CN115543638A - 基于不确定性的边缘计算数据收集分析方法、系统及设备 - Google Patents

基于不确定性的边缘计算数据收集分析方法、系统及设备 Download PDF

Info

Publication number
CN115543638A
CN115543638A CN202211524340.5A CN202211524340A CN115543638A CN 115543638 A CN115543638 A CN 115543638A CN 202211524340 A CN202211524340 A CN 202211524340A CN 115543638 A CN115543638 A CN 115543638A
Authority
CN
China
Prior art keywords
uncertainty
accuracy
base
optimal
learners
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
Application number
CN202211524340.5A
Other languages
English (en)
Other versions
CN115543638B (zh
Inventor
刘佳琦
许虎城
李登
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202211524340.5A priority Critical patent/CN115543638B/zh
Publication of CN115543638A publication Critical patent/CN115543638A/zh
Application granted granted Critical
Publication of CN115543638B publication Critical patent/CN115543638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例中提供了一种基于不确定性的边缘计算数据收集分析方法、系统及设备，属于数据处理技术领域，具体包括：得到每个基学习器的准确率均值、不确定性和基学习器之间的相关性；确立集成学习模型的最优条件；根据方法使用者设置的不确定性的偏好和最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；计算出基学习器的最优组合权重，并以此确定最优权重集合；使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。通过本公开的方案，在提高算法准确率和泛化能力的同时，在它们之间达到最优的权衡。

Description

基于不确定性的边缘计算数据收集分析方法、系统及设备
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种基于不确定性的边缘计算数据收集分析方法、系统及设备。
背景技术
边缘计算通过将终端设备的计算任务卸载到边缘服务器，可以利用边缘服务器资源解决终端设备计算能力不足的问题。
边缘计算服务的有效性会最终受到数据分析方法的选择的影响。使用不同的算法在同一个假设空间上训练模型，会得到不同的模型，因此选择合适的模型是边缘计算在解决实际问题中重要的环节。然而，所有可能的算法都同样缺乏合理性。即如果算法A在一些代价函数上由于算法B，则一定存在其他函数使得算法B优于算法A。因此，针对任一个边缘计算面对的具体问题，我们都需要去寻找并选择最适合该问题的算法。偏差和方差是评估算法性能的有效工具，偏差反映的是算法的期望预测结果与真实结果的偏差，即准确率；方差反映的是数据集的变动导致的学习性能的变化，即泛化能力。在评估时，我们希望算法的偏差和方差都尽可能小。
目前，在选择边缘计算的数据分析模型时，主流的方法是使用机器学习的算法，并根据研究人员的经验在机器学习算法中进行选择，或者将尽可能多的算法进行尝试，并最终选择最优的那个算法。然而，这种方法选择模型的成本巨大。数据的数量正呈爆炸式增长，这使得使用机器学习算法分析这些数据的成本大幅增加。与此同时，机器学习算法的表现与数据集的大小有关，机器学习算法只有在学习了大量的数据集才能得到最终模型选择的评估指标。因此，如果按照传统方法，在针对每个具体问题的模型时，都需要使用所有备选模型学习大量数据的话，这个模型选择的过程便会消耗大量的计算资源。同时，在选择机器学习模型时遵循的评价指标之间存在冲突。在评估时，我们希望模型的偏差和方差都尽可能小，但是在真实问题中存在偏差-方差困境：方差的降低会带来偏差的提高，反之亦然。因此，我们在选择模型时，需要兼顾方差和偏差。在解决这个问题时，主流方法是使用AIC和BIC信息准则，在选择模型时，这两种度量有各自的倾向：在数据集较大时，AIC倾向于偏差小的模型，在数据集有限时，BIC倾向于方差小的模型。因此，使用AIC和BIC信息准则选择模型时，无法提供绝对客观的指标，需要依靠经验判断，没有普适性。
可见，亟需一种能提高算法准确率、泛化能力的基于不确定性的边缘计算数据收集分析方法。
发明内容
有鉴于此，本公开实施例提供一种基于不确定性的边缘计算数据收集分析方法、系统及设备，至少部分解决现有技术中存在算法准确率、泛化能力较差的问题。
第一方面，本公开实施例提供了一种基于不确定性的边缘计算数据收集分析方法，包括：
步骤1，根据确定的基学习器对目标边缘服务器收集到的数据进行分析训练以得到每个所述基学习器的准确率均值、不确定性和基学习器之间的相关性；
步骤2，根据所述基学习器的准确率均值、不确定性和基学习器之间的相关性，确定集成学习模型的准确率均值和不确定性的一般表达式，并按照最大化准确率均值，最小化不确定性的目标确立集成学习模型的最优条件；
步骤3，根据方法使用者设置的不确定性的偏好和所述最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；
步骤4，根据集成学习框架的最优条件以及方法使用者确定的不确定性参数，计算出所述基学习器的最优组合权重，并以此确定最优权重集合；
步骤5，使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
根据本公开实施例的一种具体实现方式，所述步骤1具体包括：
根据确定的基学习器对该边缘服务器收集到的数据进行训练评估，以确定该边缘服务器的准确率和不确定性的集合，中央服务器对边缘服务器的准确率和不确定性集合进行分析计算，得到每个基学习器的准确率均值、不确定性和基学习器之间的相关性。
根据本公开实施例的一种具体实现方式，所述基学习器的准确率均值的定义为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 340631DEST_PATH_IMAGE002
表示第
Figure 100002_DEST_PATH_IMAGE003
个基学习器
Figure 97366DEST_PATH_IMAGE004
的准确率均值，
Figure 100002_DEST_PATH_IMAGE005
表示第
Figure 718840DEST_PATH_IMAGE003
个基学习器在第
Figure 210344DEST_PATH_IMAGE006
个边缘服务器的数据集上训练学习的准确率，
Figure 100002_DEST_PATH_IMAGE007
表示边缘服务器的个数；
所述基学习器的不确定性的定义为：
Figure 462334DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
表示第
Figure 158894DEST_PATH_IMAGE003
个基学习器
Figure 256163DEST_PATH_IMAGE004
的不确定性；
所述基学习器之间相关性的定义为：
Figure 88990DEST_PATH_IMAGE010
其中，
Figure 100002_DEST_PATH_IMAGE011
为第
Figure 278925DEST_PATH_IMAGE003
个基学习器的准确率构成的集合，
Figure 931623DEST_PATH_IMAGE012
表示第
Figure 832583DEST_PATH_IMAGE003
个基学习器
Figure 519916DEST_PATH_IMAGE004
和第
Figure 100002_DEST_PATH_IMAGE013
个基学习器
Figure 379288DEST_PATH_IMAGE014
的相关性，
Figure 100002_DEST_PATH_IMAGE015
表示
Figure 784862DEST_PATH_IMAGE016
和
Figure 100002_DEST_PATH_IMAGE017
的协方差。
根据本公开实施例的一种具体实现方式，所述最优条件的表达式为：
Figure 787715DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE019
表示因为组合权重不同，产生的无数对可能的基学习器组合的准确率不确定性组合对，
Figure 860713DEST_PATH_IMAGE020
表示方法使用者的不确定性参数；
其中，产生的可能组合的准确率和不确定性的定义为：
Figure 100002_DEST_PATH_IMAGE021
其中，
Figure 156565DEST_PATH_IMAGE022
表示基学习器的个数，
Figure 100002_DEST_PATH_IMAGE023
表示第
Figure 816479DEST_PATH_IMAGE003
个基学习器的的权重，
Figure 324821DEST_PATH_IMAGE024
表示产生的可能组合的准确率，
Figure 100002_DEST_PATH_IMAGE025
表示产生的可能的组合的不确定性；
其中，通过对约束条件进行转换，得到的最优化问题的定义为：
Figure 252325DEST_PATH_IMAGE026
Figure 100002_DEST_PATH_IMAGE027
其中，
Figure 705697DEST_PATH_IMAGE028
表示由所有基学习器的权重构成的矩阵，其中
Figure 100002_DEST_PATH_IMAGE029
表示准确率之间的协方差矩阵，定义为：
Figure 384065DEST_PATH_IMAGE030
。
根据本公开实施例的一种具体实现方式，所述不确定性参数的定义为：
Figure 100002_DEST_PATH_IMAGE031
其中，
Figure 107215DEST_PATH_IMAGE032
为方法使用者设置的不确定性的偏好，
其中，不确定性参数的范围为：
Figure 100002_DEST_PATH_IMAGE033
。
根据本公开实施例的一种具体实现方式，所述最优权重集合的表达式为
Figure 420385DEST_PATH_IMAGE034
其中，
Figure 100002_DEST_PATH_IMAGE035
表示所述最优权重集合对应的矩阵，
Figure 543193DEST_PATH_IMAGE036
表示所有基学习器准确率构成的矩阵，
Figure 100002_DEST_PATH_IMAGE037
。
根据本公开实施例的一种具体实现方式，所述训练得到的集成学习模型为
Figure 207393DEST_PATH_IMAGE038
其中，
Figure 100002_DEST_PATH_IMAGE039
表示最终的集成学习模型，
Figure 621319DEST_PATH_IMAGE040
表示第
Figure 100002_DEST_PATH_IMAGE041
个基学习器，
Figure 523416DEST_PATH_IMAGE042
为符合
Figure 100002_DEST_PATH_IMAGE043
均匀分布的随机数。
第二方面，本公开实施例提供了一种基于不确定性的边缘计算数据收集分析系统，包括：
第一计算模块，用于根据确定的基学习器对目标边缘服务器收集到的数据得到每个所述基学习器的准确率均值、不确定性和基学习器之间的相关性；
第二计算模块，用于根据所述基学习器的准确率均值、不确定性和基学习器之间的相关性，确定集成学习模型的准确率均值和不确定性的一般表达式，并按照最大化准确率均值，最小化不确定性的目标确立集成学习模型的最优条件；
设计模块，用于根据方法使用者设置的不确定性的偏好和所述最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；
第三计算模块，用于根据集成学习框架的最优条件以及方法使用者确定的不确定性参数，计算出所述基学习器的最优组合权重，并以此确定最优权重集合；
分析模块，用于使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于不确定性的边缘计算数据收集分析方法。
本公开实施例中的基于不确定性的边缘计算数据收集分析方案，包括：步骤1，根据确定的基学习器对目标边缘服务器收集到的数据进行训练分析以得到每个所述基学习器的准确率均值、不确定性和基学习器之间的相关性；步骤2，根据所述基学习器的准确率均值、不确定性和基学习器之间的相关性，确定集成学习模型的准确率均值和不确定性的一般表达式，并按照最大化准确率均值，最小化不确定性的目标确立集成学习模型的最优条件；步骤3，根据方法使用者设置的不确定性的偏好和所述最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；步骤4，根据集成学习框架的最优条件以及方法使用者确定的不确定性参数，计算出所述基学习器的最优组合权重，并以此确定最优权重集合；步骤5，使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
本公开实施例的有益效果为：通过本公开的方案，设置了不确定性指标用于量化模型的泛化能力，并在不确定性与准确率达到最优均衡的情况下，找到了最优的模型组合策略。使得在只有少量样本数据的情况下，便能确定最优模型。同时引入了不确定性参数，使得方案使用者可以根据自身对于不确定性的偏好，在具体问题中权衡模型的泛化能力与准确率。在不确定性参数的基础上设计了一个集成学习模型的框架，使得本发明成为一个边缘计算问题的通用性的解决框架。同时，相较于现有的机制，本方案只需少量资源便可对算法的性能进行评估，并且可以在提高算法准确率和泛化能力的同时，在算法准确率与泛化能力之间达到最优的权衡。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
图1为本公开实施例提供的一种基于不确定性的边缘计算数据收集分析方法的流程示意图；
图2为本公开实施例提供的一种基于不确定性的边缘计算数据收集分析方法的具体实施过程示意图；
图3为本公开实施例提供的一种基于不确定性的边缘计算数据收集分析方法的物理流程示意图；
图4为本公开实施例提供的一种数据分析方法的最优权重计算图；
图5为本公开实施例提供的一种本发明与别的主流方法的结果对比图；
图6为本公开实施例提供的一种基于不确定性的边缘计算数据收集分析系统的结构示意图；
图7为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于不确定性的边缘计算数据收集分析方法，所述方法可以应用于互联网场景的边缘数据分析过程中。
参见图1，为本公开实施例提供的一种基于不确定性的边缘计算数据收集分析方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：
步骤1，根据确定的基学习器对目标边缘服务器收集到的数据进行训练分析以得到每个所述基学习器的准确率均值、不确定性和基学习器之间的相关性；
进一步的，所述步骤1具体包括：
根据确定的基学习器对该边缘服务器收集到的数据进行训练评估，以确定该边缘服务器的准确率和不确定性的集合，中央服务器对边缘服务器的准确率和不确定性集合进行分析计算，得到每个基学习器的准确率均值、不确定性和基学习器之间的相关性。
进一步的，所述基学习器的准确率均值的定义为：
Figure 99016DEST_PATH_IMAGE001
其中，
Figure 922615DEST_PATH_IMAGE002
表示第
Figure 576450DEST_PATH_IMAGE003
个基学习器
Figure 598633DEST_PATH_IMAGE004
的准确率均值，
Figure 312511DEST_PATH_IMAGE005
表示第
Figure 390451DEST_PATH_IMAGE003
个基学习器在第
Figure 379135DEST_PATH_IMAGE006
个边缘服务器的数据集上训练学习的准确率，
Figure 459087DEST_PATH_IMAGE007
表示边缘服务器的个数；
所述基学习器的不确定性的定义为：
Figure 343866DEST_PATH_IMAGE008
其中，
Figure 407637DEST_PATH_IMAGE009
表示第
Figure 639161DEST_PATH_IMAGE003
个基学习器
Figure 839198DEST_PATH_IMAGE004
的不确定性；
所述基学习器之间相关性的定义为：
Figure 629299DEST_PATH_IMAGE010
其中，
Figure 914787DEST_PATH_IMAGE011
为第
Figure 182957DEST_PATH_IMAGE003
个基学习器的准确率构成的集合，
Figure 237501DEST_PATH_IMAGE012
表示第
Figure 198504DEST_PATH_IMAGE003
个基学习器
Figure 705709DEST_PATH_IMAGE004
和第
Figure 544614DEST_PATH_IMAGE013
个基学习器
Figure 984822DEST_PATH_IMAGE014
的相关性，
Figure 116727DEST_PATH_IMAGE015
表示
Figure 376807DEST_PATH_IMAGE016
和
Figure 252359DEST_PATH_IMAGE017
的协方差。
具体实施时，首先需要建立边缘计算系统环境，如图3所示，图3展示的是本方案在城市中边缘计算框架下的物理流程。第1步，分布在城市中的传感器会收集城市数据并将数据传给其所属范围的边缘服务器，边缘服务器将数据处理后上传至中央服务器以训练模型。第2步，边缘服务器在上传原始数据的同时，会使用不同的基学习器对其控制下的原始数据进行训练，并将得到的结果参数传给中央服务器。第3步，中央服务器根据所有边缘服务器的结果参数，选择并确定最优的集成学习模型。第4步，中央服务器使用最优集成学习模型对所有上传的数据进行训练，并将训练后的模型返给边缘服务器使用。
对于本发明进行仿真实验。具体参数如表1所示，
表1
Figure 48539DEST_PATH_IMAGE044
然后确定边缘计算问题，针对的问题为分类问题，该分类问题一共有
Figure DEST_PATH_IMAGE045
个类别，即
Figure 882502DEST_PATH_IMAGE046
。设
Figure DEST_PATH_IMAGE047
为第
Figure 426616DEST_PATH_IMAGE048
个样本的标签，
Figure DEST_PATH_IMAGE049
。该分类问题的原始数据集为
Figure 371439DEST_PATH_IMAGE050
，其中
Figure DEST_PATH_IMAGE051
为样本数，
Figure 361740DEST_PATH_IMAGE052
为样本特征，
Figure DEST_PATH_IMAGE053
为样本标签。本方案首先将原始数据集通过Boostrap方法进行重采样，生成
Figure 366605DEST_PATH_IMAGE007
个新的子数据集
Figure DEST_PATH_IMAGE055
，其中
Figure 289693DEST_PATH_IMAGE056
表示第
Figure 507047DEST_PATH_IMAGE007
个训练数据集。适合该分类问题的一共有
Figure 510776DEST_PATH_IMAGE022
种方法，我们将这
Figure 656848DEST_PATH_IMAGE022
种方法分别设置为基学习器，其中
Figure 644396DEST_PATH_IMAGE004
为第
Figure 665442DEST_PATH_IMAGE003
个基学习器。
完成上述步骤后，再确定基学习器的准确率均值与不确定性
设置基学习器的准确率均值为：
Figure DEST_PATH_IMAGE057
其中，
Figure 320414DEST_PATH_IMAGE002
表示第
Figure 325803DEST_PATH_IMAGE003
个基学习器
Figure 800647DEST_PATH_IMAGE004
的准确率均值，
Figure 595690DEST_PATH_IMAGE005
表示第
Figure 574010DEST_PATH_IMAGE003
个基学习器在第
Figure 826000DEST_PATH_IMAGE052
个边缘服务器的数据集上训练学习的准确率，
Figure 522561DEST_PATH_IMAGE007
表示边缘服务器的个数。
设置基学习器的不确定性为：
Figure DEST_PATH_IMAGE059
其中，
Figure DEST_PATH_IMAGE061
表示第
Figure 449191DEST_PATH_IMAGE003
个基学习器
Figure 16438DEST_PATH_IMAGE004
的不确定性。
设置基学习器之间相关性为：
Figure 173750DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE063
为第
Figure 888765DEST_PATH_IMAGE003
个基学习器的准确率构成的集合。
Figure 524146DEST_PATH_IMAGE012
表示第
Figure 211479DEST_PATH_IMAGE003
个基学习器
Figure 295018DEST_PATH_IMAGE004
和第
Figure 700591DEST_PATH_IMAGE013
个基学习器
Figure 405242DEST_PATH_IMAGE014
的相关性，
Figure 947082DEST_PATH_IMAGE015
表示
Figure 446196DEST_PATH_IMAGE016
和
Figure 604645DEST_PATH_IMAGE017
的协方差。
步骤2，根据所述基学习器的准确率均值、不确定性和基学习器之间的相关性，确定集成学习模型的准确率均值和不确定性的一般表达式，并按照最大化准确率均值，最小化不确定性的目标确立集成学习模型的最优条件；
在上述实施例的基础上，所述最优条件的表达式为：
Figure 348872DEST_PATH_IMAGE064
其中，
Figure DEST_PATH_IMAGE065
表示因为组合权重不同，产生的无数对可能的基学习器组合的准确率不确定性组合对，
Figure 541956DEST_PATH_IMAGE066
表示方法使用者的不确定性参数；
其中，产生的可能组合的准确率和不确定性的定义为：
Figure DEST_PATH_IMAGE067
其中，
Figure 274289DEST_PATH_IMAGE022
表示基学习器的个数，
Figure 388876DEST_PATH_IMAGE023
表示第
Figure 169750DEST_PATH_IMAGE003
个基学习器的的权重，
Figure 453226DEST_PATH_IMAGE024
表示产生的可能组合的准确率，
Figure 294143DEST_PATH_IMAGE025
表示产生的可能的组合的不确定性；
其中，通过对约束条件进行转换，得到的最优化问题的定义为：
Figure 896025DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE069
其中，
Figure 11749DEST_PATH_IMAGE070
表示由所有基学习器的权重构成的矩阵，其中
Figure DEST_PATH_IMAGE071
表示准确率之间的协方差矩阵，定义为：
Figure 179425DEST_PATH_IMAGE072
。
具体实施时，可以设置最优化问题的约束条件可以表示为如下式子：
Figure DEST_PATH_IMAGE073
其中，
Figure 489446DEST_PATH_IMAGE074
表示因为组合权重不同，产生的无数对可能基学习器组合的准确率不确定性组合对。
Figure 578625DEST_PATH_IMAGE066
表示模式使用者的不确定性参数。
其中，产生的可能组合的准确率和不确定性设置为：
Figure DEST_PATH_IMAGE075
其中，
Figure 763618DEST_PATH_IMAGE022
表示基学习器的个数，
Figure 254643DEST_PATH_IMAGE023
表示第
Figure 204406DEST_PATH_IMAGE003
个基学习器的的权重，
Figure 780881DEST_PATH_IMAGE024
表示产生的可能组合的准确率，
Figure 707249DEST_PATH_IMAGE025
表示产生的可能的组合的不确定性。
对约束条件进行转换，得到的最优化问题为：
Figure 787200DEST_PATH_IMAGE068
Figure 406401DEST_PATH_IMAGE069
其中，
Figure 204592DEST_PATH_IMAGE070
表示由所有基学习器的权重构成的矩阵，其中
Figure 669072DEST_PATH_IMAGE071
表示准确率之间的协方差矩阵，定义为：
Figure 511519DEST_PATH_IMAGE072
。
步骤3，根据方法使用者设置的不确定性的偏好和所述最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；
进一步的，所述不确定性参数的定义为：
Figure 130982DEST_PATH_IMAGE076
其中，
Figure DEST_PATH_IMAGE077
为方法使用者设置的不确定性的偏好，
其中，不确定性参数的范围为：
Figure 478786DEST_PATH_IMAGE078
。
具体实施时，设置不确定性参数为：
Figure DEST_PATH_IMAGE079
其中，
Figure 809273DEST_PATH_IMAGE077
为方法使用者设置的不确定性参数。
其中，定义不确定性参数的范围为：
Figure 129396DEST_PATH_IMAGE080
。
步骤4，根据集成学习框架的最优条件以及方法使用者确定的不确定性参数，计算出所述基学习器的最优组合权重，并以此确定最优权重集合；
进一步的，所述最优权重集合的表达式为
Figure DEST_PATH_IMAGE081
其中，
Figure 869162DEST_PATH_IMAGE082
表示所述最优权重集合对应的矩阵，
Figure DEST_PATH_IMAGE083
表示所有基学习器准确率构成的矩阵，
Figure 173104DEST_PATH_IMAGE084
。
具体实施时，计算出所述最优权重集合对应的矩阵为：
Figure DEST_PATH_IMAGE085
其中，
Figure 41703DEST_PATH_IMAGE082
表示所述最优权重集合对应的矩阵。
Figure 950753DEST_PATH_IMAGE083
表示所有基学习器准确率构成的举证，
Figure 584122DEST_PATH_IMAGE084
。
步骤5，使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
在上述实施例的基础上，所述训练得到的集成学习模型为
Figure 578623DEST_PATH_IMAGE038
其中，
Figure 719754DEST_PATH_IMAGE039
表示最终的集成学习模型，
Figure 748890DEST_PATH_IMAGE040
表示第
Figure 786116DEST_PATH_IMAGE041
个基学习器，
Figure 533493DEST_PATH_IMAGE042
为符合
Figure 947156DEST_PATH_IMAGE043
均匀分布的随机数。
具体实施时，设置预测结果加权机制构成的集成学习模型为：
Figure 597843DEST_PATH_IMAGE086
其中，
Figure 805970DEST_PATH_IMAGE039
表示最终的集成学习模型，
Figure 775063DEST_PATH_IMAGE040
表示第
Figure 992418DEST_PATH_IMAGE041
个基学习器，
Figure 730567DEST_PATH_IMAGE042
为符合
Figure 375175DEST_PATH_IMAGE043
均匀分布的随机数，使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
在本发明实施例中，首先评估了环境中，本方案选择组合的准确率与不确定性的情况。图4表示的便是本文选择组合的过程，该图仿真了20000组可能的集成学习模型对应的不确定性和准确率。图中的每个点表示的是一组权重作用下的集成学习模型对应的准确率和不确定性。在没有不确定性参数的情况下，我们应该选取图形上沿的点对应的权重，这些权重对应的集成学习模型是在相同不确定性下，准确率最高的模型。当设定不确定性参数为0.49时，便可以确定最优的集成学习模型的不确定性为0.0506，准确率为0.693。同时可以发现，如果设定不确定性参数越高，则对应的集成学习模型的不确定性和准确率同时会增加。
为了更进一步评估本发明的性能，本发明也与其它目前有代表性的方法（bagging机制和平均权重机制）进行比较，如图5所示。验证结果表明，本发明的性能均优于其它目前最先进的方法。平均权重机制是指集成学习模型在最后结果加权时各个基学习器的权重平均设置，可用于比较最优权重下的集成模型与非最优权重下的对比；bagging机制是集成学习中主流的，最常用的，用于降低模型方差和提升模型准确率的方法，因此本文选择该机制与MELRA进行对比。首先在样本中使用bootstrap方法抽取200组样本，每组样本包括110个样本。使用三种方法分别训练这200组数据，便能得到图5的散点图，图中每个点表示的是一种学习方法在某一组样本中训练的准确率结果。本发明与平均权重机制的准确率均值为0.636和0.648均高于bagging方法的0.559，这可能是因为bagging方法只集成了决策树这一种方法，能够学习到的特征有限。而本发明与平均权重机制集成了多种基学习器，能够学习到更多的特征，所以准确率更高。同时可以发现这三种方法的不确定性均处于(0.02~0.03)的范围内，远小于表1中单个基学习器的不确定性，这说明这三种方法均可以有效的降低不确定性，并且表现相当。
本实施例提供的基于不确定性的边缘计算数据收集分析方法，通过设置了不确定性指标用于量化模型的泛化能力，并在不确定性与准确率达到最优均衡的情况下，找到了最优的模型组合策略。使得在只有少量样本数据的情况下，便能确定最优模型。同时引入了不确定性参数，使得方案使用者可以根据自身对于不确定性的偏好，在具体问题中权衡模型的泛化能力与准确率。在不确定性参数的基础上设计了一个集成学习模型的框架，使得本发明成为一个边缘计算问题的通用性的解决框架。同时，相较于现有的机制，本方案只需少量资源便可对算法的性能进行评估，并且可以在提高算法准确率和泛化能力的同时，在算法准确率与泛化能力之间达到最优的权衡。
与上面的方法实施例相对应，参见图6，本公开实施例还提供了一种基于不确定性的边缘计算数据收集分析系统60，包括：
第一计算模块601，用于根据确定的基学习器对目标边缘服务器收集到的数据进行训练分析以得到每个所述基学习器的准确率均值、不确定性和基学习器之间的相关性；
第二计算模块602，用于根据所述基学习器的准确率均值、不确定性和基学习器之间的相关性，确定集成学习模型的准确率均值和不确定性的一般表达式，并按照最大化准确率均值，最小化不确定性的目标确立集成学习模型的最优条件；
设计模块603，用于根据方法使用者设置的不确定性的偏好和所述最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；
第三计算模块604，用于根据集成学习框架的最优条件以及方法使用者确定的不确定性参数，计算出所述基学习器的最优组合权重，并以此确定最优权重集合；
分析模块605，用于使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
图6所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图7，本公开实施例还提供了一种电子设备70，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于不确定性的边缘计算数据收集分析方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于不确定性的边缘计算数据收集分析方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于不确定性的边缘计算数据收集分析方法。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备70的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备70可以包括处理装置（例如中央处理器、图形处理器等）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储装置708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备70操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备70与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备70，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于不确定性的边缘计算数据收集分析方法，其特征在于，包括：
步骤1，根据确定的基学习器对目标边缘服务器收集到的数据进行训练分析以得到每个所述基学习器的准确率均值、不确定性和基学习器之间的相关性；
步骤2，根据所述基学习器的准确率均值、不确定性和基学习器之间的相关性，确定集成学习模型的准确率均值和不确定性的一般表达式，并按照最大化准确率均值，最小化不确定性的目标确立集成学习模型的最优条件；
步骤3，根据方法使用者设置的不确定性的偏好和所述最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；
步骤4，根据集成学习框架的最优条件以及方法使用者确定的不确定性参数，计算出所述基学习器的最优组合权重，并以此确定最优权重集合；
步骤5，使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
根据确定的基学习器对该边缘服务器收集到的数据进行训练评估，以确定该边缘服务器的准确率和不确定性的集合，中央服务器对边缘服务器的准确率和不确定性集合进行分析计算，得到每个基学习器的准确率均值、不确定性和基学习器之间的相关性。
3.根据权利要求2所述的方法，其特征在于,所述基学习器的准确率均值的定义为：
Figure DEST_PATH_IMAGE001
其中，
Figure 741888DEST_PATH_IMAGE002
表示第
Figure DEST_PATH_IMAGE003
个基学习器
Figure 556391DEST_PATH_IMAGE004
的准确率均值，
Figure DEST_PATH_IMAGE005
表示第
Figure 489712DEST_PATH_IMAGE003
个基学习器在第
Figure 752066DEST_PATH_IMAGE006
个边缘服务器的数据集上训练学习的准确率，
Figure DEST_PATH_IMAGE007
表示边缘服务器的个数；
所述基学习器的不确定性的定义为：
Figure 791435DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示第
Figure 280186DEST_PATH_IMAGE003
个基学习器
Figure 345093DEST_PATH_IMAGE004
的不确定性；
所述基学习器之间相关性的定义为：
Figure 337320DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为第
Figure 376952DEST_PATH_IMAGE003
个基学习器的准确率构成的集合，
Figure 821839DEST_PATH_IMAGE012
表示第
Figure 690438DEST_PATH_IMAGE003
个基学习器
Figure 802751DEST_PATH_IMAGE004
和第
Figure DEST_PATH_IMAGE013
个基学习器
Figure 249169DEST_PATH_IMAGE014
的相关性，
Figure DEST_PATH_IMAGE015
表示
Figure 774828DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
的协方差。
4.根据权利要求3所述的方法，其特征在于,所述最优条件的表达式为：
Figure 588063DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示因为组合权重不同，产生的无数对可能的基学习器组合的准确率不确定性组合对，
Figure 633511DEST_PATH_IMAGE020
表示方法使用者的不确定性参数；
其中，产生的可能组合的准确率和不确定性的定义为：
Figure DEST_PATH_IMAGE021
其中，
Figure 310218DEST_PATH_IMAGE022
表示基学习器的个数，
Figure DEST_PATH_IMAGE023
表示第
Figure 995277DEST_PATH_IMAGE003
个基学习器的的权重，
Figure 205678DEST_PATH_IMAGE024
表示产生的可能组合的准确率，
Figure DEST_PATH_IMAGE025
表示产生的可能的组合的不确定性；
其中，通过对约束条件进行转换，得到的最优化问题的定义为：
Figure 371212DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
其中，
Figure 48181DEST_PATH_IMAGE028
表示由所有基学习器的权重构成的矩阵，其中
Figure DEST_PATH_IMAGE029
表示准确率之间的协方差矩阵，定义为：
Figure 282853DEST_PATH_IMAGE030
。
5.根据权利要求4所述的方法，其特征在于,所述不确定性参数的定义为：
Figure DEST_PATH_IMAGE031
其中，
Figure 17984DEST_PATH_IMAGE032
为方法使用者设置的不确定性的偏好，
其中，不确定性参数的范围为：
Figure DEST_PATH_IMAGE033
。
6.根据权利要求5所述的方法，其特征在于,所述最优权重集合的表达式为
Figure 349608DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
表示所述最优权重集合对应的矩阵，
Figure 10528DEST_PATH_IMAGE036
表示所有基学习器准确率构成的矩阵，
Figure DEST_PATH_IMAGE037
。
7.根据权利要求6所述的方法，其特征在于,所述训练得到的集成学习模型为
Figure 670179DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
表示最终的集成学习模型，
Figure 691225DEST_PATH_IMAGE040
表示第
Figure DEST_PATH_IMAGE041
个基学习器，
Figure 861044DEST_PATH_IMAGE042
为符合
Figure DEST_PATH_IMAGE043
均匀分布的随机数。
8.一种基于不确定性的边缘计算数据收集分析系统，其特征在于，包括：
第一计算模块，用于根据确定的基学习器对目标边缘服务器收集到的数据进行训练分析以得到每个所述基学习器的准确率均值、不确定性和基学习器之间的相关性；
第二计算模块，用于根据所述基学习器的准确率均值、不确定性和基学习器之间的相关性，确定集成学习模型的准确率均值和不确定性的一般表达式，并按照最大化准确率均值，最小化不确定性的目标确立集成学习模型的最优条件；
设计模块，用于根据方法使用者设置的不确定性的偏好和所述最优条件，权衡集成学习模型的准确率和泛化能力，并据此设计不确定性参数；
第三计算模块，用于根据集成学习框架的最优条件以及方法使用者确定的不确定性参数，计算出所述基学习器的最优组合权重，并以此确定最优权重集合；
分析模块，用于使用基学习器对所有数据进行学习训练，并利用训练得到的集成学习模型进行预测，将预测的结果代入基于最优权重集合的预测结果加权机制中，加权得到最终的数据分析结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的基于不确定性的边缘计算数据收集分析方法。
CN202211524340.5A 2022-12-01 2022-12-01 基于不确定性的边缘计算数据收集分析方法、系统及设备 Active CN115543638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211524340.5A CN115543638B (zh) 2022-12-01 2022-12-01 基于不确定性的边缘计算数据收集分析方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211524340.5A CN115543638B (zh) 2022-12-01 2022-12-01 基于不确定性的边缘计算数据收集分析方法、系统及设备

Publications (2)

Publication Number Publication Date
CN115543638A true CN115543638A (zh) 2022-12-30
CN115543638B CN115543638B (zh) 2023-03-14

Family

ID=84722622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211524340.5A Active CN115543638B (zh) 2022-12-01 2022-12-01 基于不确定性的边缘计算数据收集分析方法、系统及设备

Country Status (1)

Country Link
CN (1) CN115543638B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564540A (zh) * 2023-07-11 2023-08-08 天津师范大学 基于集成学习算法的角膜塑形镜参数预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105843971A (zh) * 2016-06-08 2016-08-10 哈尔滨工程大学 一种基于rlid3的增量集成学习的数据分类方法
CN108734360A (zh) * 2018-06-19 2018-11-02 哈尔滨工业大学 一种基于修正的elm预测模型多维遥测数据智能判读方法
US20200042903A1 (en) * 2018-08-03 2020-02-06 Samsung Electronics Co., Ltd. Multi-layered machine learning system to support ensemble learning
CN110837915A (zh) * 2019-09-29 2020-02-25 浙江大学 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113191642A (zh) * 2021-05-06 2021-07-30 四川大学 一种基于最优组合策略的区域滑坡敏感性分析方法
CN113344075A (zh) * 2021-06-02 2021-09-03 湖南湖大金科科技发展有限公司 基于特征学习与集成学习的高维不平衡数据分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105843971A (zh) * 2016-06-08 2016-08-10 哈尔滨工程大学 一种基于rlid3的增量集成学习的数据分类方法
CN108734360A (zh) * 2018-06-19 2018-11-02 哈尔滨工业大学 一种基于修正的elm预测模型多维遥测数据智能判读方法
US20200042903A1 (en) * 2018-08-03 2020-02-06 Samsung Electronics Co., Ltd. Multi-layered machine learning system to support ensemble learning
CN110837915A (zh) * 2019-09-29 2020-02-25 浙江大学 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113191642A (zh) * 2021-05-06 2021-07-30 四川大学 一种基于最优组合策略的区域滑坡敏感性分析方法
CN113344075A (zh) * 2021-06-02 2021-09-03 湖南湖大金科科技发展有限公司 基于特征学习与集成学习的高维不平衡数据分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张一震: "基于集成学习机的航空发动机气路参数预测方法研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564540A (zh) * 2023-07-11 2023-08-08 天津师范大学 基于集成学习算法的角膜塑形镜参数预测方法及系统
CN116564540B (zh) * 2023-07-11 2023-09-08 天津师范大学 基于集成学习算法的角膜塑形镜参数预测方法及系统

Also Published As

Publication number Publication date
CN115543638B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN110189394B (zh) 口型生成方法、装置及电子设备
CN112115257A (zh) 用于生成信息评估模型的方法和装置
CN105528652A (zh) 一种预测模型的建立方法及终端
WO2022121801A1 (zh) 信息处理方法、装置和电子设备
CN115543638B (zh) 基于不确定性的边缘计算数据收集分析方法、系统及设备
CN114721835A (zh) 边缘数据中心服务器能耗预测方法、系统、设备及介质
CN113765928A (zh) 物联网入侵检测方法、系统、设备及介质
CN114780338A (zh) 主机信息处理方法、装置、电子设备和计算机可读介质
CN110069997B (zh) 场景分类方法、装置及电子设备
CN111738316A (zh) 零样本学习的图像分类方法、装置及电子设备
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
CN115018552A (zh) 产品点击率确定方法
CN114417174A (zh) 内容推荐方法、装置、设备及计算机存储介质
CN113392018A (zh) 流量分发方法、装置、存储介质及电子设备
CN117236805A (zh) 电力设备控制方法、装置、电子设备和计算机可读介质
CN110378936B (zh) 光流计算方法、装置及电子设备
CN110060324B (zh) 图像渲染方法、装置及电子设备
CN116563007A (zh) 授信信用风险预测方法、电子设备及可读存储介质
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN116151961A (zh) 信用风险预测方法、电子设备及可读存储介质
CN115527163A (zh) 目标检测模型优化方法、装置、电子设备及可读存储介质
CN114219078A (zh) 一种神经网络模型交互训练方法、装置及存储介质
CN116416018A (zh) 内容输出方法、装置、计算机可读介质及电子设备
JP2021174330A (ja) 異種機械学習のアンサンブル学習による予測装置
CN114647721B (zh) 教育智能机器人控制方法、设备及介质

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
GR01 Patent grant
GR01 Patent grant