通过以下步骤确定所述前一个智能网关训练数据所对应人工智能模型,具体包括:(1)、在指定寻找方向中确定与所述前一个智能网关训练数据相关联的若干个第二寻找方向的寻找区域;所述若干个第二寻找方向涵盖用于指示所述前一个智能网关训练数据所对应的人工智能模型的结构的空间寻找方向;(2)、基于各个第二寻找方向的寻找区域对在先配置的第二全局智能模型进行寻找,得到符合第二网关数据传输要求的不少于一个第二数据传输子单元;其中,所述第二网关数据传输要求用于表征对重要网关数据进行处理的简易程度;(3)、基于所述不少于一个第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型。
在本公开实施例中,在确定出若干个第二寻找方向之后,可以针对各个第二寻找方向确定一个寻找区域,此时,若干个第二寻找方向对应若干个寻找区域。
在确定出各个第二寻找方向的寻找区域之后,就可以基于确定出的若干个寻找区域在第二全局智能模型中进行寻找,得到符合第二网关数据传输要求的不少于一个第二数据传输子单元。之后,基于符合第二网关数据传输要求的不少于一个第二数据传输子单元确定前一个智能网关训练数据所对应人工智能模型。
上述实施方式中,通过设置第二寻找方向,并而根据第二寻找方向在第二全局智能模型中为重要网关数据寻找相应的数据传输子单元视为人工智能模型的方式,可以自动的在第二全局智能模型中确定符合要求的人工智能模型。
对于一些可能实施的实施例而言,上述步骤:基于所述不少于一个第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型,包括如下过程:首先,通过各个第二数据传输子单元对指定校验集进行处理,得到若干个校验结果;其中,所述校验结果用于表征对应第二数据传输子单元的预测准确度;然后,在所述若干个校验结果中确定目标校验结果所对应的第二数据传输子单元为所述前一个智能网关训练数据所对应人工智能模型,其中,所述目标校验结果为若干个校验结果中符合第二校验要求的校验结果。
在本公开实施例中,在寻找出符合第二约束条件的不少于一个第二数据传输子单元之后,可以在不少于一个第二数据传输子单元中确定处理准确性符合要求的第二数据传输子单元视为前一个智能网关训练数据所对应人工智能模型。
这里,符合第二校验要求可以理解为:在若干个校验结果中挑选最优校验结果所对应的第二数据传输子单元视为前一个智能网关训练数据所对应人工智能模型;和/或,在若干个校验结果中挑选不小于指定校验目标值的目标校验结果所对应的第二数据传输子单元视为前一个智能网关训练数据所对应人工智能模型。
在本公开实施例中,在所述不少于一个第二数据传输子单元的校验结果中未确定出所述目标校验结果的前提上,可以优化各个第二寻找方向所对应的寻找区域。之后根据优化之后的寻找区域对第二全局智能模型进行寻找,直至在寻找到符合所述第二网关数据传输要求的不少于一个第二数据传输子单元的校验结果中确定出目标校验结果的前提上,基于该目标校验结果所对应的第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型。
在优化寻找区域之后,可以基于优化之后的寻找区域进行寻找得到给定第二网关数据传输要求下的不少于一个第二数据传输子单元。针对寻找到的各个第二数据传输子单元,可以采用上述所描述的方式对各个第二数据传输子单元进行校验,得到若干个校验结果。在若干个校验结果符合指定准确性要求的前提上,例如,若干个校验结果中涵盖大于指定校验目标值的目标校验结果,则根据该目标校验结果所对应的第二数据传输子单元确定前一个智能网关训练数据所对应人工智能模型。
在一种可选的实施方式中,通过以下步骤配置待配置的第二全局智能模型,具体包括如下过程:(1)、获得第二配置范例簇;所述第二配置范例簇中涵盖若干个第二配置范例;(2)、在所述待配置的第二全局智能模型中为各个第二配置范例抽取若干个数据传输子单元;(3)、基于所述第二配置范例簇中的若干个第二配置范例对抽取到的所述若干个数据传输子单元进行配置,配置之后确定所述第二全局智能模型。
针对第二配置范例簇中的各个第二配置范例,根据上述所描述的若干个第二寻找方向,在待配置的第二全局智能模型中抽取了X个数据传输子单元,分别为:待配置的第二全局智能模型中结构最大的数据传输子单元,待配置的全局智能模型中结构最小的数据传输子单元,以及X-2个随机抽取的数据传输子单元。
在上述基础上,请结合参阅图2,提供了一种5G智能网关数据传输装置200,应用于5G智能网关数据传输系统,所述装置包括:
数据获得模块210,用于获得实时智能网关训练数据,并获得实时智能网关训练数据的前一个智能网关训练数据的网关数据处理结果;
模型确定模块220,用于获得用于对实时智能网关训练数据进行处理的人工智能模型,并确定所述人工智能模型中的解析系数和解析方式;
结果解析模块230,用于在所述人工智能模型筛选所述实时智能网关训练数据的网关事件向量的过程中,依照所述解析方式将所述人工智能模型中位于所述解析系数之前的模型架构输出的网关事件向量和所述前一个智能网关训练数据的网关数据处理结果进行解析,得到解析结果;
数据传输模块240,用于将所述解析结果加载至所述人工智能模型中位于所述解析系数之后的模型架构进行网关数据处理,确定所述实时智能网关训练数据的网关数据处理结果,并将所述网关数据处理结果进行传输。
在上述基础上,请结合参阅图3,示出了一种5G智能网关数据传输系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,在对实时智能网关训练数据进行处理时,通过结合前一个智能网关训练数据的网关数据处理结果,可以实现将前一个智能网关训练数据中的信息加载至实时智能网关训练数据中,从而将前一个智能网关训练数据的网关数据处理结果视为实时智能网关训练数据的指引信息,通过指引信息对实时智能网关训练数据进行网关数据处理,可以更好地挖掘出实时智能网关训练数据中的向量数据,从而得到精确的网关数据处理结果。针对各个待处理的实时智能网关训练数据,通过为其设置对应的人工智能模型,并在该人工智能模型中设置前一个智能网关训练数据的网关数据处理结果的解析系数和解析方式,可以实现在智能网关训练数据内为待处理的数据合理的利用计算资源,从而提高人工智能模型的处理准确性,得到精确度更佳的网关数据处理结果,从而提高数据传输的准确性和可靠性。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种5G智能网关数据传输方法,其特征在于,所述方法至少包括:
获得所述实时智能网关训练数据,并获得实时智能网关训练数据的前一个智能网关训练数据的网关数据处理结果;
获得用于对实时智能网关训练数据进行处理的人工智能模型,并确定所述人工智能模型中的解析系数和解析方式;
在所述人工智能模型筛选所述实时智能网关训练数据的网关事件向量的过程中,依照所述解析方式将所述人工智能模型中位于所述解析系数之前的模型架构输出的网关事件向量和所述前一个智能网关训练数据的网关数据处理结果进行解析,得到解析结果;
将所述解析结果加载至所述人工智能模型中位于所述解析系数之后的模型架构进行网关数据处理,确定所述实时智能网关训练数据的网关数据处理结果,并将所述网关数据处理结果进行传输。
2.根据权利要求1所述的方法,其特征在于,所述获得用于对实时智能网关训练数据进行处理的人工智能模型,包括:基于全局智能模型确定用于对所述实时智能网关训练数据进行处理的人工智能模型;所述全局智能模型包括若干个携带有关联关系的模型架构。
3.根据权利要求2所述的方法,其特征在于,所述基于全局智能模型确定用于对所述实时智能网关训练数据进行处理的人工智能模型,包括:
在所述实时智能网关训练数据所属的训练主题中确定涵盖所述实时智能网关训练数据的若干个连续非重要网关数据;
在在先配置的第一全局智能模型中寻找符合第一网关数据传输要求的不少于一个数据传输单元,其中,各个所述数据传输单元中涵盖为各个非重要网关数据寻找的第一数据传输子单元;基于所述不少于一个数据传输单元确定用于对所述实时智能网关训练数据进行处理的人工智能模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述不少于一个数据传输单元确定用于对所述实时智能网关训练数据进行处理的人工智能模型,包括:
获得目标校验范例;
结合所述目标校验范例对各个所述数据传输单元进行校验,得到不少于一个校验结果;
在所述不少于一个校验结果中挑选目标校验结果所对应的目标数据传输单元,并根据所述目标数据传输单元确定所述人工智能模型,其中,所述目标校验结果为所述不少于一个校验结果中符合第一校验要求的校验结果。
5.根据权利要求3或4所述的方法,其特征在于,所述在在先配置的第一全局智能模型中寻找符合第一网关数据传输要求的不少于一个数据传输单元,包括:
确定各个非重要网关数据的目标寻找区域;其中,各个所述目标寻找区域中涵盖指定寻找方向中若干个第一寻找方向的一个寻找区域;所述第一寻找方向涵盖:用于指示人工智能模型结构的空间寻找方向,以及用于指示所述解析系数和解析方式的时间寻找方向;
基于各个非重要网关数据的目标寻找区域,在在先配置的第一全局智能模型中寻找符合所述第一网关数据传输要求的数据传输子单元,并根据寻找到的数据传输子单元确定所述数据传输单元。
6.根据权利要求3所述的方法,其特征在于,通过以下步骤配置待配置的第一全局智能模型:
获得第一配置范例簇,其中,所述第一配置范例簇中涵盖若干个第一配置范例,各个第一配置范例涵盖若干个非重要网关数据;
在待配置的第一全局智能模型中筛选若干组待局部配置模型;
每组待局部配置模型中子网络的数目与各个第一配置范例中非重要网关数据的数目一致,且一个待局部配置模型对应处理该配置范例中的一个非重要网关数据;
结合所述第一配置范例簇对每组待局部配置模型进行配置,配置之后确定所述第一全局智能模型。
7.根据权利要求1所述的方法,其特征在于,在所述前一个智能网关训练数据为重要网关数据的前提上,通过以下步骤确定所述前一个智能网关训练数据所对应人工智能模型:
在指定寻找方向中确定与所述前一个智能网关训练数据相关联的若干个第二寻找方向的寻找区域;
所述若干个第二寻找方向涵盖用于指示所述前一个智能网关训练数据所对应的人工智能模型结构的空间寻找方向;
基于各个第二寻找方向的寻找区域对在先配置的第二全局智能模型进行寻找,得到符合第二网关数据传输要求的不少于一个第二数据传输子单元;其中,所述第二网关数据传输要求用于表征对重要网关数据进行处理的简易程度;
基于所述不少于一个第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型;
其中,所述基于所述不少于一个第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型,包括:
通过各个第二数据传输子单元对指定校验集进行处理,得到若干个校验结果;其中,所述校验结果用于表征对应第二数据传输子单元的预测准确度;
在所述若干个校验结果中确定目标校验结果所对应的第二数据传输子单元为所述前一个智能网关训练数据所对应人工智能模型,其中,所述目标校验结果为若干个校验结果中符合第二校验要求的校验结果;
其中,所述方法还包括:
在所述不少于一个第二数据传输子单元的校验结果中未确定出所述目标校验结果的前提上,优化各个第二寻找方向所对应的寻找区域;
根据优化之后的寻找区域对第二全局智能模型进行寻找,直至在寻找到符合所述第二网关数据传输要求的不少于一个第二数据传输子单元的校验结果中确定出目标校验结果的前提上,基于该目标校验结果所对应的第二数据传输子单元确定所述前一个智能网关训练数据所对应人工智能模型。
8.根据权利要求7所述的方法,其特征在于,通过以下步骤配置待配置的第二全局智能模型:获得第二配置范例簇;所述第二配置范例簇中涵盖若干个第二配置范例;在所述待配置的第二全局智能模型中为各个第二配置范例抽取若干个数据传输子单元;基于所述第二配置范例簇中的若干个第二配置范例对抽取到的所述若干个数据传输子单元进行配置,配置之后确定所述第二全局智能模型。
9.一种5G智能网关数据传输系统,其特征在于,包括:数据传输云平台和网关数据采集端,所述数据传输云平台和所述网关数据采集端通信连接;
其中,所述数据传输云平台,用于:获得实时智能网关训练数据,并获得实时智能网关训练数据的前一个智能网关训练数据的网关数据处理结果;获得用于对实时智能网关训练数据进行处理的人工智能模型,并确定所述人工智能模型中的解析系数和解析方式;在所述人工智能模型筛选所述实时智能网关训练数据的网关事件向量的过程中,依照所述解析方式将所述人工智能模型中位于所述解析系数之前的模型架构输出的网关事件向量和所述前一个智能网关训练数据的网关数据处理结果进行解析,得到解析结果;将所述解析结果加载至所述人工智能模型中位于所述解析系数之后的模型架构进行网关数据处理,确定所述实时智能网关训练数据的网关数据处理结果,并将所述网关数据处理结果进行传输。
10.一种数据传输云平台,其特征在于,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现权利要求1-8任意一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158511.7A CN115473822B (zh) | 2022-09-22 | 2022-09-22 | 一种5g智能网关数据传输方法、系统及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158511.7A CN115473822B (zh) | 2022-09-22 | 2022-09-22 | 一种5g智能网关数据传输方法、系统及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115473822A true CN115473822A (zh) | 2022-12-13 |
CN115473822B CN115473822B (zh) | 2023-07-04 |
Family
ID=84334231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211158511.7A Active CN115473822B (zh) | 2022-09-22 | 2022-09-22 | 一种5g智能网关数据传输方法、系统及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115473822B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405974A (zh) * | 2023-05-30 | 2023-07-07 | 四川中普盈通科技有限公司 | 5g智慧网关一体机 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190042884A1 (en) * | 2017-12-28 | 2019-02-07 | Francesc Guim Bernat | Malleable fabric attached virtual artificial intelligence (ai) training appliances |
US20200089996A1 (en) * | 2018-09-17 | 2020-03-19 | At&T Intellectual Property I, L.P. | Data Harvesting for Machine Learning Model Training |
WO2020134852A1 (zh) * | 2018-12-29 | 2020-07-02 | 华为技术有限公司 | 一种智能化处理系统及方法 |
CN111435362A (zh) * | 2019-01-15 | 2020-07-21 | 国际商业机器公司 | 用于生成相关响应的对抗性训练数据增强 |
CN112488398A (zh) * | 2020-12-03 | 2021-03-12 | 广东电力通信科技有限公司 | 一种基于mec边缘智能网关的用电管理方法及系统 |
US20210089624A1 (en) * | 2019-09-24 | 2021-03-25 | ContactEngine Limited | Determining context and intent in omnichannel communications using machine learning based artificial intelligence (ai) techniques |
US20210168117A1 (en) * | 2019-12-02 | 2021-06-03 | At&T Intellectual Property I, L.P. | Gateway for mobile terminated wireless communication in a 5g or other next generation wireless network |
-
2022
- 2022-09-22 CN CN202211158511.7A patent/CN115473822B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190042884A1 (en) * | 2017-12-28 | 2019-02-07 | Francesc Guim Bernat | Malleable fabric attached virtual artificial intelligence (ai) training appliances |
US20200089996A1 (en) * | 2018-09-17 | 2020-03-19 | At&T Intellectual Property I, L.P. | Data Harvesting for Machine Learning Model Training |
WO2020134852A1 (zh) * | 2018-12-29 | 2020-07-02 | 华为技术有限公司 | 一种智能化处理系统及方法 |
CN111435362A (zh) * | 2019-01-15 | 2020-07-21 | 国际商业机器公司 | 用于生成相关响应的对抗性训练数据增强 |
US20210089624A1 (en) * | 2019-09-24 | 2021-03-25 | ContactEngine Limited | Determining context and intent in omnichannel communications using machine learning based artificial intelligence (ai) techniques |
US20210168117A1 (en) * | 2019-12-02 | 2021-06-03 | At&T Intellectual Property I, L.P. | Gateway for mobile terminated wireless communication in a 5g or other next generation wireless network |
CN112488398A (zh) * | 2020-12-03 | 2021-03-12 | 广东电力通信科技有限公司 | 一种基于mec边缘智能网关的用电管理方法及系统 |
Non-Patent Citations (2)
Title |
---|
CHRISTOPHOROS CHRISTOPHOROU: "Dynamic D2D Communication in 5G/6G Using a Distributed AI Framework" * |
王晓飞;韩溢文;: "边缘智能计算与智能边缘计算" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405974A (zh) * | 2023-05-30 | 2023-07-07 | 四川中普盈通科技有限公司 | 5g智慧网关一体机 |
CN116405974B (zh) * | 2023-05-30 | 2023-08-18 | 四川中普盈通科技有限公司 | 5g智慧网关一体机 |
Also Published As
Publication number | Publication date |
---|---|
CN115473822B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11640528B2 (en) | Method, electronic device and computer readable medium for information processing for accelerating neural network training | |
CN109886859B (zh) | 数据处理方法、系统、电子设备和计算机可读存储介质 | |
CN110825440A (zh) | 指令执行方法和装置 | |
CN113378554B (zh) | 一种医疗信息智能交互的方法及系统 | |
CN114168747A (zh) | 基于云服务的知识库构建方法及系统 | |
CN113239229A (zh) | 一种智能筛选数据处理方法、系统及云平台 | |
CN115473822A (zh) | 一种5g智能网关数据传输方法、系统及云平台 | |
CN112684396B (zh) | 电能表运行误差监测模型的数据预处理方法及系统 | |
CN116112746B (zh) | 在线教育直播视频压缩方法及系统 | |
CN115514570B (zh) | 一种网络诊断处理方法、系统及云平台 | |
CN114329116B (zh) | 基于人工智能的智慧园区资源匹配度分析方法及系统 | |
CN115481197A (zh) | 一种分布式数据处理方法、系统及云平台 | |
CN114661980B (zh) | 一种网页数据推送方法、系统及云平台 | |
CN112600939B (zh) | 一种监护仪控制信息检测方法、系统、服务器及存储介质 | |
CN114691830B (zh) | 一种基于大数据的网络安全分析方法及系统 | |
CN113596849B (zh) | 一种智能家居的无线通信信道动态分配方法及系统 | |
CN115563153B (zh) | 基于人工智能的任务批量处理方法、系统及服务器 | |
CN114201973B (zh) | 基于人工智能的资源池对象数据挖掘方法及系统 | |
CN116910478B (zh) | 一种锂离子电池事故溯源方法及系统 | |
CN112861951B (zh) | 一种图像神经网络参数的确定方法及电子设备 | |
CN115564048A (zh) | 一种医疗大数据共享分析方法及系统 | |
CN115291723A (zh) | 一种基于瞳孔位置识别的云影片播放处理方法及系统 | |
CN114663071A (zh) | 一种科技项目数据在线处理的方法及系统 | |
CN105930630A (zh) | 一种数据分析方法及装置 | |
CN115761192A (zh) | 一种基于虚拟现实的内容分发控制方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230613 Address after: Area B2, Floor 2, Building 2, No. 999, Fulong Road, Shawan Town, Panyu District, Guangzhou, Guangdong 510000 Applicant after: Guangdong jewelry and Jade Trading Center Co.,Ltd. Address before: No. 168, Songyuan Road, Ningjiang District, Songyuan City, Jilin Province, 138000 Applicant before: Dong Junhong |
|
GR01 | Patent grant | ||
GR01 | Patent grant |