CN116502286B - 一种基于边缘计算的标准信息的服务方法及其系统 - Google Patents
一种基于边缘计算的标准信息的服务方法及其系统 Download PDFInfo
- Publication number
- CN116502286B CN116502286B CN202310592398.1A CN202310592398A CN116502286B CN 116502286 B CN116502286 B CN 116502286B CN 202310592398 A CN202310592398 A CN 202310592398A CN 116502286 B CN116502286 B CN 116502286B
- Authority
- CN
- China
- Prior art keywords
- fitness
- value
- data
- output
- mean square
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 60
- 230000006399 behavior Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 15
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Neurology (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于边缘计算的标准信息的服务方法及其系统,包括存储用户的信息数据,将用户基本信息数据与行为数据进行关联,并对行为数据进行预处理;将预处理后的数据输入的边缘计算模型进行预训练中,根据用户的行为数据确定实际输出与期望输出之间的均方误差,边缘计算模型内置有BP神经网络,根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值,根据所述BP神经网络中的各参数值确定查询结果,将所述查询结果传输优化后反馈给用户。本发明通过对边缘计算的优化,提高数据处理速度,可以实现用户请求的快速应答,对信息服务方法及系统具有重要意义,可以适应不同类型的信息服务系统用户的需求。
Description
技术领域
本发明涉及信息通信技术领域,尤其涉及一种基于边缘计算的标准信息的服务方法及系统。
背景技术
随着移动通信技术的快速发展,标准信息存在重复收藏与遗漏缺失、数据库与服务系统低水平重复建设、信息资源共享环境差等现象,传统的标准信息的服务系统无法及时响应、不够精准,严重影响用户体验感,当数据中心通常位于距离用户较远的区域,因此可能会在通信网络中出现延迟以等缺陷,这对实时性要求较高的标准信息服务系统的应用服务产生严重的影响。
近年来,利用云资源来增加移动设备的性能减少网络通信延迟。在移动云计算中,移动设备通常通过无线网络将计算任务卸载到计算资源更加丰富的云基础设施上,来减轻移动设备的工作负载以及处理大规模复杂计算任务的目标。但是移动云计算依靠远离移动设备的多个网络集中式数据中心,面对当今的海量数据,无法有效的降低移动设备与数据中心之间的通信延迟。
发明内容
本发明提供一种基于边缘计算的标准信息的服务方法及系统用以客服现有技术中没有根据实际输出与期望输出的均方误差对查询反馈内容进行调整的问题。
为实现上述目的,本发明提供一种基于边缘计算的标准信息的服务方法,
本发明包括以下步骤:
存储用户的信息数据,所述信息数据包括用户基本信息数据和行为数据,所述行为数据包括用户在标准信息中查询的信息类别中若干查询内容评分和关注时长,将用户基本信息数据与行为数据进行关联,并对行为数据进行预处理;
将预处理后的数据输入的边缘计算模型进行预训练,根据用户的行为数据确定实际输出与期望输出之间的均方误差,边缘计算模型内置有BP神经网络,根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值,根据所述BP神经网络中的各参数值确定查询结果,将所述查询结果传输优化后反馈给用户;
A所述根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值的方法包括:a、从编码数据挑选t个输入向量学习样本,并把实际值作为理想输出向量,适应度函数定义:
其中E是均方误差;
随机产生规模为2t随机数作为初始群体,均方误差达到0.001,将0.001作为BP神经网络激活函数的参数和神经网络间的权重以及节点的权阈值;
计算出各样本的实际输出和理想输出的均方误差值;
计算父代群体平均适应度从父代群体中选出适应度大于/>的个体构成第一介质群体的个数即t1,如果介质群体的个体数小于t1,父代种群中的个体根据适应度大小进行排序,根据已有的概率表作为各个个体的选择概率,判断序号最小的个体是否在第一介质群体中,若没有则将其放入,若以在介质群体中,则判断下一序号个体,重复此步骤直到第一介质群体个数满足
t1;
在介质种群中随机挑选两个个体,按照一定的交叉概率P1交换染色体编码,从而产生两个新的子个体,全部成交叉过程完成后形成第二介质群体,其中P1的计算公式如下:
其中fa是平均适应度,是为两个交叉个体的适应度中的较大值,fmax为种群适应度的最大值;
判断介质群体是否需要变异,如果需要变异,按照变异概率P2随机选取变异位置进行实数的增减,当符合变异概率的个体变异结束后形成第三介质群体,其中P2的计算公式如下:
其中f是变异个体的适应度值;
如果第三介质群体中个体最小输出误差达到所要求误差精度,则结束搜索过程输出最优解:BP神经网络激活函数的参数、神经网络之间的权重和节点的权阈值;
b、确定动量因子和学习速率,所述动量因子用于约束权值的剧烈变化,所述学习速率是BP神经网络的学习速率,步骤如下:
其中,为第N+1层隐含层与输出层之间的权值矩阵,/>为第N+1层输入层与隐含层之间的权值矩阵,τ为学习率,α为动量因子,
α∈[0,1]定义动量项当时α=0,权值修正与以前积累的调整经验无关,只与当前的梯度下降有关;当α=1时,权值修正完全由以前积累的调整经验决定;
若BP网络在更新完毕所有连接权值之后,均方误差比上次有所增加,且增加的比例达到或者超过阈值1%-5%,则此次的所有网络操作被复原,将学习速率乘以因子ρ,如果系统设置了动量系数α,则将动量系数α设置为0,若均方误差小于上次增加1%-5%,则此次网络操作予以保留,学习速率不作更改;若上一次被置0,则将设置为0之前的值;
若BP网络在更新完毕所有连接权值之后,BP网络的均方误差比上次有所减小,则此次网络操作予以保留,然后将学习速度乘以因子β;若α上一次被置0,则将α设置为0之前的值;
B所述传输优化的方法包括:将每个子任务对应一个粒子,给每个粒子赋予随机的初始位置;
将子任务至边缘服务器的计算传输能耗作为适应度函数:
其中,ωi,j传输时间,ti,j边缘计算执行时间,ei,j传输能耗,mi表示子任务的数据量,ci表示完成子任务所需要的CPU周期数,ai表示子任务的卸载决策,a表示N个子任务的联合卸载决策向量,j是边缘服务器的序号,i时子任务数,f是适应度函数;
对任一个粒子到达某一边缘服务器,计算适应度,将其作为历史值,更新粒子到达边缘服务器的位置得到适应度的当前值,将两者进行比较,如当前粒子适应值更高,则更新为全局最佳;反之保留,继续更新粒子到达边缘服务器的位置,直到遍历所有的边缘服务器,最后将这一个粒子全局最佳输出;
更新粒子重复上一步,直到输出所有粒子全局最佳,结束运算,保存每个粒子的对应全局最佳。
进一步,所述对行为数据进行预处理方法的方法步骤包括:
检测所述行为数据存在的问题数据,通过识别缺失的数值,删除离群点以及光滑噪声数据,形成数据集合;
将所述数据集合进行独热编码,得到二进制向量数据集;所述独热编码使用N位状态寄存器来对N个状态进行编码,得到编码数据。
进一步,所述边缘计算根据所述BP神经网络中的各参数值确定查询结果,通过输出层将所述查询结果反馈给用户,包括:
将确定激活函数的参数、输入层、隐含层以及输出层之间的权重和节点权阈和动量因子以及学习速率替换掉原始值,将未训练过的用户查询输入边缘计算模型,通过BP神经网络的处理得到需要的标准信息数据,并通过终端设备反馈给用户。
进一步,一种基于边缘计算的标准信息的服务系统,包括
信息预处理模块,用于存储用户的信息数据,所述信息数据包括用户基本信息数据和行为数据,所述行为数据包括用户在标准信息中查询的信息类别中若干查询内容评分和关注时长,将用户基本信息数据与行为数据进行关联,并对行为数据进行预处理;
预训练模块,用于将预处理后的数据输入的边缘计算模型进行预训练,根据用户的行为数据确定实际输出与期望输出之间的均方误差,边缘计算模型内置有BP神经网络,根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值,根据所述BP神经网络中的各参数值确定查询结果,将所述查询结果传输优化后反馈给用户;
A所述根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值的方法包括:a、从编码数据挑选t个输入向量学习样本,并把实际值作为理想输出向量,适应度函数定义:
其中E是均方误差;
随机产生规模为2t随机数作为初始群体,均方误差达到0.001,将0.001作为BP神经网络激活函数的参数和神经网络间的权重以及节点的权阈值;
计算出各样本的实际输出和理想输出的均方误差值;
计算父代群体平均适应度从父代群体中选出适应度大于/>的个体构成第一介质群体的个数即t1,如果介质群体的个体数小于t1,父代种群中的个体根据适应度大小进行排序,根据已有的概率表作为各个个体的选择概率,判断序号最小的个体是否在第一介质群体中,若没有则将其放入,若以在介质群体中,则判断下一序号个体,重复此步骤直到第一介质群体个数满足t1;
在介质种群中随机挑选两个个体,按照一定的交叉概率P1交换染色体编码,从而产生两个新的子个体,全部成交叉过程完成后形成第二介质群体,其中P1的计算公式如下:
其中fα是平均适应度,是为两个交叉个体的适应度中的较大值,fmax为种群适应度的最大值;
判断介质群体是否需要变异,如果需要变异,按照变异概率P2随机选取变异位置进行实数的增减,当符合变异概率的个体变异结束后形成第三介质群体,其中P2的计算公式如下:
其中f是变异个体的适应度值;
如果第三介质群体中个体最小输出误差达到所要求误差精度,则结束搜索过程输出最优解:BP神经网络激活函数的参数、神经网络之间的权重和节点的权阈值;
b、确定动量因子和学习速率,所述动量因子用于约束权值的剧烈变化,所述学习速率是BP神经网络的学习速率,步骤如下:
其中,为第N+1层隐含层与输出层之间的权值矩阵,/>为第N+1层输入层与隐含层之间的权值矩阵,τ为学习率,α为动量因子,
α∈[0,1]定义动量项当时α=0,权值修正与以前积累的调整经验无关,只与当前的梯度下降有关;当α=1时,权值修正完全由以前积累的调整经验决定;
若BP网络在更新完毕所有连接权值之后,均方误差比上次有所增加,且增加的比例达到或者超过阈值1%-5%,则此次的所有网络操作被复原,将学习速率乘以因子ρ,如果系统设置了动量系数α,则将动量系数α设置为0,若均方误差小于上次增加1%-5%,则此次网络操作予以保留,学习速率不作更改;若上一次被置0,则将设置为0之前的值;
若BP网络在更新完毕所有连接权值之后,BP网络的均方误差比上次有所减小,则此次网络操作予以保留,然后将学习速度乘以因子β;若α上一次被置0,则将α设置为0之前的值;
B所述传输优化的方法包括:将每个子任务对应一个粒子,给每个粒子赋予随机的初始位置;
将子任务至边缘服务器的计算传输能耗作为适应度函数:
其中,ωi,j传输时间,ti,j边缘计算执行时间,ei,j传输能耗,mi表示子任务的数据量,ci表示完成子任务所需要的CPU周期数,ai表示子任务的卸载决策,a表示N个子任务的联合卸载决策向量,j是边缘服务器的序号,i时子任务数,f是适应度函数;
对任一个粒子到达某一边缘服务器,计算适应度,将其作为历史值,更新粒子到达边缘服务器的位置得到适应度的当前值,将两者进行比较,如当前粒子适应值更高,则更新为全局最佳;反之保留,继续更新粒子到达边缘服务器的位置,直到遍历所有的边缘服务器,最后将这一个粒子全局最佳输出;
更新粒子重复上一步,直到输出所有粒子全局最佳,结束运算,保存每个粒子的对应全局最佳;
输出模块,将所述查询结果传输优化后反馈给用户。
本发明的有益效果是:
本发明是一种基于边缘计算的标准信息的服务方法及系统,与现有技术相比,本发明具有以下技术效果:
1.本发明通过预处理、边缘计算、系统优化等步骤,可以提高标准信息服务的响应时间和安全性,从而提高标准信息服务的用户体验,将边缘计算运用于标准信息服务系统中,可以大大降低能耗,提高数据处理速度,可以实现用户请求的快速应答,对信息服务方法及系统具有重要意义,可以适应不同类型的信息服务系统用户的需求,具有一定的普适性。
2.本发明的基于边缘计算的标准信息的服务方法综合信息处理和信息安全,利用边缘计算将标准信息服务转化成用户行为数据分析,通过对已知用户行为数据处理,实现对用户需求的快速精准反应。该方法不仅可以提高信息服务的准确性,同时具有较好的安全性,可以直接应用于信息服务系统中。
附图说明
图1为本发明实施例的基于边缘计算的标准信息服务方法的结构示意图。
具体实施方式
下面以及具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
如图1所示,本发明一种基于边缘计算的标准信息的服务方法包括以下步骤:
在本实施例中,包括:
存储用户的信息数据,所述信息数据包括用户基本信息数据和行为数据,所述行为数据包括用户在标准信息中查询的信息类别中若干查询内容评分和关注时长,将用户基本信息数据与行为数据进行关联,并对行为数据进行预处理;
将预处理后的数据输入的边缘计算模型进行预训练,根据用户的行为数据确定实际输出与期望输出之间的均方误差,边缘计算模型内置有BP神经网络,根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值,根据所述BP神经网络中的各参数值确定查询结果,将所述查询结果传输优化后反馈给用户;
A所述根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值的方法包括:a、从编码数据挑选t个输入向量学习样本,并把实际值作为理想输出向量,适应度函数定义:
其中E是均方误差;
随机产生规模为2t随机数作为初始群体,均方误差达到0.001,将0.001作为BP神经网络激活函数的参数和神经网络间的权重以及节点的权阈值;
计算出各样本的实际输出和理想输出的均方误差值;
计算父代群体平均适应度从父代群体中选出适应度大于/>的个体构成第一介质群体的个数即t1,如果介质群体的个体数小于t1,父代种群中的个体根据适应度大小进行排序,根据已有的概率表作为各个个体的选择概率,判断序号最小的个体是否在第一介质群体中,若没有则将其放入,若以在介质群体中,则判断下一序号个体,重复此步骤直到第一介质群体个数满足t1;
在介质种群中随机挑选两个个体,按照一定的交叉概率P1交换染色体编码,从而产生两个新的子个体,全部成交叉过程完成后形成第二介质群体,其中P1的计算公式如下:
其中fα是平均适应度,是为两个交叉个体的适应度中的较大值,fmax为种群适应度的最大值;
判断介质群体是否需要变异,如果需要变异,按照变异概率P2随机选取变异位置进行实数的增减,当符合变异概率的个体变异结束后形成第三介质群体,其中P2的计算公式如下:
其中f是变异个体的适应度值;
如果第三介质群体中个体最小输出误差达到所要求误差精度,则结束搜索过程输出最优解:BP神经网络激活函数的参数、神经网络之间的权重和节点的权阈值;
b、确定动量因子和学习速率,所述动量因子用于约束权值的剧烈变化,所述学习速率是BP神经网络的学习速率,步骤如下:
其中,为第N+1层隐含层与输出层之间的权值矩阵,/>为第N+1层输入层与隐含层之间的权值矩阵,τ为学习率,α为动量因子,
α∈[0,1]定义动量项当时α=0,权值修正与以前积累的调整经验无关,只与当前的梯度下降有关;当α=1时,权值修正完全由以前积累的调整经验决定;
若BP网络在更新完毕所有连接权值之后,均方误差比上次有所增加,且增加的比例达到或者超过阈值1%-5%,则此次的所有网络操作被复原,将学习速率乘以因子ρ,如果系统设置了动量系数α,则将动量系数α设置为0,若均方误差小于上次增加1%-5%,则此次网络操作予以保留,学习速率不作更改;若上一次被置0,则将设置为0之前的值;
若BP网络在更新完毕所有连接权值之后,BP网络的均方误差比上次有所减小,则此次网络操作予以保留,然后将学习速度乘以因子β;若α上一次被置0,则将α设置为0之前的值;
分别输入测试数据2346到未训练的BP神经网络和训练后的神经网络,未训练的BP神经网络输出的结果为0.9999,训练后的神经网络输出的结果是0.0002,综上训练后的BP神经网络可以进行数据的处理并得出期望的结果;
B所述传输优化的方法包括:将每个子任务对应一个粒子,给每个粒子赋予随机的初始位置;
将子任务至边缘服务器的计算传输能耗作为适应度函数:
其中,ωi,j传输时间,ti,j边缘计算执行时间,ei,j传输能耗,mi表示子任务的数据量,ci表示完成子任务所需要的CPU周期数,ai表示子任务的卸载决策,a表示N个子任务的联合卸载决策向量,j是边缘服务器的序号,i时子任务数,f是适应度函数;
对任一个粒子到达某一边缘服务器,计算适应度,将其作为历史值,更新粒子到达边缘服务器的位置得到适应度的当前值,将两者进行比较,如当前粒子适应值更高,则更新为全局最佳;反之保留,继续更新粒子到达边缘服务器的位置,直到遍历所有的边缘服务器,最后将这一个粒子全局最佳输出;
更新粒子重复上一步,直到输出所有粒子全局最佳,结束运算,保存每个粒子的对应全局最佳;
将同一新个用户请求分别放在未优化的标准信息服务系统和优化后的标准信息服务系统,前者的通信延迟是0.53ms,后者的通信延迟是0.24ms,优化后的系统通信延迟更低,提高了用户的体验感。
在本实施例中,所述对行为数据进行预处理方法的方法步骤包括:
检测所述行为数据存在的问题数据,通过识别缺失的数值,删除离群点以及光滑噪声数据,形成数据集合;
将所述数据集合进行独热编码,得到二进制向量数据集;所述独热编码使用N位状态寄存器来对N个状态进行编码,得到编码数据。
在本实施例中,所述边缘计算根据所述BP神经网络中的各参数值确定查询结果,通过输出层将所述查询结果反馈给用户,包括:
将确定激活函数的参数、输入层、隐含层以及输出层之间的权重和节点权阈和动量因子以及学习速率替换掉原始值,将未训练过的用户查询输入边缘计算模型,通过BP神经网络的处理得到需要的标准信息数据,并通过终端设备反馈给用户。
在本实施例中,一种基于边缘计算的标准信息的服务系统,包括
信息预处理模块,用于存储用户的信息数据,所述信息数据包括用户基本信息数据和行为数据,所述行为数据包括用户在标准信息中查询的信息类别中若干查询内容评分和关注时长,将用户基本信息数据与行为数据进行关联,并对行为数据进行预处理;
预训练模块,用于将预处理后的数据输入的边缘计算模型进行预训练,根据用户的行为数据确定实际输出与期望输出之间的均方误差,边缘计算模型内置有BP神经网络,根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值,根据所述BP神经网络中的各参数值确定查询结果,将所述查询结果传输优化后反馈给用户;
A所述根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值的方法包括:a、从编码数据挑选t个输入向量学习样本,并把实际值作为理想输出向量,适应度函数定义:
其中E是均方误差;
随机产生规模为2t随机数作为初始群体,均方误差达到0.001,将0.001作为BP神经网络激活函数的参数和神经网络间的权重以及节点的权阈值;
计算出各样本的实际输出和理想输出的均方误差值;
计算父代群体平均适应度从父代群体中选出适应度大于/>的个体构成第一介质群体的个数即t1,如果介质群体的个体数小于t1,父代种群中的个体根据适应度大小进行排序,根据已有的概率表作为各个个体的选择概率,判断序号最小的个体是否在第一介质群体中,若没有则将其放入,若以在介质群体中,则判断下一序号个体,重复此步骤直到第一介质群体个数满足
t1;
在介质种群中随机挑选两个个体,按照一定的交叉概率P1交换染色体编码,从而产生两个新的子个体,全部成交叉过程完成后形成第二介质群体,其中P1的计算公式如下:
其中fa是平均适应度,是为两个交叉个体的适应度中的较大值,fmax为种群适应度的最大值;
判断介质群体是否需要变异,如果需要变异,按照变异概率P2随机选取变异位置进行实数的增减,当符合变异概率的个体变异结束后形成第三介质群体,其中P2的计算公式如下:
其中f是变异个体的适应度值;
如果第三介质群体中个体最小输出误差达到所要求误差精度,则结束搜索过程输出最优解:BP神经网络激活函数的参数、神经网络之间的权重和节点的权阈值;
b、确定动量因子和学习速率,所述动量因子用于约束权值的剧烈变化,所述学习速率是BP神经网络的学习速率,步骤如下:
其中,为第N+1层隐含层与输出层之间的权值矩阵,/>为第N+1层输入层与隐含层之间的权值矩阵,τ为学习率,α为动量因子,
α∈[0,1]定义动量项当时α=0,权值修正与以前积累的调整经验无关,只与当前的梯度下降有关;当α=1时,权值修正完全由以前积累的调整经验决定;
若BP网络在更新完毕所有连接权值之后,均方误差比上次有所增加,且增加的比例达到或者超过阈值1%-5%,则此次的所有网络操作被复原,将学习速率乘以因子ρ,如果系统设置了动量系数α,则将动量系数α设置为0,若均方误差小于上次增加1%-5%,则此次网络操作予以保留,学习速率不作更改;若上一次被置0,则将设置为0之前的值;
若BP网络在更新完毕所有连接权值之后,BP网络的均方误差比上次有所减小,则此次网络操作予以保留,然后将学习速度乘以因子β;若α上一次被置0,则将α设置为0之前的值;
B所述传输优化的方法包括:将每个子任务对应一个粒子,给每个粒子赋予随机的初始位置;
将子任务至边缘服务器的计算传输能耗作为适应度函数:
其中,ωi,j传输时间,ti,j边缘计算执行时间,ei,j传输能耗,mi表示子任务的数据量,ci表示完成子任务所需要的CPU周期数,ai表示子任务的卸载决策,a表示N个子任务的联合卸载决策向量,j是边缘服务器的序号,i时子任务数,f是适应度函数;
对任一个粒子到达某一边缘服务器,计算适应度,将其作为历史值,更新粒子到达边缘服务器的位置得到适应度的当前值,将两者进行比较,如当前粒子适应值更高,则更新为全局最佳;反之保留,继续更新粒子到达边缘服务器的位置,直到遍历所有的边缘服务器,最后将这一个粒子全局最佳输出;
更新粒子重复上一步,直到输出所有粒子全局最佳,结束运算,保存每个粒子的对应全局最佳;
输出模块,将所述查询结果传输优化后反馈给用户。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (4)
1.一种基于边缘计算的标准信息的服务方法,其特征在于,包括:
存储用户的信息数据,所述信息数据包括用户基本信息数据和行为数据,所述行为数据包括用户在标准信息中查询的信息类别中若干查询内容评分和关注时长,将用户基本信息数据与行为数据进行关联,并对行为数据进行预处理;
将预处理后的数据输入的边缘计算模型进行预训练,根据用户的行为数据确定实际输出与期望输出之间的均方误差,边缘计算模型内置有BP神经网络,根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值,根据所述BP神经网络中的各参数值确定查询结果,将所述查询结果传输优化后反馈给用户;
A所述根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值的方法包括:a、从编码数据挑选t个输入向量学习样本,并把实际值作为理想输出向量,适应度函数定义:
其中E是均方误差;
随机产生规模为2t随机数作为初始群体,均方误差达到0.001,将0.001作为BP神经网络激活函数的参数和神经网络间的权重以及节点的权阈值;
计算出各样本的实际输出和理想输出的均方误差值;
计算父代群体平均适应度从父代群体中选出适应度大于/>的个体构成第一介质群体的个数即t1,如果介质群体的个体数小于t1,父代种群中的个体根据适应度大小进行排序,根据已有的概率表作为各个个体的选择概率,判断序号最小的个体是否在第一介质群体中,若没有则将其放入,若已在介质群体中,则判断下一序号个体,重复此步骤直到第一介质群体个数满足t1;
在介质种群中随机挑选两个个体,按照一定的交叉概率P1交换染色体编码,从而产生两个新的子个体,全部成交叉过程完成后形成第二介质群体,其中P1的计算公式如下:
其中fa是平均适应度,是为两个交叉个体的适应度中的较大值,fmax为种群适应度的最大值;
判断介质群体是否需要变异,如果需要变异,按照变异概率P2随机选取变异位置进行实数的增减,当符合变异概率的个体变异结束后形成第三介质群体,其中P2的计算公式如下:
其中f是变异个体的适应度值;
如果第三介质群体中个体最小输出误差达到所要求误差精度,则结束搜索过程输出最优解:BP神经网络激活函数的参数、神经网络之间的权重和节点的权阈值;
b、确定动量因子和学习速率,所述动量因子用于约束权值的剧烈变化,所述学习速率是BP神经网络的学习速率,步骤如下:
其中,为第N+1层隐含层与输出层之间的权值矩阵,
为第N+1层输入层与隐含层之间的权值矩阵,τ为学习率,α为动量因子,α∈[0,1]定义动量项/>当时α=0,权值修正与以前积累的调整经验无关,只与当前的梯度下降有关;当α=1时,权值修正完全由以前积累的调整经验决定;
若BP网络在更新完毕所有连接权值之后,均方误差比上次有所增加,且增加的比例达到或者超过阈值1%-5%,则此次的所有网络操作被复原,将学习速率乘以因子ρ,如果系统设置了动量系数α,则将动量系数α设置为0,若均方误差小于上次增加1%-5%,则此次网络操作予以保留,学习速率不作更改;若上一次被置0,则将设置为0之前的值;
若BP网络在更新完毕所有连接权值之后,BP网络的均方误差比上次有所减小,则此次网络操作予以保留,然后将学习速度乘以因子β;若α上一次被置0,则将α设置为0之前的值;
B所述传输优化的方法包括:将每个子任务对应一个粒子,给每个粒子赋予随机的初始位置;
将子任务至边缘服务器的计算传输能耗作为适应度函数:
其中,ωi,j传输时间,ti,j边缘计算执行时间,ei,j传输能耗,mi表示子任务的数据量,ci表示完成子任务所需要的CPU周期数,ai表示子任务的卸载决策,a表示N个子任务的联合卸载决策向量,j是边缘服务器的序号,i时子任务数,f是适应度函数;
对任一个粒子到达某一边缘服务器,计算适应度,将其作为历史值,更新粒子到达边缘服务器的位置得到适应度的当前值,将两者进行比较,如当前粒子适应值更高,则更新为全局最佳;反之保留,继续更新粒子到达边缘服务器的位置,直到遍历所有的边缘服务器,最后将这一个粒子全局最佳输出;
更新粒子重复上一步,直到输出所有粒子全局最佳,结束运算,保存每个粒子的对应全局最佳。
2.根据权利要求1所述的基于边缘计算的标准信息的服务方法,其特征在于,所述对行为数据进行预处理方法的方法步骤包括:
检测所述行为数据存在的问题数据,通过识别缺失的数值,删除离群点以及光滑噪声数据,形成数据集合;
将所述数据集合进行独热编码,得到二进制向量数据集;所述独热编码使用N位状态寄存器来对N个状态进行编码,得到编码数据。
3.根据权利要求1所述的一种基于边缘计算的标准信息的服务方法,其特征在于:所述边缘计算根据所述BP神经网络中的各参数值确定查询结果,通过输出层将所述查询结果反馈给用户,包括:
将确定激活函数的参数、输入层、隐含层以及输出层之间的权重和节点权阈和动量因子以及学习速率替换掉原始值,将未训练过的用户查询输入边缘计算模型,通过BP神经网络的处理得到需要的标准信息数据,并通过终端设备反馈给用户。
4.一种基于边缘计算的标准信息的服务系统,其特征在于:包括
信息预处理模块,用于存储用户的信息数据,所述信息数据包括用户基本信息数据和行为数据,所述行为数据包括用户在标准信息中查询的信息类别中若干查询内容评分和关注时长,将用户基本信息数据与行为数据进行关联,并对行为数据进行预处理;
预训练模块,用于将预处理后的数据输入的边缘计算模型进行预训练,根据用户的行为数据确定实际输出与期望输出之间的均方误差,边缘计算模型内置有BP神经网络,根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值,根据所述BP神经网络中的各参数值确定查询结果,将所述查询结果传输优化后反馈给用户;
A所述根据所述实际输出与期望输出之间的均方误差确定BP神经网络中的参数值的方法包括:a、从编码数据挑选t个输入向量学习样本,并把实际值作为理想输出向量,适应度函数定义:
其中E是均方误差;
随机产生规模为2t随机数作为初始群体,均方误差达到0.001,将0.001作为BP神经网络激活函数的参数和神经网络间的权重以及节点的权阈值;
计算出各样本的实际输出和理想输出的均方误差值;
计算父代群体平均适应度从父代群体中选出适应度大于/>的个体构成第一介质群体的个数即t1,如果介质群体的个体数小于t1,父代种群中的个体根据适应度大小进行排序,根据已有的概率表作为各个个体的选择概率,判断序号最小的个体是否在第一介质群体中,若没有则将其放入,若已在介质群体中,则判断下一序号个体,重复此步骤直到第一介质群体个数满足t1;
在介质种群中随机挑选两个个体,按照一定的交叉概率P1交换染色体编码,从而产生两个新的子个体,全部成交叉过程完成后形成第二介质群体,其中P1的计算公式如下:
其中fa是平均适应度,是为两个交叉个体的适应度中的较大值,fmax为种群适应度的最大值;
判断介质群体是否需要变异,如果需要变异,按照变异概率P2随机选取变异位置进行实数的增减,当符合变异概率的个体变异结束后形成第三介质群体,其中P2的计算公式如下:
其中f是变异个体的适应度值;
如果第三介质群体中个体最小输出误差达到所要求误差精度,则结束搜索过程输出最优解:BP神经网络激活函数的参数、神经网络之间的权重和节点的权阈值;
b、确定动量因子和学习速率,所述动量因子用于约束权值的剧烈变化,所述学习速率是BP神经网络的学习速率,步骤如下:
其中,为第N+1层隐含层与输出层之间的权值矩阵,
为第N+1层输入层与隐含层之间的权值矩阵,τ为学习率,α为动量因子,α∈[0,1]定义动量项/>当时α=0,权值修正与以前积累的调整经验无关,只与当前的梯度下降有关;当α=1时,权值修正完全由以前积累的调整经验决定;
若BP网络在更新完毕所有连接权值之后,均方误差比上次有所增加,且增加的比例达到或者超过阈值1%-5%,则此次的所有网络操作被复原,将学习速率乘以因子ρ,如果系统设置了动量系数α,则将动量系数α设置为0,若均方误差小于上次增加1%-5%,则此次网络操作予以保留,学习速率不作更改;若上一次被置0,则将设置为0之前的值;
若BP网络在更新完毕所有连接权值之后,BP网络的均方误差比上次有所减小,则此次网络操作予以保留,然后将学习速度乘以因子β;若α上一次被置0,则将α设置为0之前的值;
B所述传输优化的方法包括:将每个子任务对应一个粒子,给每个粒子赋予随机的初始位置;
将子任务至边缘服务器的计算传输能耗作为适应度函数:
其中,ωi,j传输时间,ti,j边缘计算执行时间,ei,j传输能耗,mi表示子任务的数据量,ci表示完成子任务所需要的CPU周期数,ai表示子任务的卸载决策,a表示N个子任务的联合卸载决策向量,j是边缘服务器的序号,i时子任务数,f是适应度函数;
对任一个粒子到达某一边缘服务器,计算适应度,将其作为历史值,更新粒子到达边缘服务器的位置得到适应度的当前值,将两者进行比较,如当前粒子适应值更高,则更新为全局最佳;反之保留,继续更新粒子到达边缘服务器的位置,直到遍历所有的边缘服务器,最后将这一个粒子全局最佳输出;
更新粒子重复上一步,直到输出所有粒子全局最佳,结束运算,保存每个粒子的对应全局最佳;
输出模块,将所述查询结果传输优化后反馈给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310592398.1A CN116502286B (zh) | 2023-05-24 | 2023-05-24 | 一种基于边缘计算的标准信息的服务方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310592398.1A CN116502286B (zh) | 2023-05-24 | 2023-05-24 | 一种基于边缘计算的标准信息的服务方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502286A CN116502286A (zh) | 2023-07-28 |
CN116502286B true CN116502286B (zh) | 2023-11-17 |
Family
ID=87320272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310592398.1A Active CN116502286B (zh) | 2023-05-24 | 2023-05-24 | 一种基于边缘计算的标准信息的服务方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502286B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021364A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 图片搜索相关性预测模型的建立、图片搜索方法和装置 |
CN110232444A (zh) * | 2019-06-17 | 2019-09-13 | 武汉轻工大学 | 地质监测bp神经网络的优化方法、装置、设备及存储介质 |
CN113821714A (zh) * | 2020-06-18 | 2021-12-21 | 应急管理部化学品登记中心 | 基于情景感知的危化品信息智能推荐方法和系统 |
CN115374354A (zh) * | 2022-08-12 | 2022-11-22 | 力合科创集团有限公司 | 基于机器学习的科技服务推荐方法、装置、设备及介质 |
CN115577698A (zh) * | 2022-10-17 | 2023-01-06 | 非传信息科技南京有限公司 | 一种基于机器学习的数据和文本处理系统及其方法 |
CN115908057A (zh) * | 2023-03-03 | 2023-04-04 | 山东海蓝农业科技有限公司 | 一种基于数据处理的可视化旅游信息服务系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11907995B2 (en) * | 2021-07-30 | 2024-02-20 | Paypal, Inc. | Edge computing storage nodes based on location and activities for user data separate from cloud computing environments |
-
2023
- 2023-05-24 CN CN202310592398.1A patent/CN116502286B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021364A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 图片搜索相关性预测模型的建立、图片搜索方法和装置 |
CN110232444A (zh) * | 2019-06-17 | 2019-09-13 | 武汉轻工大学 | 地质监测bp神经网络的优化方法、装置、设备及存储介质 |
CN113821714A (zh) * | 2020-06-18 | 2021-12-21 | 应急管理部化学品登记中心 | 基于情景感知的危化品信息智能推荐方法和系统 |
CN115374354A (zh) * | 2022-08-12 | 2022-11-22 | 力合科创集团有限公司 | 基于机器学习的科技服务推荐方法、装置、设备及介质 |
CN115577698A (zh) * | 2022-10-17 | 2023-01-06 | 非传信息科技南京有限公司 | 一种基于机器学习的数据和文本处理系统及其方法 |
CN115908057A (zh) * | 2023-03-03 | 2023-04-04 | 山东海蓝农业科技有限公司 | 一种基于数据处理的可视化旅游信息服务系统及方法 |
Non-Patent Citations (2)
Title |
---|
"面向跨国贸易场景的标准化信息服务平台研究";苏宏宇;《标准科学》(第4期);第32-36页 * |
Yuwen Huang 等."Measurement Index System and Empirical Study of Consumers' Continuous Trust on Social E-Commerce Platforms-Based on the GA-BP network".《2022 IEEE 2nd International Conference on Data Science and Computer Application (ICDSCA)》.2022,第53-58页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116502286A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN109361725B (zh) | 基于多目标遗传算法的车联网云系统资源分配方法 | |
CN110213784B (zh) | 一种流量预测方法及装置 | |
CN108052387B (zh) | 一种移动云计算中的资源分配预测方法及系统 | |
CN112363896B (zh) | 日志异常检测系统 | |
CN108055292B (zh) | 一种虚拟机向物理机映射的优化方法 | |
CN112561119B (zh) | 一种使用arima-rnn组合模型的云服务器资源性能预测方法 | |
CN113518007B (zh) | 一种基于联邦学习的多物联网设备异构模型高效互学习方法 | |
CN116523079A (zh) | 一种基于强化学习联邦学习优化方法及系统 | |
CN112118312A (zh) | 一种面向边缘服务器的网络突发负载疏散方法 | |
CN115374853A (zh) | 基于T-Step聚合算法的异步联邦学习方法及系统 | |
CN112766537B (zh) | 一种短期电负荷预测方法 | |
CN116502286B (zh) | 一种基于边缘计算的标准信息的服务方法及其系统 | |
CN111984514B (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN113379536A (zh) | 一种基于引力搜索算法优化递归神经网络的违约概率预测方法 | |
CN114650321A (zh) | 用于边缘计算的任务调度方法及边缘计算终端 | |
CN112380006A (zh) | 一种数据中心资源分配方法及装置 | |
CN116976461A (zh) | 联邦学习方法、装置、设备及介质 | |
CN116244484A (zh) | 一种面向不平衡数据的联邦跨模态检索方法及系统 | |
CN114444240B (zh) | 一种面向信息物理融合系统的延迟和寿命优化方法 | |
CN115936110A (zh) | 一种缓解异构性问题的联邦学习方法 | |
CN114528094A (zh) | 基于lstm和遗传算法的分布式系统资源优化分配方法 | |
CN106888237B (zh) | 一种数据调度方法及系统 | |
CN115016889A (zh) | 一种用于云计算的虚拟机优化调度方法 | |
CN111245906B (zh) | 一种业务请求分配方法 |
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 |