-
公开(公告)号：CN116614499A
公开(公告)日：2023-08-18
申请号：CN202310490016.4
申请日：2023-05-04
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L67/10 , H04L67/1074 , H04L43/0852 , H04L43/0894 , G06F9/50
Abstract: 本发明涉及一种算力网络广域资源协同调度方法，属于算力资源调度领域。当用户具有足够的配额，判断数据所在数据中心是否有足够的算力，若是则使用同数据中心存算一体策略，若否，则进一步筛选出所有其它合适的算力平台，若有，则通过网络带宽和网络时延判断是否可以存算分离，若是，则使用广域存算分离策略，若否，则判断是否存在数据中心同时满足算力需求和存储需求，若是，则使用基于广域数据流转的存算一体策略，若否，则使用广域存算分离策略。本发明能够实现异构广域分布的算力平台计算、存储、网络资源的汇聚和利用的统筹优化，从而实现各类资源的跨域协同调度，提高大规模任务的协同计算效率。
-
公开(公告)号：CN116431325A
公开(公告)日：2023-07-14
申请号：CN202310134094.0
申请日：2023-02-20
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F9/50 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于云边协同环境的神经网络模型训练方法，包括云端和边缘端；云端包括云计算中心、数据库、云端文件存储系统和Socket通信系统；边缘端包括边缘计算中心、数据库、边缘端文件存储系统和Socket通信系统。本发明通过研究影响云边任务协同计算的影响因素，构建网络受限、资源受限情况下云边协同任务模型；研究云边协同计算模型最佳切分点，实现任务执行时间减小、边缘端资源充分利用的目标；研究任务只分配到边缘端执行或云端执行的必要条件；实现最佳模型切分点计算方法。通过最佳模型切分点计算方法得到最佳的神经网络模型切分点来实现边缘端资源充分利用且减少神经网络模型训练时间的目标。
-
公开(公告)号：CN115187847A
公开(公告)日：2022-10-14
申请号：CN202210832612.1
申请日：2022-07-14
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC: G06V10/94 , G06V20/52 , G06V10/70 , G06V10/82 , G06N3/04 , G06N3/08 , G06N5/04 , G06F9/455 , H04L67/06 , H04L67/10 , H04L67/1008 , H04L67/101 , H04L67/1095 , H04N7/18
Abstract: 本发明涉及一种基于云边端架构的图像联合推理识别系统及方法，包括云平台层、通信网络层、边缘层、终端层；云平台层包括云计算中心、数据库、云端文件存储系统、镜像仓库；边缘层包括集成在目标图像识别场景中的各个设备，包括边缘设备、本地文件存储系统；终端层是目标图像识别场景中具有数据采集功能的终端设备，用于将监控采集的实时图像、视频通过有线或无线网络传输到边缘层，以待检测。本发明采用云边联合推理算法，攻克只将模型单边部署于云端或者边缘端的缺点，能更多更快的对多目标进行检测识别，充分利用云边资源，更适用于复杂的多目标图像识别与检测作业。
-
公开(公告)号：CN116231860B
公开(公告)日：2023-10-17
申请号：CN202310190867.7
申请日：2023-03-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明涉及一种基于云边端协同的电力负荷智能识别系统、方法及设备，属于人工智能领域，包括云平台层、边缘层和终端层，云平台层包括云计算集群、数据库、云端文件存储系统以及MQTT服务器；边缘层是部署在配电侧的各种设备，包括边缘设备、边缘侧文件存储系统；终端层是具有数据采集功能的终端设备，用于将实时采集的电路上的电气数据通过无线网络传输到边缘层。本发明采用KubeEdge和EdgeX Foundry方法，实现一种基于云边端架构的电力负荷识别系统及方法，实现云边端设备信息交互与管理、边缘端与终端信息交互、云端电力负荷识别模型训练、镜像下发，为电力行业中电力负荷识别提供了一种高精度、易部署的系统及方法。
-
公开(公告)号：CN116708446A
公开(公告)日：2023-09-05
申请号：CN202310967433.3
申请日：2023-08-03
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L67/1001 , H04L67/101 , H04L67/1097
Abstract: 本发明涉及算力资源调度技术领域，提供了基于网络性能综合权值决策的算网调度服务方法及系统，算网服务平台将筛选出来的不属于同一数据中心的存储平台和算力平台进行一一组合，得到若干组存储平台和算力平台的组合；根据每一种组合下存储平台与算力平台之间的不同网络性能指标的数值、不同网络性能指标的主观权重向量、不同网络性能指标的客观权重向量以及用户客户端的资源需求，构建存算分离场景或数据流转场景下的多目标优化函数，对函数进行求解，得到满足用户需求的最佳存储平台和算力平台组合；算网服务平台将用户客户端的作业和计算数据，部署到最佳存储平台和算力平台组合中进行存储和计算。提高了计算资源利用率和任务调度效率。
-
Patent Agency Ranking
公开(公告)号：CN116361709A
公开(公告)日：2023-06-30
申请号：CN202310331766.7
申请日：2023-03-31
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F18/241 , G06F18/214 , G06F18/15 , G06Q10/04 , G06Q50/06 , H02J3/00
Abstract: 本发明涉及一种自适应电力负荷识别方法与设备，属于电力负荷监测识别领域，包括：数据预处理；计算最小开机时间、最小关机时间、开启功率阈值；将获得的3个参数加入到模型训练过程中，对预处理后的数据提取有效的负荷激活数据；基于电力负荷数据，利用长短期记忆人工神经网络对电力负荷识别模型进行训练；将测试集按照比例进行分割，在“窗口”的寻找阶段，使用进程处理技术，得到能将测试时间控制在时间阈值以内的最佳“窗口”；利用最佳“窗口”定义实时推理程序中的滑动窗口大小，对电力负荷数据进行分解识别。本发明不再受到初始模型训练数据的局限，使用自适应方法来定义最佳长度的识别窗口，通用性好，精度较高。
-
公开(公告)号：CN116231860A
公开(公告)日：2023-06-06
申请号：CN202310190867.7
申请日：2023-03-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明涉及一种基于云边端协同的电力负荷智能识别系统、方法及设备，属于人工智能领域，包括云平台层、边缘层和终端层，云平台层包括云计算集群、数据库、云端文件存储系统以及MQTT服务器；边缘层是部署在配电侧的各种设备，包括边缘设备、边缘侧文件存储系统；终端层是具有数据采集功能的终端设备，用于将实时采集的电路上的电气数据通过无线网络传输到边缘层。本发明采用KubeEdge和EdgeX Foundry方法，实现一种基于云边端架构的电力负荷识别系统及方法，实现云边端设备信息交互与管理、边缘端与终端信息交互、云端电力负荷识别模型训练、镜像下发，为电力行业中电力负荷识别提供了一种高精度、易部署的系统及方法。
-
公开(公告)号：CN115392463A
公开(公告)日：2022-11-25
申请号：CN202211054245.3
申请日：2022-08-30
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06N5/02 , G06F40/295 , G06F40/216 , G06N3/04
Abstract: 本发明提供一种基于动态时间步的实体链接方法及系统，涉及自然语言处理技术领域，该方法包括：获取待分析文档中关联主题的多个实体提及；从知识库中获取各实体提及的候选实体，采用动态时间步的方法构建映射实体关联图，并从映射实体关联图中抽取全局主题一致性特征；根据全局主题一致性特征从所述候选实体中获取各实体提及的目标实体，将各实体提及与对应的目标实体关联。这样，通过采用动态时间步的方法构建映射实体关联图，在每一个时间步中，选择与主题相关的候选实体作为映射实体关联图的映射实体，以从映射实体关联图中抽取出正确的全局主题一致性特征，从而提高实体链接的精度。
-
公开(公告)号：CN117217334A
公开(公告)日：2023-12-12
申请号：CN202310054523.3
申请日：2023-02-03
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06N20/20 , G06F18/214 , H04L9/08 , H04L9/40
Abstract: 本发明涉及一种基于云边端架构的联邦学习模型聚合系统及方法，属于模型融合技术领域，系统云平台层、网络传输层、边缘层，以Kubernetes‑Kubeedge边缘计算云管理平台为基础，提供了一个稳定的云边端架构，使得云服务器不仅作为任务发起方能有效做出任务决策与下达，还能高效的管理作为参与方的边缘设备，本发明还提出了一种模型聚合系统的工作方法，突破了边缘设备中隐私数据分布不均，边缘设备机能受限、性能不均衡等情况，提高了模型聚合的有效性、公平性，适用场景更为广泛。
-
公开(公告)号：CN117150392A
公开(公告)日：2023-12-01
申请号：CN202311231822.6
申请日：2023-09-22
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F18/243 , G06F18/27 , G06Q50/06 , H02J3/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的电力负荷实时分类分解方法与系统，属于电力负荷监测识别技术领域，包括计算出每个电器的最小开机时间、最小关机时间、开启功率阈值；数据预处理；电力负荷分类模型训练；电力负荷分解模型训练；根据电力负荷分类模型和电力负荷分解模型生成电力负荷识别推理程序，将推理结果上传至云平台的数据库，实现与小程序的信息交互；本发明利用边缘设备进行电力负荷分类和分解，通过云服务器上搭建小程序后端web服务，并通过小程序与用户进行交互，实现对电力负荷的精确分解和监测；通过将边缘计算和云计算相结合，并借助小程序作为交互平台，提供了一种高效、智能的电力负荷分析和管理解决方案。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.036 seconds)
