-
公开(公告)号：CN116361639A
公开(公告)日：2023-06-30
申请号：CN202211657566.2
申请日：2022-12-22
Applicant: 电子科技大学
IPC: G06F18/214 , G06N20/00
Abstract: 本发明公开了一种适用于人工智能物联网异构系统的自适应联邦学习方法，包括：(1)终端设备进行本地模型训练；(2)边缘服务器收集终端设备能够实际负载的工作量，以及将收集的模型参数进行局部聚合；同时边缘服务器预测终端设备未来可以承受的工作量，并按照训练价值高低选出终端设备继续参与下一轮训练；(3)边缘服务器将局部聚合模型和预测的工作量发送给选择的终端设备；同时，边缘服务器还将局部聚合模型参数发送至云服务器；(4)云服务器将收集的局部聚合模型参数进行全局聚合，获得全局聚合模型，然后返回至边缘服务器。本发明解决了AIoT应用中因系统异构性和统计异构性导致出现掉队者从而引起收敛速度减慢、模型精度降低的问题。
-
公开(公告)号：CN116094993B
公开(公告)日：2024-05-31
申请号：CN202211657554.X
申请日：2022-12-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种适用于边缘计算场景下的联邦学习安全聚合方法，包括：(1)边缘节点将各个终端之间的通信拓扑图结构由全连通图修改为基于最小生成树的终端连通拓扑图；(2)各个终端利用本地数据训练联邦学习的模型，并根据修改的终端连通拓扑图与邻居终端以广播密钥的方式进行通信；(3)各个终端计算掩码并用于加密模型梯度；(4)边缘节点接收终端传输的加密的模型梯度并进行局部聚合；(5)云计算处理中心接收来局部聚合模型梯度，再进行一次聚合形成全局聚合模型，并将全局聚合模型下发到边缘节点，为终端提供服务。本发明在解决联邦学习中隐私泄露问题的同时，避免了需要大量额外的计算和通信开销，并提高了模型的收敛速度。
-
公开(公告)号：CN112505549A
公开(公告)日：2021-03-16
申请号：CN202011343531.2
申请日：2020-11-26
Applicant: 西安电子科技大学
IPC: G01R31/367 , G01R31/3842 , G06K9/62
Abstract: 本发明提供了一种基于孤立森林算法的新能源汽车电池异常检测方法，用于解决现有技术中存在的异常检测的准确性和实时性较差的技术问题。实现步骤为：1.获取样本训练样本集合测试样本集；2.构建孤立森林IForest模型；3.获取新能源汽车的电池异常检测结果。本发明通过对多维特征构建IForest模型，对每个特征的异常得分进行判定，解决了只依靠单一维度特征对电池进行异常检测的单一性问题，提高了对新能源汽车电池异常检测的准确性，同时，通过对大量数据进行了预处理工作，降低了构建的孤立森林模型的时间，并且异常阈值是根据异常得分计算公式自动得出的固定值，提高了对新能源汽车电池异常检测的实时性。
-
公开(公告)号：CN112329868A
公开(公告)日：2021-02-05
申请号：CN202011246905.9
申请日：2020-11-10
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于CLARA聚类的制造加工设备群能效状态评价方法，用以解决现有技术中存在的评价可靠性较差的技术问题，实现步骤为：获取设备群的能效状态训练数据集和能效状态验证数据集；对能效状态训练数据集和能效状态验证数据集进行预处理；对CLARA聚类算法进行优化；获取设备群在指定时间区间内的能效状态评价结果。本发明通过采集、构造设备群中设备的相关运行参数，通过网格搜索法寻找CLARA聚类算法的最优中心点个数和最优选样次数，通过优化后的CLARA聚类算法对能效状态验证数据集进行聚类处理，具有评价可靠性高和评价成本低的特点，可用于工厂设备的运行状态检测。
-
公开(公告)号：CN116094993A
公开(公告)日：2023-05-09
申请号：CN202211657554.X
申请日：2022-12-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种适用于边缘计算场景下的联邦学习安全聚合方法，包括：(1)边缘节点将各个终端之间的通信拓扑图结构由全连通图修改为基于最小生成树的终端连通拓扑图；(2)各个终端利用本地数据训练联邦学习的模型，并根据修改的终端连通拓扑图与邻居终端以广播密钥的方式进行通信；(3)各个终端计算掩码并用于加密模型梯度；(4)边缘节点接收终端传输的加密的模型梯度并进行局部聚合；(5)云计算处理中心接收来局部聚合模型梯度，再进行一次聚合形成全局聚合模型，并将全局聚合模型下发到边缘节点，为终端提供服务。本发明在解决联邦学习中隐私泄露问题的同时，避免了需要大量额外的计算和通信开销，并提高了模型的收敛速度。
-
Patent Agency Ranking
公开(公告)号：CN115526333A
公开(公告)日：2022-12-27
申请号：CN202211052967.5
申请日：2022-08-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种边缘场景下动态权重的联邦学习方法，涉及机器学习技术领域，包括筛选客户端；下发全局模型给各客户端；客户端更新自身的计算能力值；客户端对全局模型进行训练；客户端根据计算能力值λ*和模型训练总时长，计算设备权重；对于每一客户端，若其模型训练总时长大于或等于截止时长，则直接返回参数至边缘服务器，否则通过增加余项对全局模型参数进行优化后，再返回参数至边缘服务器；边缘服务器根据设备权重所有返回的全局模型参数进行聚合，得到最终全局模型参数。本发明减少了因训练速度不一致导致部分设备带来的异构性影响，根据服务质量确定在最终模型聚合时的占比，从而确保聚合的结果在复杂的真实情况下更具有鲁棒性。
-
公开(公告)号：CN112505549B
公开(公告)日：2021-09-03
申请号：CN202011343531.2
申请日：2020-11-26
Applicant: 西安电子科技大学
IPC: G01R31/367 , G01R31/3842 , G06K9/62
Abstract: 本发明提供了一种基于孤立森林算法的新能源汽车电池异常检测方法，用于解决现有技术中存在的异常检测的准确性和实时性较差的技术问题。实现步骤为：1.获取样本训练样本集合测试样本集；2.构建孤立森林IForest模型；3.获取新能源汽车的电池异常检测结果。本发明通过对多维特征构建IForest模型，对每个特征的异常得分进行判定，解决了只依靠单一维度特征对电池进行异常检测的单一性问题，提高了对新能源汽车电池异常检测的准确性，同时，通过对大量数据进行了预处理工作，降低了构建的孤立森林模型的时间，并且异常阈值是根据异常得分计算公式自动得出的固定值，提高了对新能源汽车电池异常检测的实时性。
-
公开(公告)号：CN112329868B
公开(公告)日：2023-08-01
申请号：CN202011246905.9
申请日：2020-11-10
Applicant: 西安电子科技大学
IPC: G06Q10/0639 , G06F17/16 , G06Q50/04 , G06F18/214 , G06F18/23 , G06F18/10
Abstract: 本发明提出了一种基于CLARA聚类的制造加工设备群能效状态评价方法，用以解决现有技术中存在的评价可靠性较差的技术问题，实现步骤为：获取设备群的能效状态训练数据集和能效状态验证数据集；对能效状态训练数据集和能效状态验证数据集进行预处理；对CLARA聚类算法进行优化；获取设备群在指定时间区间内的能效状态评价结果。本发明通过采集、构造设备群中设备的相关运行参数，通过网格搜索法寻找CLARA聚类算法的最优中心点个数和最优选样次数，通过优化后的CLARA聚类算法对能效状态验证数据集进行聚类处理，具有评价可靠性高和评价成本低的特点，可用于工厂设备的运行状态检测。
-
公开(公告)号：CN112485018B
公开(公告)日：2021-09-10
申请号：CN202011297084.1
申请日：2020-11-18
Applicant: 西安电子科技大学
IPC: G01M17/007
Abstract: 本发明公开了一种基于机理数据融合的机械设备能耗异常检测方法。本发明方法的具体步骤为：(1)生成待检测机械设备能耗数据集；(2)采用机理数据融合方法计算电压数据集中电压的检验值、计算电流数据集中电流的检验值；(3)采用动态时间规划算法计算功率数据集中功率的检验值；(4)分别计算待检测机械设备电压状态值与电流状态值(5)检测机械设备能耗是否异常。使本发明具有对通用机械设备能耗异常检测泛化能力强，且降低了对传感器种类及数量的要求，降低了数据采集的复杂度及分析成本的优点。
-
公开(公告)号：CN112485018A
公开(公告)日：2021-03-12
申请号：CN202011297084.1
申请日：2020-11-18
Applicant: 西安电子科技大学
IPC: G01M17/007
Abstract: 本发明公开了一种基于机理数据融合的机械设备能耗异常检测方法。本发明方法的具体步骤为：(1)生成待检测机械设备能耗数据集；(2)采用机理数据融合方法计算电压数据集中电压的检验值、计算电流数据集中电流的检验值；(3)采用动态时间规划算法计算功率数据集中功率的检验值；(4)分别计算待检测机械设备电压状态值与电流状态值(5)检测机械设备能耗是否异常。使本发明具有对通用机械设备能耗异常检测泛化能力强，且降低了对传感器种类及数量的要求，降低了数据采集的复杂度及分析成本的优点。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.019 seconds)
