-
公开(公告)号：CN111199740B
公开(公告)日：2022-09-09
申请号：CN201911408237.2
申请日：2019-12-31
Applicant: 重庆大学
Abstract: 本发明公开了一种基于边缘计算加速自动语音识别任务的卸载方法，主要步骤为：1)建立边缘通信系统，包括云服务器、若干基站和若干用户端。每个基站均设有边缘服务器。2)用户端向基站发送自动语音识别任务。3)基站接收到自动语音识别任务后，将自动语音识别任务发送至云服务器。4)建立自动语音识别任务卸载模型。5)利用交替迭代的方法对自动语音识别任务卸载模型进行解算，得到最后任务卸载策略。本发明缓解了云服务器的压力，提高了用户使用智能应用时的体验，满足高精度、低时延的任务需求。(56)对比文件MIN CHEN et al.A Dynamic ServiceMigration Mechanism in Edge CognitiveComputing《.ACM Transactions on InternetTechnology》.2019,吕昕晨.移动边缘计算任务迁移与资源管理研究《.中国优秀博硕士学位论文全文数据库(博士)信息科技辑》.2019,Min Chen et al.Intelligent TrafficAdaptive Resource Allocation for EdgeComputing-Based 5G Networks《.IEEETRANSACTIONS ON COGNITIVE COMMUNICATIONSAND NETWORKING》.2019,
-
Patent Agency Ranking
公开(公告)号：CN111199740A
公开(公告)日：2020-05-26
申请号：CN201911408237.2
申请日：2019-12-31
Applicant: 重庆大学
Abstract: 本发明公开了一种基于边缘计算加速自动语音识别任务的卸载方法，主要步骤为：1)建立边缘通信系统，包括云服务器、若干基站和若干用户端。每个基站均设有边缘服务器。2)用户端向基站发送自动语音识别任务。3)基站接收到自动语音识别任务后，将自动语音识别任务发送至云服务器。4)建立自动语音识别任务卸载模型。5)利用交替迭代的方法对自动语音识别任务卸载模型进行解算，得到最后任务卸载策略。本发明缓解了云服务器的压力，提高了用户使用智能应用时的体验，满足高精度、低时延的任务需求。
-
公开(公告)号：CN111148142A
公开(公告)日：2020-05-12
申请号：CN201911408236.8
申请日：2019-12-31
Applicant: 重庆大学
Abstract: 本发明公开了移动通信网络中基于异常检测和集成学习的休眠小区检测方法，主要步骤为：1)筛选掉全部关键性能指标KPI数据序列均正常的小区，保留异常小区；2)以标记小区的相关性指标corr1、相关性指标corr2和相关性指标corr3作为训练数据，训练随机森林模型，得到小区分类模型M；3)将异常小区的相关性指标corr1、相关性指标corr2和相关性指标corr3作为测试数据，输入到小区分类模型M中，输出每个异常小区的异常原因属于pattern1、pattern2、…和patternn的概率矩阵A；4)若概率矩阵A的最大元素a≤ε，则所述异常小区为休眠小区。本发明能够更好的定位网络中的休眠小区，并且可以根据不断实践提升检测准确率，灵活性强，性能稳定。
-
公开(公告)号：CN114820443A
公开(公告)日：2022-07-29
申请号：CN202210272353.1
申请日：2022-03-18
Applicant: 重庆大学
Abstract: 本发明公开一种基于迁移学习的边缘检测方法，包括以下步骤：1)搭建边缘检测系统；2)第m个缺陷检测点Am的图像采集设备采集待检测零部件的图像Pm，并上传至第n个微基站的边缘服务器En；3)边缘服务器En将接收到的图像Pm输入到基于迁移学习的边缘检测模型中，得到待检测零部件的缺陷检测结果；本发明通过深度学习满足缺陷检测的准确性、重复性和一致性要求，降低企业的经济和管理负担。通过边缘计算架构在边缘端完成缺陷检测任务的计算，降低时延满足实际生产中对缺陷检测的实时性要求。使用迁移学习策略，加快模型的训练速度并减少人工标识数据所带来的人力成本。
-
公开(公告)号：CN111148142B
公开(公告)日：2022-07-12
申请号：CN201911408236.8
申请日：2019-12-31
Applicant: 重庆大学
IPC: H04W24/04 , H04L41/0677 , H04L41/142 , G06K9/62
Abstract: 本发明公开了基于异常检测和集成学习的休眠小区检测方法，步骤为：1)筛选掉全部关键性能指标KPI数据序列均正常的小区，保留异常小区；2)以标记小区的相关性指标corr1、相关性指标corr2和相关性指标corr3作为训练数据，训练随机森林模型，得到小区分类模型M；3)将异常小区的相关性指标corr1、相关性指标corr2和相关性指标corr3作为测试数据，输入到小区分类模型M中，输出每个异常小区的异常原因属于pattern1、pattern2、…和patternn的概率矩阵A；4)若概率矩阵A的最大元素a≤ε，则所述异常小区为休眠小区。本发明能够更好的定位网络中的休眠小区，并且可以根据不断实践提升检测准确率，灵活性强，性能稳定。
-
公开(公告)号：CN114820443B
公开(公告)日：2024-05-07
申请号：CN202210272353.1
申请日：2022-03-18
Applicant: 重庆大学
IPC: G06T7/00 , G06T7/13 , G06N3/0464 , G06N3/096
Abstract: 本发明公开一种基于迁移学习的边缘检测方法，包括以下步骤：1)搭建边缘检测系统；2)第m个缺陷检测点Am的图像采集设备采集待检测零部件的图像Pm，并上传至第n个微基站的边缘服务器En；3)边缘服务器En将接收到的图像Pm输入到基于迁移学习的边缘检测模型中，得到待检测零部件的缺陷检测结果；本发明通过深度学习满足缺陷检测的准确性、重复性和一致性要求，降低企业的经济和管理负担。通过边缘计算架构在边缘端完成缺陷检测任务的计算，降低时延满足实际生产中对缺陷检测的实时性要求。使用迁移学习策略，加快模型的训练速度并减少人工标识数据所带来的人力成本。
-
-
-
-
-
Search Results
6
records
(took 0.011 seconds)
