-
公开(公告)号：CN112748998B
公开(公告)日：2023-10-03
申请号：CN202110081461.6
申请日：2021-01-21
申请人： 中南大学
IPC分类号： G06F9/48 , G06F9/50 , G06T1/20 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种移动端的卷积神经网络任务调度方法及系统，方法包括：S1.针对计算任务，从预设的配置方案集合中选择满足预设条件的配置方案，配置方案包括CPU核心频率、GPU核心频率、最低网络延迟切分比率、和当前配置参数下的最低网络延迟；S2.将计算任务的卷积层输入张量按照最低网络延迟切分比率进行切分，切分得到CPU输入张量和GPU输入张量；S3.以CPU输入张量作为CPU卷积神经网络的输入，计算得到CPU输出张量；以GPU输入张量作为GPU卷积神经网络的输入，计算得到GPU输出张量，根据CPU输出张量和GPU输出张量得到卷积神经网络的输出张量。具有有效降低移动端卷积神经网络延迟等优点。
-
公开(公告)号：CN111443990B
公开(公告)日：2023-04-07
申请号：CN202010218209.0
申请日：2020-03-25
申请人： 中南大学
摘要： 本发明公开了一种边缘计算任务迁移仿真系统，包括边缘网络模型、工作流模型、调度算法模型和仿真环境模型；所述边缘网络模型用于模拟边缘网络的拓扑结构；所述工作流模型用于仿真生成工作流；所述调度算法模型用于生成、存储边缘计算任务迁移调度算法；所述仿真环境模型用于从所述边缘网络模型中读取边缘网络的拓扑结构，从工作流模型中读取工作流模型，从调度算法模型中读取调度算法，构建仿真环境，实现并验证仿真系统的性能。本发明具有适用范围广，可灵活、方便对边缘计算任务迁移进行仿真等优点。
-
-
公开(公告)号：CN114866548B
公开(公告)日：2022-12-23
申请号：CN202210448728.5
申请日：2022-04-26
申请人： 中南大学
摘要： 本发明公开了一种基于移动雾计算的任务卸载方法，方案是构建由I个移动雾节点、一个基站、J个请求卸载任务的移动设备、一个云数据库服务器组成的任务卸载系统。基站作为部署任务卸载的第三方平台，移动设备和移动雾节点向基站提供信息。在考虑设备移动性约束以及用户服务质量对不同设备属性的偏好的情况下，将移动雾计算环境下任务卸载中的资源利用率最大化问题建模为二部图的最大加权匹配问题，通过KM算法求解出能够使得用户总体满意度最高的最优任务分配方案。基站根据最优任务分配方案通知请求卸载的移动设备将任务卸载到合适的移动雾节点，并通知对应的移动雾节点接受并执行任务。采用本发明能实现合理的任务分配，有效提高资源利用率。
-
公开(公告)号：CN114022202B
公开(公告)日：2022-11-01
申请号：CN202111295191.5
申请日：2021-11-03
申请人： 中南大学
摘要： 本发明公开了基于深度学习的用户流失预测方法及系统，通过构建并将时序行为特征矩阵转化成多个块嵌入向量，并添加初始类别嵌入向量以及位置嵌入向量，再提取嵌入特征块的各个块嵌入向量的目标类别，并加上位置嵌入向量所标记的各个块嵌入向量之间的位置关系对提取的各个块嵌入向量进行自相似性计算，得到嵌入特征块的类别嵌入向量；对嵌入特征块的类别嵌入向量进行预分类，输出用户流失概率值，从用户画像特征矩阵提取用户画像的关键特征矩阵，根据用户画像的关键特征矩阵以及用户流失概率值确定用户的流失类别。本发明能准确、全面捕捉用户各种时序行为特征之间的自相似性，并结合用户画像的关键特征矩阵实现高精度的用户流失预测。
-
公开(公告)号：CN111754000B
公开(公告)日：2022-10-14
申请号：CN202010590843.7
申请日：2020-06-24
摘要： 本发明公开了一种质量感知的边缘智能联邦学习方法及系统，该方法包括：云平台以多个学习任务的聚合模型质量之和在每次迭代中都达到最大为优化目标，构建联邦学习质量优化问题并解决：在每次迭代中，利用参与节点的历史学习质量记录预测参与节点的学习质量；其中，利用每次迭代中损失函数值的减少量来量化节点训练数据的学习质量；在每次迭代中，云平台通过反向拍卖机制激励高学习质量的节点参与联邦学习；以进行学习任务和学习报酬的分配；在每次迭代中，对于每个学习任务，每个参与节点将其本地模型参数上传到云平台以聚合得到全局模型。本发明可以在保护数据隐私的情况下，为模型的训练提供更丰富的数据和更多的算力，以提高模型的质量。
-
公开(公告)号：CN114281545A
公开(公告)日：2022-04-05
申请号：CN202111618376.5
申请日：2021-12-20
申请人： 中南大学
摘要： 本发明公开了一种基于CPU资源与图像模型时延关系的资源分配方法，目的是减少CPU资源浪费，降低图像任务队列处理时延。技术方案是构建由接收端口，图像模型模块，测试控制模块，测试模块，监控模块，函数拟合模块，调度模块组成的基于CPU资源与图像模型时延关系的资源分配系统；资源分配系统各模块相互配合，对N个任务需求中的图像模型进行测试，得出N个拟合函数；调度模块N个拟合函数及N个任务请求，按照任务请求的到达顺序，将CPU各个核的空闲资源分配给N个任务。采用本发明能够减少任务过多时CPU处理图像任务队列的总时延，减少CPU资源浪费，改善CPU并行处理任务的能力，提高计算机综合效率。
-
公开(公告)号：CN113163378B
公开(公告)日：2022-03-25
申请号：CN202110481245.0
申请日：2021-04-30
申请人： 中南大学
摘要： 本发明公开了一种最大化调度用户集势的动态调度方法与装置，用于基站面对大规模用户终端时进行选择性调度的场景。首先根据用户信干噪比和业务需求筛选得到可行用户集。然后在可行用户集中构造不同的用户子集，找到一个满足集合中所有用户的业务需求且总发送功率最小的用户子集作为已调度用户集。再从已调度用户集中有放回的取出一个用户，剩余用户集合作为待优化用户集，选择一个总发送功率最小的待优化用户集，并记录被取出用户。如果已调度用户集中的最后加入用户与记录的取出用户相同，则输出已调度用户集和对应的波束赋形向量。本发明能够同时进行用户调度和波束赋形优化，具有时间复杂度低、调度用户数量多和调度用户间干扰小等优点。
-
公开(公告)号：CN112929842B
公开(公告)日：2021-11-26
申请号：CN202110117008.6
申请日：2021-01-28
申请人： 中南大学
摘要： 本发明提供了一种基于多通信模块的传感器节点数据传输方法包括如下步骤：步骤S1、部署传感器节点：传感器节点搭载传感器模块以及传感器节点通信模块，传感器节点通信模块包括传感器节点低功耗通信模块及传感器节点高速传输通信模块；步骤S2、部署数据汇聚节点：数据汇聚节点搭载汇聚节点通信模块，汇聚节点通信模块包括汇聚节点低功耗通信模块及汇聚节点高速传输通信模块；步骤S3、默认状态时数据传输以“低功耗模式”运行；步骤S4、在遇到突发情况导致数据量激增或者有外部请求时，数据传输开启“高性能模式”。本发明用于解决物联网无线传感网络只能服务单一的应用场景，无法完成复杂的数据采集需求的问题。
-
公开(公告)号：CN113191484A
公开(公告)日：2021-07-30
申请号：CN202110449033.4
申请日：2021-04-25
摘要： 本发明公开了一种基于深度强化学习的联邦学习客户端智能选取方法及系统，该方法包括：联邦平台通过从联邦服务市场环境中收集客户端的状态作为输入，输入到基于策略网络的客户端选择智能体中，输出客户端选择方案；联邦平台根据当前环境状况以及客户端选择方案从多个候选客户端中选取一组最优的客户端以协同训练联邦学习模型，并将联邦学习性能作为奖励反馈给客户端选择智能体，以奖励用于优化更新策略网络；策略网络通过强化学习方法离线训练得到。本发明可从候选移动边缘设备中选择高质量的设备参与联邦学习，以处理分布式客户端低质量数据问题，以显著提高联邦学习质量。
-
-
-
-
-
-
-
-
-
搜索结果
173 条记录 (耗时 0.049 秒)
