-
公开(公告)号：CN115687930A
公开(公告)日：2023-02-03
申请号：CN202211446841.6
申请日：2022-11-18
Applicant: 华南理工大学
IPC: G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自动机器学习的边缘计算模型训练方法，包括以下步骤：在边缘服务器训练计算模型前获取当前的计算任务信息和服务器计算资源情况；通过NAS(Neural Architecture Search)根据计算任务信息和计算资源情况，对自动机器学习算法的超参数进行学习和约束；在确定自动机器学习算法的超参数后，通过自动机器学习算法根据输入数据自动训练出最优的计算模型。与当前边缘服务器上的计算模型不同，本方法的模型采用了自动机器学习技术，可以减轻模型开发和维护成本，在自动生成模型时考虑到边缘服务器的异构性、资源有限性以及计算任务对计算时延的要求问题，使生成的计算模型更具有泛化能力。
-
公开(公告)号：CN117725371A
公开(公告)日：2024-03-19
申请号：CN202311390705.4
申请日：2023-10-25
Applicant: 华南理工大学
IPC: G06F18/15 , G06F18/214 , G06F18/24 , G06N3/09 , G06N3/126
Abstract: 本发明公开了一种基于遗传算法的端边云增量学习方法，方法包括：对新类别样本与旧类别样本分别进行数据预处理，生成四元组；生成初始染色体并更具适应度函数获取每个染色体的舒适适应值；筛选初始染色体并通过交叉和变异获取新的染色体；重新计算染色体适应值然后按照适应值排序；获取最优染色体的基因信息，而后更新需要饱和的类别样本的四元组；根据基因信息对需要保存的类别样本数据进行数据增强并形成训练样本然后构建增量学习模型并将训练样本输入增量学习模型进行训练；训练完成后获取训练好的增量学习模型。本发明大大提高了端侧模型迭代效率与训练学习速度的同时，还能保持模型的新鲜度。
-
公开(公告)号：CN115437764A
公开(公告)日：2022-12-06
申请号：CN202210990277.8
申请日：2022-08-18
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向边缘服务器的高效任务调度方法、系统及电子设备，方法包括：获取当前任务队列中每个计算任务的属性特征信息Job以及当前边缘服务器的环境信息Cluster；将任务队列中的每个任务的属性特征信息Job进行统计得出的值x1与服务器环境信息的值x2作为预先设立的深度多核学习模型M的输入值X，将输入值X输入到深度多核学习模型M进行分类，M的输出为调度模型库中最适合当前环境下的最优任务调度模型Bestmodel；将当前任务队列的调度任务属性特征信息Job输入到最优任务调度模型Bestmodel，完成当前计算任务的调度工作。本发明在边缘服务器资源有限的条件下，无需特殊AI芯片的支持就能快速准确的完成任务调度和资源分配，提高资源的利用率。
-
公开(公告)号：CN115437764B
公开(公告)日：2025-04-29
申请号：CN202210990277.8
申请日：2022-08-18
Applicant: 华南理工大学
IPC: G06F9/48 , G06F9/50 , G06F9/54 , G06F18/2411 , G06F18/241 , G06N3/048 , G06N3/08 , G06N20/10
Abstract: 本发明公开了一种面向边缘服务器的高效任务调度方法、系统及电子设备，方法包括：获取当前任务队列中每个计算任务的属性特征信息Job以及当前边缘服务器的环境信息Cluster；将任务队列中的每个任务的属性特征信息Job进行统计得出的值x1与服务器环境信息的值x2作为预先设立的深度多核学习模型M的输入值X，将输入值X输入到深度多核学习模型M进行分类，M的输出为调度模型库中最适合当前环境下的最优任务调度模型Bestmodel；将当前任务队列的调度任务属性特征信息Job输入到最优任务调度模型Bestmodel，完成当前计算任务的调度工作。本发明在边缘服务器资源有限的条件下，无需特殊AI芯片的支持就能快速准确的完成任务调度和资源分配，提高资源的利用率。
-
公开(公告)号：CN113344202A
公开(公告)日：2021-09-03
申请号：CN202110717161.2
申请日：2021-06-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种新的深度多核学习网络模型训练方法、系统及介质，该方法包括：确定网络的基础核函数种类；随机生成m个网络拓扑结构互不相同，每一层由n个基础核函数组成的网络M；生成m个带网络连接权重的网络Mw；通过遗传算法优化网络连接权重W，得到m个带最优连接权重的网络Mbest_w；通过遗传算法对Mbest_w进行网络拓扑结构优化，找出针对当前所解决问题的带最优网络拓扑结构的网络Mbest_c；迭代优化得出最优深度多核学习网络模型。本发明在确保深度学习网络的识别和泛化性能的同时，通过对网络模型进行基因编码并通过遗传算法对模型的各参数进行自动优化，解决神经网络的拓扑结构只能通过人工调参以及复杂神经网络的调参人工成本过高的问题。
-
Patent Agency Ranking
公开(公告)号：CN112685162A
公开(公告)日：2021-04-20
申请号：CN202110012674.3
申请日：2021-01-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种边缘服务器异构计算资源的高效能调度方法、系统及介质，方法包括下述步骤：通过先验计算，将计算任务归纳为n种任务类型；对边缘服务器每种服务器的状态进行初始化；在终端与边缘服务器的传输计算任务过程中增加一个缓存区域，对传输给边缘服务器的计算任务进行排队、分析；以当前缓存通道的计算任务W，服务器的当前的运行与存储状态作为输入，构建IPQC问题，然后用粒子群优化方法来求出最优解。本发明实现了边缘服务器的异构计算资源的高效能调度方法，能够利用边缘服务器有限的异构计算资源，大大提高边缘服务器计算资源的利用率，同时加速边缘服务器的处理速度，更加高效地完成从终端传输给边缘服务器的计算任务。
-
公开(公告)号：CN112685162B
公开(公告)日：2025-02-11
申请号：CN202110012674.3
申请日：2021-01-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种边缘服务器异构计算资源的高效能调度方法、系统及介质，方法包括下述步骤：通过先验计算，将计算任务归纳为n种任务类型；对边缘服务器每种服务器的状态进行初始化；在终端与边缘服务器的传输计算任务过程中增加一个缓存区域，对传输给边缘服务器的计算任务进行排队、分析；以当前缓存通道的计算任务W，服务器的当前的运行与存储状态作为输入，构建IPQC问题，然后用粒子群优化方法来求出最优解。本发明实现了边缘服务器的异构计算资源的高效能调度方法，能够利用边缘服务器有限的异构计算资源，大大提高边缘服务器计算资源的利用率，同时加速边缘服务器的处理速度，更加高效地完成从终端传输给边缘服务器的计算任务。
-
公开(公告)号：CN117453391A
公开(公告)日：2024-01-26
申请号：CN202311209509.2
申请日：2023-09-19
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于RNN和粒子群的端边云异构资源调度方法及装置，方法包括：根据历史记录预先处理任务，形成在客户端中运行的资源需求表并获取客户端各个节点信息表；搭建RNN模型，通过一个利用动态规划生成的数据集训练而来的、能够识别任务序列的RNN模型，对用户在线发布的任务进行缓存，从而将在线任务调度问题转化为离线调度问题，并使用了利用康托展开进行编码优化的粒子群算法完成离线调度，对在线发布的任务得到综合耗时短、负载均衡的调度策略。相较于基于强化学习等主流调度算法，本发明无需大量训练数据和算力即可完成高效的调度。
-
公开(公告)号：CN112732718B
公开(公告)日：2022-06-14
申请号：CN202110012673.9
申请日：2021-01-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向云边端的智能结构化数据方法、系统和介质，包括下述步骤：对智能终端计算任务进行特征提取，所述特征包括：计算任务的可并行性、计算任务的依赖性、计算与任务判断分支的比值、边缘节点当前的网络传输能力以及计算任务的数据类型与当前边缘节点的异构计算资源的适应度；设计hyper‑neat网络g，hyper‑neat网络g定期训练于边缘节点，运行于智能终端；边缘节点向云端传输数据、日志、优质的hyper‑neat网络RNA的种子；云端对从智能终端产生的非结构化数据进行分析、建立、补齐知识体系。本发明能够对智能终端收集到非结构化数据进行结构化，让边缘服务器的异构计算充分发挥其计算特点，加快计算速度。
-
公开(公告)号：CN112732718A
公开(公告)日：2021-04-30
申请号：CN202110012673.9
申请日：2021-01-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向云边端的智能结构化数据方法、系统和介质，包括下述步骤：对智能终端计算任务进行特征提取，所述特征包括：计算任务的可并行性、计算任务的依赖性、计算与任务判断分支的比值、边缘节点当前的网络传输能力以及计算任务的数据类型与当前边缘节点的异构计算资源的适应度；设计hyper‑neat网络g，hyper‑neat网络g定期训练于边缘节点，运行于智能终端；边缘节点向云端传输数据、日志、优质的hyper‑neat网络RNA的种子；云端对从智能终端产生的非结构化数据进行分析、建立、补齐知识体系。本发明能够对智能终端收集到非结构化数据进行结构化，让边缘服务器的异构计算充分发挥其计算特点，加快计算速度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.019 seconds)
