-
公开(公告)号：CN112532746B
公开(公告)日：2021-10-26
申请号：CN202011517066.X
申请日：2020-12-21
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种云边协同感知的方法及系统，其中，各边缘节点获取并采用弹性更新算法，将所述全局模型参数与上一通信轮次的边缘模型之间的加权结果，更新上一轮通信轮次的边缘模型，得到本次通信轮次的边缘模型；根据所述本地训练集，训练本次通信轮次的边缘模型，得到新的边缘模型，进而得到最终边缘模型。通过多次弹性更新，使用本地训练集对边缘模型进行训练，得到的最终边缘模型更接近于实际感知，从而实现更加准确的感知。
-
Patent Agency Ranking
公开(公告)号：CN111753462B
公开(公告)日：2023-02-03
申请号：CN202010440080.8
申请日：2020-05-22
Applicant: 北京邮电大学
IPC: G06F30/27 , G06N3/04 , G06F111/10
Abstract: 本申请实施例提供了一种环境信号值确定方法及装置，该方法包括：获取目标区域内的监测点监测的环境信号值和监测点的位置信息；根据环境信号值、位置信息和预设插值算法，计算目标区域各个位置的第一环境信号值；将第一环境信号值输入目标生成对抗网络模型，得到目标区域内各个位置的第二环境信号值；根据第二数据曲面，确定目标区域内的非监测点的环境信号值。这样将第一环境信号输入目标生成对抗网络模型，可以得到更高准确度的、目标区域内各个位置的第二环境信号值，减小了空间插值计算的误差，从而能够获得较为准确的非监测点的环境信号值。
-
公开(公告)号：CN112532746A
公开(公告)日：2021-03-19
申请号：CN202011517066.X
申请日：2020-12-21
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种云边协同感知的方法及系统，其中，各边缘节点获取并采用弹性更新算法，将所述全局模型参数与上一通信轮次的边缘模型之间的加权结果，更新上一轮通信轮次的边缘模型，得到本次通信轮次的边缘模型；根据所述本地训练集，训练本次通信轮次的边缘模型，得到新的边缘模型，进而得到最终边缘模型。通过多次弹性更新，使用本地训练集对边缘模型进行训练，得到的最终边缘模型更接近于实际感知，从而实现更加准确的感知。
-
公开(公告)号：CN111753462A
公开(公告)日：2020-10-09
申请号：CN202010440080.8
申请日：2020-05-22
Applicant: 北京邮电大学
IPC: G06F30/27 , G06K9/00 , G06N3/04 , G06F111/10
Abstract: 本申请实施例提供了一种环境信号值确定方法及装置，该方法包括：获取目标区域内的监测点监测的环境信号值和监测点的位置信息；根据环境信号值、位置信息和预设插值算法，计算目标区域各个位置的第一环境信号值；将第一环境信号值输入目标生成对抗网络模型，得到目标区域内各个位置的第二环境信号值；根据第二数据曲面，确定目标区域内的非监测点的环境信号值。这样将第一环境信号输入目标生成对抗网络模型，可以得到更高准确度的、目标区域内各个位置的第二环境信号值，减小了空间插值计算的误差，从而能够获得较为准确的非监测点的环境信号值。
-
公开(公告)号：CN115983370A
公开(公告)日：2023-04-18
申请号：CN202211490956.5
申请日：2022-11-25
Applicant: 北京邮电大学
IPC: G06N3/084 , G06N3/0455 , G06F18/213
Abstract: 本发明提供一种散乱数据插值模型训练方法、插值方法及装置，包括：获取训练样本集，每个样本包括散乱数据及其对应的真实数据；获取初始网络模型，该模型包括数据预处理模块、编码器和解码器；将各散乱数据输入数据预处理模块网格化得到数字矩阵；为数字矩阵构建掩码矩阵；对数字矩阵进行掩码嵌入和位置编码；将多个数字矩阵封装为张量，提取可见元素构成特征序列输入编码器；编码器对可见元素特征序列进行特征提取，与待插值元素拼接后输入解码器，解码器综合局部与全局信息生成预测数据，利用预测数据和真实数据间的损失更新优化初始网络模型，最终得到散乱数据插值模型。本发明提供的模型能够用于散乱数据插值，并达到较高的准确度。
-
公开(公告)号：CN115481560A
公开(公告)日：2022-12-16
申请号：CN202110660559.7
申请日：2021-06-15
Applicant: 北京邮电大学
Abstract: 一种基于元学习的个性化联邦学习方法涉及联邦学习方法技术领域，解决了协同训练灵活性低、算法复杂的问题，步骤一、云服务器确认客户端数量、设置基础网络和元网络的超参数、初始化全局模型参数；步骤二、客户端下载全局模型参数，根据超参数和本地数据集训练本地模型；步骤三、上传本地模型参数，云服务器利用全局模型聚合方法计算全局模型参数；步骤四、返回步骤二直至客户端得到稳定的本地模型参数；步骤五、客户端从云服务器下载全局模型参数和全部本地模型参数，交替训练元网络和基础网络，云服务器保存本地模型参数并计算以更新全局模型参数；步骤六、重复步骤五直至本地模型达到要求的准确率或收敛。本发明协同训练的过程灵活性、算法简单。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
