-
公开(公告)号：CN114529010A
公开(公告)日：2022-05-24
申请号：CN202210109610.X
申请日：2022-01-28
Applicant: 广州杰赛科技股份有限公司 , 华南理工大学 , 广东工业大学
Abstract: 本发明公开一种机器人自主学习方法、装置、设备及存储介质，该方法包括：基于预先构建的虚拟环境，获取由虚拟环境自动生成的环境参数；根据环境参数，通过深度学习模型生成训练数据；根据训练数据，采用分层强化学习框架生成至少一个机器人技能；根据待执行任务确定机器人的状态空间，基于状态空间，采用变分推理方法预测待执行任务的潜在技能向量，潜在技能向量与至少一个机器人技能中的其中一个机器人技能具有一一对应的关系；根据机器人技能和潜在技能向量，采用强化学习算法获得用于完成待执行任务的机器人控制策略。本发明在面对不同类型的任务时，无需重复针对不同类型的任务对机器人进行技能训练，提高了机器人进行自主学习的泛化性。
-
公开(公告)号：CN114528758A
公开(公告)日：2022-05-24
申请号：CN202210106265.4
申请日：2022-01-28
Applicant: 广州杰赛科技股份有限公司 , 广东工业大学
Abstract: 本发明公开了一种分布式模型预测方法，通过构建不同神经元分布的局部模型，并采用分布不同的数据训练构建的局部模型；采用联合概率神经匹配对不同的局部模型的相似神经元进行匹配，采用惩罚函数筛选神经元；根据筛选后的神经元构建全局模型，确定全局模型神经元的参数；采用预设的训练集，利用贝叶斯深度学习完成全局模型的参数分布的估计；根据参数分布的估计完成全局模型的预测过程。对全局模型的参数采用概率分布来估计，提高参数的稳定性，从而提高模型训练的收敛速度，提高模型预测速度。
-
公开(公告)号：CN114520772A
公开(公告)日：2022-05-20
申请号：CN202210058973.5
申请日：2022-01-19
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 广东工业大学
IPC: H04L41/14 , H04L41/0893 , H04W72/04
Abstract: 本发明提供了一种5G切片资源调度方法，包括初始化深度强化网络的记忆池和学习参数；记忆池包括网络状态、动作、奖励值和下一网络状态；动作表示5G切片资源分配策略；将采集到的5G切片资源的历史分配数据馈入到深度神经网络进行强化学习，并将每一次学习得到的网络状态、动作、奖励值和下一网络状态组成一个四元组；随机抽取若干个四元组馈入到神经网络进行训练，得到切片资源分配模型；响应于接收到的终端业务请求，基于切片资源分配模型进行5G切片资源分配；本发明可以实现采用有限样本进行模型快速训练，从而大大降低了海量用户多种通信场景的切片资源分配模型计算的复杂度，有效缩短切片资源分配的决策时长，提升切片资源分配效率。
-
公开(公告)号：CN114519417A
公开(公告)日：2022-05-20
申请号：CN202210067014.X
申请日：2022-01-20
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 广东工业大学
Abstract: 本发明提供了一种边缘设备的模型训练方法、装置、设备及介质，所述方法包括：基于改进的烟花算法，选定一组最优的客户端，并将模型参数发送至该组中的每一客户端，以使每一所述客户端根据对应的模型参数对该客户端对应的局部模型进行训练；获取客户端发送的训练完成的局部模型及其对应的模型参数，并将局部模型及其对应的参数进行聚合得到训练完成的全局模型；当判断到不满足第一预设迭代终止条件时，返回至上述客户端训练步骤。采用本发明实施例，能够基于改进的烟花算法，在每次训练时，对参与训练的客户端组合进行择优选择，并通过拆分的方法将云平台服务器端的全局模型拆分成多个局部模型，实现了在有限的边缘网络中对大型模型的高效训练。
-
公开(公告)号：CN114449529B
公开(公告)日：2025-01-03
申请号：CN202210110846.5
申请日：2022-01-29
Applicant: 广东工业大学 , 广州杰赛科技股份有限公司
IPC: H04W16/10 , H04W72/1263 , H04W72/53
Abstract: 本发明公开了一种基于移动边缘计算的资源分配优化方法、装置及存储介质，所述方法包括：构建基于移动边缘计算的系统模型，所述系统模型包括至少一个边缘服务器和至少一个基站；基于所述系统模型，计算任务在无线侧的传输时延以及任务在本地执行的本地时延；根据传输时延以及用户终端的停留概率、当前停留时间，计算任务卸载到边缘服务器的卸载时延；根据传输时延、本地时延以及卸载时延，建立系统模型的总能耗最小化的优化目标以及约束条件；根据约束条件计算所述优化目标的最优解，得到系统模型最优的资源分配策略。本发明将用户移动性、卸载策略问题和计算资源分配联合考虑，以系统处理业务总能耗最低为优化目标，能够快速得到资源分配策略。
-
Patent Agency Ranking
公开(公告)号：CN114564304A
公开(公告)日：2022-05-31
申请号：CN202210138983.X
申请日：2022-02-15
Applicant: 广州杰赛科技股份有限公司 , 广东工业大学
Abstract: 本发明公开了一种边缘计算的任务卸载方法，通过构建包含若干移动设备和若干MEC服务器的网络模型；根据所述网络模型和预先构建的时延计算模型计算当前任务的卸载总时延；根据所述网络模型和预先构建的能耗计算模型计算所述当前任务的传输能耗；根据所述卸载总时延和所述传输能耗构建不同应用场景的场景满意度模型；根据所述场景满意度模型、所述卸载总时延和所述传输能耗，并结合惩罚函数构建当前任务卸载的总成本的目标函数；根据粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置，并根据所述最优位置完成所述当前任务的卸载。能够优化能耗、时延和满意度，将计算任务合理地分配到相应的MEC服务器上，提高移动边缘计算的效率。
-
公开(公告)号：CN114449529A
公开(公告)日：2022-05-06
申请号：CN202210110846.5
申请日：2022-01-29
Applicant: 广东工业大学 , 广州杰赛科技股份有限公司
Abstract: 本发明公开了一种基于移动边缘计算的资源分配优化方法、装置及存储介质，所述方法包括：构建基于移动边缘计算的系统模型，所述系统模型包括至少一个边缘服务器和至少一个基站；基于所述系统模型，计算任务在无线侧的传输时延以及任务在本地执行的本地时延；根据传输时延以及用户终端的停留概率、当前停留时间，计算任务卸载到边缘服务器的卸载时延；根据传输时延、本地时延以及卸载时延，建立系统模型的总能耗最小化的优化目标以及约束条件；根据约束条件计算所述优化目标的最优解，得到系统模型最优的资源分配策略。本发明将用户移动性、卸载策略问题和计算资源分配联合考虑，以系统处理业务总能耗最低为优化目标，能够快速得到资源分配策略。
-
公开(公告)号：CN114548237B
公开(公告)日：2025-05-09
申请号：CN202210105552.3
申请日：2022-01-28
Applicant: 广州杰赛科技股份有限公司 , 华南理工大学 , 广东工业大学
Abstract: 本发明公开了一种人机交互的多模态数据融合方法，该方法包括：获取智能生产线的人机物要素信息和多种输入模态数据；基于人机物要素信息，从交互层次、空间跨度和业务类型三个维度构建建模表征空间；基于人、机、物各类要素的时空逻辑关系和各类要素的组合关系，构建建模基准；定义各类要素的交互规则，构建人机交互行为抽象模型；根据人、机、物各类要素的时间特性构建决策信息系统；通过人机交互行为抽象模型提取多种输入模态数据的数据特征；通过决策信息系统生成多种输入模态数据对应的决策；通过混合融合的方法将传感数据、数据特征和决策进行融合。本发明能够对人机交互的多层次交互进行抽象和结构化描述，以实现多模态数据的有效融合。
-
公开(公告)号：CN114529010B
公开(公告)日：2025-03-21
申请号：CN202210109610.X
申请日：2022-01-28
Applicant: 广州杰赛科技股份有限公司 , 华南理工大学 , 广东工业大学
IPC: G06N3/045 , G06N3/0475 , G06N3/0442 , G06N3/092 , G06N3/084 , G06N3/0985
Abstract: 本发明公开一种机器人自主学习方法、装置、设备及存储介质，该方法包括：基于预先构建的虚拟环境，获取由虚拟环境自动生成的环境参数；根据环境参数，通过深度学习模型生成训练数据；根据训练数据，采用分层强化学习框架生成至少一个机器人技能；根据待执行任务确定机器人的状态空间，基于状态空间，采用变分推理方法预测待执行任务的潜在技能向量，潜在技能向量与至少一个机器人技能中的其中一个机器人技能具有一一对应的关系；根据机器人技能和潜在技能向量，采用强化学习算法获得用于完成待执行任务的机器人控制策略。本发明在面对不同类型的任务时，无需重复针对不同类型的任务对机器人进行技能训练，提高了机器人进行自主学习的泛化性。
-
公开(公告)号：CN114520736A
公开(公告)日：2022-05-20
申请号：CN202210083561.7
申请日：2022-01-24
Applicant: 广东工业大学 , 广州杰赛科技股份有限公司
Abstract: 本发明公开了一种物联网安全检测方法、装置、设备及存储介质，该方法包括：基于待测物联网设备的边缘节点，获取待测物联网设备在多个时刻的网络流量数据；对网络流量数据进行特征提取，获得网络流量特征；将网络流量特征输入至神经网络进行训练，构建多个时刻的物联网安全检测模型；基于多个时刻的物联网安全检测模型的模型参数，采用训练集对深度学习网络模型进行训练，确定深度学习网络模型的参数分布概率；将网络流量特征输入至确定参数分布概率后的深度学习网络模型，获得物联网安全检测结果。本发明基于边缘节点进行物联网安全检测，实时性较强，且能够准确地确定用于安全检测的模型的参数，从而提高对物联网安全进行检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.028 seconds)
