當(dāng)前,我們可以從物聯(lián)網(wǎng)（Internet of Things,IoT）傳感器中獲取海量數(shù)據(jù),然后利用這些數(shù)據(jù)來(lái)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),通過(guò)深度神經(jīng)網(wǎng)絡(luò)研究實(shí)際問(wèn)題,幫助IoT設(shè)備作出決策,使IoT設(shè)備更加智能,擁有更廣闊的應(yīng)用前景。然而,一方面IoT設(shè)備的計(jì)算和存儲(chǔ)資源有限,很多神經(jīng)網(wǎng)絡(luò)模型不能直接用于IoT設(shè)備中;另一方面云計(jì)算的方法又會(huì)給用戶帶來(lái)高帶寬成本和高延遲,所以,單純的基于云計(jì)算的深度學(xué)習(xí)和基于IoT設(shè)備的深度學(xué)習(xí)不能很好地適用于IoT環(huán)境。針對(duì)上述問(wèn)題,本文對(duì)“云-邊-端”協(xié)同計(jì)算的分布式深度神經(jīng)網(wǎng)絡(luò)（Distributed Deep Neural Network,DDNN）進(jìn)行了相關(guān)研究,以改進(jìn)現(xiàn)有解決方案。首先,針對(duì)IoT設(shè)備數(shù)據(jù)的特點(diǎn),本文提出了一種多視角特征加權(quán)融合的方法,該方法考慮了多視角重要性的差異,相比傳統(tǒng)的特征融合方法減少了邊緣側(cè)向云側(cè)的數(shù)據(jù)傳輸量,能進(jìn)一步提高DDNN的精度。其次,針對(duì)DDNN的重要組成部分——卷積層和全連接層參數(shù)過(guò)多的問(wèn)題,本文設(shè)計(jì)了一種出口可滑動(dòng)的輕量級(jí)DDNN推理模型,一方面通過(guò)將出口位置往DDNN的低層移動(dòng),減少邊緣側(cè)卷積層的計(jì)算量,另... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文組織結(jié)構(gòu)

14圖 2-1 DDNN 體系結(jié)構(gòu)anchyNet 的一種可用于“云-邊-端”協(xié)同計(jì)在設(shè)備側(cè)、邊緣側(cè)和云側(cè)分別有一個(gè)分類口以交叉熵?fù)p失作為優(yōu)化目標(biāo)，如公式(( ) ( )1, ; logc cc CL y yC y y= exp( )softmax( )exp(z )cc C= = zy z( ; )nexitz =f x ，y表示樣本的真實(shí)標(biāo)簽，y 表示樣本的是樣本從神經(jīng)網(wǎng)絡(luò)的輸入到第 n 個(gè)出口進(jìn)

圖 3-2 單個(gè)視角 cBoF 結(jié)構(gòu)圖cBoF 層與卷積層相結(jié)合，如圖 3-2 中虛線框部分，左側(cè)表示邊緣側(cè) CNN 特取的過(guò)程，包括卷積層、池化層、Dropout[44]層、批歸一化（Batch NormalizatioN）層等。第 i 個(gè)圖片送給特征提取模塊后，從最后一個(gè)卷積層中得到的特征圖數(shù)為FN ，高和寬分別為iH 和iW 。（2）構(gòu)造視覺(jué)詞典視覺(jué)詞典的構(gòu)造決定了圖像的分類效果，是十分重要的階段。通過(guò)第一階段征提取，可得到 N 張圖片的特征向量集合 | 1 , 1 ij iS = x i = N j =N，其i i iN = H W。構(gòu)造視覺(jué)詞典的過(guò)程就是將這個(gè)集合聚類到KN 個(gè)視覺(jué)單詞上去。視覺(jué)單詞 ( 1, ,)Dk Kv R k =N，其中 D 表示特征向量ijx 的維度。視覺(jué)詞典只構(gòu)造一次，為了減少訓(xùn)練時(shí)間，可以使用S 的子集來(lái)構(gòu)造視覺(jué)詞典V ，這種方特征表達(dá)的影響甚微[45]。特征向量x 和視覺(jué)單詞v 的相似性度量用徑向基核函數(shù)（ Radial Ba

【參考文獻(xiàn)】：
期刊論文
[1]邊緣計(jì)算:現(xiàn)狀與展望[J]. 施巍松,張星洲,王一帆,張慶陽(yáng).  計(jì)算機(jī)研究與發(fā)展. 2019(01)

碩士論文
[1]基于字符級(jí)聯(lián)分類器的自適應(yīng)汽車儀表檢測(cè)算法的研究[D]. 伊明.哈爾濱工業(yè)大學(xué) 2018
[2]基于深度學(xué)習(xí)和云計(jì)算的電力信息網(wǎng)入侵檢測(cè)研究[D]. 孫杉.華北電力大學(xué) 2016



本文編號(hào)：3222859