用于在云端和IOT网络之间共享机器学习功能的系统和方法技术方案

提供了用于基于被应用于包括多个感测节点和聚集节点的物联网（IoT）网络的卷积神经网络（CNN）使用深度学习的系统和方法。感兴趣事件基于所收集的数据而以更高可靠性被检测，并且IoT网络通过在IoT网络和云计算网络之间划分处理功能而改善带宽使用情况。

【技术实现步骤摘要】
【国外来华专利技术】用于在云端和IOT网络之间共享机器学习功能的系统和方法
本专利技术涉及一种系统和方法，其使用基于被应用于IoT网络的卷积神经网络的深度学习，更特别地，以基于所收集的数据以更高可靠性检测事件，并且通过在IoT网络和云端之间划分处理功能来节省带宽。
技术介绍
具有多个发光器和传感器的智能照明系统正经历在市场上的稳定增长。智能照明系统是一种针对能量效率所设计的照明技术。这可以包括高效装置以及基于诸如占用或日光可用性之类的条件进行调节的自动化控制。照明是为了实现一些审美或实际效果而进行的刻意光应用。其包括任务照明、重点照明和一般照明。这样的智能照明系统可以使用例如占用和光测量形式的多模传感器输入来控制发光器的光输出并且针对普遍的环境条件来调适人工照明条件。利用这样的传感器部署在照明系统情境中达到的空间粒度，可能使用传感器数据来关于操作环境进行学习。例如，一个这样的方面涉及到占用。对于关于超出基本存在之外的占用环境进行学习的兴趣有所增长。就此而言，占用建模与建筑能量效率、照明控制、安全监视、紧急疏散和救援操作紧密相关。在一些应用中，占用建模可以在作出例如有关HVAC控制等的自动决策时被使用。将光源连接至照明管理系统还实现了大量先进特征，诸如：通过追踪光源的位置和状态所进行的财产管理，通过调适照明日程而降低的能耗，等等。这样的智能照明系统还可以实现诸如定位或可见光通信之类的其它应用。智能照明系统还可以实现其它超出光照之外的应用。这样的应用可以在现有照明基础设施上运行并且带来附加价值。这样的其它应用的示例包括人数统计和土壤运动监视。可以使用被动红外（PIR）传感器来实现人数统计应用。这样的PIR传感器传统上被用来通过在被占用的那些区域中开启灯而降低能耗。PIR传感器在市面上已经广泛可用。还存在将这样的PIR传感器用于诸如办公室中的人数统计、活动监视等的其它功能的可能性。可以使用GPS数据来实现土壤运动监视应用。例如，每个智能户外发光器可以具有GPS传感器，从而该发光器一旦被安装就可以被自动定位。已知可以使用两个GPS传感器来以相对高的准确度跟踪土壤运动的量，一个GPS传感器位于静态区域而另一个则位于承受运动的区域。然而，并不知晓是否存在可以被用来产生有关土壤运动的量的见解（insight）的更好算法。就此而言，如下文所讨论的，本专利技术利用机器和深度学习算法的方面可以被用来提供改进的算法。机器学习（ML）是计算机科学的一个领域，其给予计算机在没有被明确编程的情况下进行学习的能力。就此而言，机器学习是指允许计算机从数据“学习”相应地调适程序动作的算法。机器学习算法被分类为有监督和无监督的。无监督学习涉及例如通过将数据项分类为差异类而从数据表得出结论。不向学习算法给出标签，而是让它自己在其输入中找出结构。无监督学习可以是目标本身（发现数据中的隐藏模式）或者是去往终点的手段（特征学习）。有监督算法使用过往数据中的学习以将其应用于新数据。由“教师”给出示例输入以及它们的期望输出，并且目标是学习将输入映射至输出的总体规则。作为特殊情形，输入信号可以仅是部分可用的，或者被限制于特殊反馈。深度学习是以大脑工作的方式所激发的机器学习算法的一种具体类型。该方法尝试对人脑将光和声音处理为视觉和听觉的方式进行建模。一些成功的深度学习的应用是计算机视觉和语音识别。神经元被互连，从而根据输入触发答案。深度学习旨在定义以多个层组织的神经元网络，从而输入数据被逐层处理，使得在链路之间的权重被正确选择的情况下，最后的层可以提供输入数据的高级别抽象。深度学习算法存在许多不同的可替换设计。例如，卷积神经网络（CNN），其中神经元的组织模式由视觉皮质所激发。这样的CNN是一种特殊的多层神经网络，其利用反向传播算法的一种版本进行训练。CNN使用被设计为要求最小化预处理的多层感知器的一种变体。基于它们的共享权重架构和平移不变性特性，它们也被称作移位不变或空间不变的人工神经网络（SIANN）。LeNet-5经常被认为是在针对图片中的字符识别任务的实践中工作的第一CNN。CNN的设计开拓空间，并且这正是如上那些超出光照之外的应用所期望的，其中多个传感器被部署在给定的感兴趣分区中以监视感兴趣特征，例如滑坡或者房间中的人数。例如，如果发生了滑坡，则传感器所捕捉到的“数据模式”将独立于该滑坡自身的位置。CNN在进行分类时的主要操作特征如下：-N次（N层）-卷积层利用卷积滤波器（称作“加权窗口”）计算输入数据的卷积。该卷积将对通常为阵列或矩阵的整个输入数据执行，从而该卷积强调具体模式。这具有三种主要含义：（i）在CNN的输入和输出节点之间仅需要本地连接性（具有滤波器大小）；（ii）其显示出对滤波器而言相关的感测数据中的数据的空间布置源自于输入（矢量/矩阵）中紧密定位的分区；（iii）其显示出滤波器的参数可以共享——这意味着输入是时间/空间不变的。-子采样或池化层在每次卷积之后提取最重要的特征。主要思想在于，在卷积之后，一些特征可能在紧密定位的区域中出现。随后可以通过子采样去除冗余信息。通常，卷积的输出被划分为网格（例如，侧边2×2的单元格）并且从每个单元格输出单个值，例如平均或最大值。-修正线性单元（ReLU）层取得子采样区域的输出并且修正为给定范围中的值，通常处于0和最大值之间。一种对该层加以解释的方式是将其视为一种二元决策，其确定给定区域（在卷积和子采样之后）中是否已经确定了给定特征。ReLu层可以利用Sigmoid函数f(x)=(1+e-x)-1来实施，即，如果x非常小，则f(x)为0，如果x大约为½，如果x大，则f(x)趋向于1。卷积/子采样和ReLU层的以上结构被应用N次，从而从输入数据获得一些输出数据。通常，如果子采样层具有2×2的大小，则对于大小为n2的输入数据空间以及N个层，特征将具有n∗2-N的大小。完全连接层是最后的层，其连接先前层的所有输出以获得作为N-1层的特征组合的最终答案。该层可以像将由最后层生成的输入相乘的矩阵运算那么简单，以量化每个潜在事件/分类的可能性。学习CNN的参数的过程被概括如下：-以随机方式初始化所有参数（权重和偏差）。-计算用于训练数据的输出。-计算最后层中的成本函数（误差）（C=½∑(目标–输出)2）。-将该误差反向传播，并且得出网络内的每个神经元中的误差。-给定该网络中的每个神经元中的误差，关于权重和偏差获得该成本函数的梯度。-将权重和偏差的更新值更新为wi+1=wi–ƞdC/dW，其中wi是当前迭代的权重，ƞ是学习速率，并且dC/dW是所计算的梯度。现有技术的系统存在两个主要的问题/缺陷。现有技术的第一个问题在于，并不知道可以如何在针对智能照明应用的实践中应用深度学习，在智能照明应用中，每个发光器包括关于环境中的具体特征生成触发的小型传感器。第二个问题则在于以下事实：现有（深度学习）方法要求将来自传感器的所有数据都发送至云端，从而所有数据都被处理。从带宽的角度来看这本文档来自技高网...

【技术保护点】
1.一种用于在IoT网络（100）中使用ML学习的多个节点（10）的计算机实施的方法，包括以下步骤：/n获得经训练的ML模型（22）、所述多个节点（10）的物理位置数据以及所述节点（10）的通信连接数据；/n使用集群算法来确定所述多个节点（10）中的哪些节点应当是感测节点（10）以及哪些节点应当是聚集节点（10），其中感测节点（10）进行感测并且将所感测数据发送至所述聚集节点（10）中的一个，并且所述聚集节点（10）的功能包括以下动作中的一个或多个：（i）感测；（ii）从所述感测节点（10）接收所述所感测数据；（iii）利用加权窗口对从所述感测节点（10）接收的所述所感测数据执行卷积；（iv）对卷积输出应用Sigmoid函数；（v）对卷积输出进行子采样；（vi）向云计算网络（20）的ML单元（21）部分发送包含所述动作的结果的消息；并且/n将有关所述多个节点中的哪些应当是所述感测节点或所述聚集节点（10）的配置信息发送至所述IoT网络（100）。/n

【技术特征摘要】
【国外来华专利技术】20180219 EP 18157320.5;20180103 US 62/6132011.一种用于在IoT网络（100）中使用ML学习的多个节点（10）的计算机实施的方法，包括以下步骤：
获得经训练的ML模型（22）、所述多个节点（10）的物理位置数据以及所述节点（10）的通信连接数据；
使用集群算法来确定所述多个节点（10）中的哪些节点应当是感测节点（10）以及哪些节点应当是聚集节点（10），其中感测节点（10）进行感测并且将所感测数据发送至所述聚集节点（10）中的一个，并且所述聚集节点（10）的功能包括以下动作中的一个或多个：（i）感测；（ii）从所述感测节点（10）接收所述所感测数据；（iii）利用加权窗口对从所述感测节点（10）接收的所述所感测数据执行卷积；（iv）对卷积输出应用Sigmoid函数；（v）对卷积输出进行子采样；（vi）向云计算网络（20）的ML单元（21）部分发送包含所述动作的结果的消息；并且
将有关所述多个节点中的哪些应当是所述感测节点或所述聚集节点（10）的配置信息发送至所述IoT网络（100）。


2.根据权利要求1所述的方法，进一步包括所述ML单元（21）确定所述聚集节点10中的每一个需要利用所述所感测数据实现的操作以及用于向所述ML单元（21）发送所述消息的逻辑的步骤。


3.根据权利要求1所述的方法，其中所述所感测数据是感兴趣区域11的占用量度或者感兴趣区域11的土壤运动量度。


4.根据权利要求1所述的方法，其中所述感测节点（10）使用局域网（LAN）接口（16）向所述聚集节点（10）发送所述所感测数据，并且所述聚集节点（10）使用广域网（WAN）接口（15）向所述ML单元（21）发送所述消息。


5.根据权利要求1所述的方法，其中所述聚集节点（10）经由所述IoT网络（100）的控制单元（200）部分向所述ML单元（21）发送所述消息。


6.一种通过使用CNN模型（22）改善带宽利用情况的方法，所述CNN模型可以被划分并且部分在包括多个节点（10）的IoT网络（100）中且部分在包括ML单元（21）的云计算网络（20）中运行，所述方法包括以下步骤：
使用所述IoT网络（100）对所述CNN模型（22）的第一层进行第一处理，其中所述IoT网络（100）包括一个或多个聚集节点（10）以及多个感测节点（10），其中所述多个感测节点（10）进行感测并且经由LAN接口（16）将所感测数据发送所述聚集节点（10），并且所述聚集节点（10）的功能包括以下动作中的一个或多个：（i）感测；（ii）从所述感测节点（10）接收所述所感测数据；（iii）利用加权窗口对从所述感测节点（10）接收的所述所感测数据执行卷积；（iv）对卷积输出应用Sigmoid函数；（v）对卷积输出进行子采样；（vi）向所述ML单元（21）发送包含所述动作的结果的消息；
在所述CNN模型（22）的一个或多...

【专利技术属性】
技术研发人员：O·加尔西亚马尔雄，A·莫蒂，
申请(专利权)人：昕诺飞控股有限公司，
类型：发明
国别省市：荷兰;NL