一种基于神经网络的无线异构控制计算系统技术方案

本发明专利技术提供了一种基于神经网络的无线异构控制计算系统，包括：移动智能终端：独立完成所需实时采集和通讯，实现完整神经网络计算和带有多种制式无线通讯的边缘计算终端，为宿主控制终端提供无计算负担的神经网络计算保障和无存储负担的多样数据源存储，同步和更新；宿主控制终端：进行控制指令的辨别，处理和双向执行，通过网络获得智能终端发送的数据并参与末端神经网络协计算，达到不可或缺并双重计算保障，在宿主控制终端能启动非对称算子来保证移动智能终端不能绕开或复制宿主控制器为主导的末梢神经网络计算并驱动控制设备。

【技术实现步骤摘要】
一种基于神经网络的无线异构控制计算系统
本专利技术涉及异构网络计算
，具体地，涉及一种基于神经网络的无线异构控制计算系统。
技术介绍
人机远程控制是让操作控制便利化方式之一，在定向自助式服务，机器人、身份识别门禁、非接触电子锁、无感识别偏好推荐等，线下各式面对面专属服务提供时起到重要的作用。但如果让这些设备都要具备完整人工智能神经网络的计算任务，势必需要由这些设备来采集部分原始客户的数据，对用户隐私，计算功耗，物理尺寸的要求都带去一定要求和约束，从而可能限制了人工智能的广泛应用。比如当智能摄像头安装在定向自助服务仪器上，消费者需要将个人体征特征信息交出(脸、虹膜、指纹，声闻，表情，其它体征特质)，这是为获得单一智能服务付出的个人信息代价。同时自助服务仪器也要增加摄像头、传感器、电源电力，存储和网络来配合智能计算，设备的体积和成本都会相应增加。再比如服务式机器人，为了更智能的服务增加的硬件和神经网络计算，但对体积重量和能源消耗也都相应增加，制造成本也是同比增加，如果依旧保持微型体积，会受制电源供电、摄像头、传感器和更多客观组件。如果在一个区域中有更多的服务式机器人，每台服务机器人就有重复的硬件成本。还有比如非接触门禁和电子锁这样的安全级别高，可靠性要求也高场景中，智能硬件设备因为增加了更多更大的智能计算组件，功耗和成本，还有物理尺寸都约束了适用范围，原本一个小钥匙空间变成一台小电脑的空间，原本无需走线供电或无需电池的使用变成要么线路增加，要么电池功耗优化确保几个月的时间内无能源故障，更有在户外、机动车车锁这些实践中，加硬件组件还要面临苛刻规范与安全要求。以上这些场景和应用形式，都即对人工智能特别是神经网络计算环节有强需求，也对纯粹的边缘神经网络提出严格的要求，更考验人工智能应用广泛落地的生态企业和用户，这就是本专利有待解决的问题背景，即让神经网络的部分计算通过无线通讯采用异构计算的方法来达到协同智能，而不让每台设备直接获取原始用户数据。针对上述现有技术中的缺陷，目前要解决的技术问题体现在以下几点：1.采用存量市场上的计算和成像硬件，特别是个人智能手机和智能手表之类的随身强大计算能力且配备摄像头拾音器和网络通讯等传感设备来实现采集和预先网络计算，要从神经网络中划分出计算的任务给不同的异构主体还能保证连续性。2.根据当前计算业务来划分计算任务，满足让公共设备实现高并发，私有设备实现高适应性，专有设备实现高保密性。3.更多异构专有就算设备还能提供共享闲置计算资源的调配，并结合无线通讯的特点来调度排列计算任务。4.谁发起，谁组织，谁协调配合，谁控制都要能自适应动态协商完成。5.让神经网络的部分计算通过无线通讯采用异构计算的方法来达到协同智能，而不让每台设备直接获取原始用户数据，异构计算的中间环节比将原始图像数据加密传输和存储更安全和便利。专利文献CN201810646003.0公开了一种加速分布式深度神经网络的训练方法及装置，所述方法包括：基于并行训练，将深度神经网络的训练设计成为分布式训练的模式，待训练的深度神经网络模型划分为多个子网络；训练样本集划分为多个子样本集；基于分布式集群架构及预设的调度方法，利用多个子样本集对深度神经网络进行训练，每个训练由多个子网络同时进行，进而完成深度神经网络的分布式训练；由于基于分布式集群架构及预设的调度方法可以通过数据本地化减小网络延迟对分布式训练的子网络的影响，并实时调整训练策略，同步并行训练的子网络的进度，进而可以缩短分布式深度神经网络的完成训练的时间，加速深度神经网络的训练。技术要点比较：对比专利是尝试训练环节采用分布式，加速子网络训练，目标是加速，环节是训练，最小力度是子网络。而本专利目标是推理和推演，无关训练，目标是借助不同的介质上的硬件特性完成对设计之初不具备完整运行神经网络计算的介质获得能力，有可能在任务的切分上反而会牺牲掉速度，冗余计算和验证一致性计算，协商探测等，也支持最小切分的力度是最后的尾部基出数学计算，而非子网络级的划分。专利文献CN201811242301.X公开了一种基于卷积神经网络的分布式人脸识别门锁系统，包括树莓派主控端和神经网络识别服务器从控端；树莓派主控端包括：主运行逻辑模块、用户管理与数据集准备模块、指令与通信管理模块，树莓派主控端用于锁状态控制、图像采集、数据准备和预处理，传送指令至神经网络识别服务器的工作，通过红外传感器输入红外信号至主运行逻辑模块；神经网络识别服务器包括：神经网络训练模块、识别判断模块和主服务逻辑模块，神经网络服务器作为分布式从控端，接收树莓派主控端的指令，对发送来的数据进行判断并回复。技术要点比较：对方专利在神经网络计算上是纯粹的一气呵成，并无分布式异构神经网络计算设计，且无线技术用在结果通讯而不是网络层计算间的协商和协同，且控制器与扫描识别模块是基于计算结果的控制信号来被动驱动，这些都不同本次申请的专利，但专利目标都是通过神经网络来实现智能化硬件的驱动。专利文献CN201410067916.9公开了一种基于分布式神经网络的语言模型训练方法及其系统，该方法包括：将大词表拆分为多个小词表；将每个小词表对应一个神经网络语言模型，每个神经网络语言模型的输入维数相同且独立进行第一次训练；将各神经网络语言模型的输出向量合并并进行第二次训练；得到归一化的神经网络语言模型。该系统包括：输入模块、第一次训练模块、第二次训练模块和输出模块。技术要点比较：对比专利是期望通过将大的复杂的待识别内容分块后提高局部计算能力和效率，本次专利的目的是无论待解决问题和数据集大小，都主要通过介质一和三来协同完成，但介质二的角色是属于末梢神经的一致性神经网络验证，这样神经网络的参与方增加了原本能力有限的介质二，并且可以增强神经网络计算的准确性和可靠性，还能降低无线控制器的通讯智能识别安全隐患。专利文献CN201910693037.X公开了一种基于融合神经网络参数的分布式深度强化学习。包括如下步骤：(1)在每个工作节点上部署深度强化学习代理；(2)每隔一定时间，所有工作节点将各自的神经网络参数和当前得到的平均回报发向参数服务器；(3)参数服务器接收所有工作节点发送过来的神经网络参数和平均回报；(4)参数服务器根据平均回报计算每个工作节点对应的参数系数；(5)参数服务器根据所有的神经网络参数和其参数系数计算新的神经网络参数；(6)所有工作节点使用这个新的神经网络参数开始学习。技术要点比较：我方专利切入点是神经网络计算的刻意分切，但不是为了协同增强增速，且适用各类神经网络的算法，包含深度学习，增强学习，增量学习等的推理计算过程中，但不涉及训练环节。我方专利的参与方三类介质之间分工明确，不并行开展同类计算任务，无论是多方参与中起到的作用和扮演的角色，都不同。专利文献CN201711319211.1公开了一种基于类脑脉冲神经网络的全尺度分布式全脑模拟系统，旨在解决在类脑模拟中缺乏多种尺度和多种规模建模方法，以及建模和模拟耦合的问题。该系统的具体实施方本文档来自技高网...

【技术保护点】
1.一种基于神经网络的无线异构控制计算系统，其特征在于，包括：/n移动智能终端：独立完成所需实时采集和通讯，实现完整神经网络计算和带有多种制式无线通讯的边缘计算终端，为宿主控制终端提供无计算负担的神经网络计算保障和无存储负担的多样数据源存储，同步和更新；/n宿主控制终端：进行控制指令的辨别，处理和双向执行，通过网络获得智能终端发送的数据并参与末端神经网络协计算，达到不可或缺并双重计算保障，在宿主控制终端能启动非对称算子来保证移动智能终端不能绕开或复制宿主控制终端为主导的末梢神经网络计算并驱动控制设备；/n弹性协计算集群：为宿主控制终端提供数据源扩展和指令更新服务为主，也为移动智能终端提供弹性神经网络计算，弹性神经网络计算的扩展方式对宿主控制器是透明的，只通过移动智能终端来完成。/n

【技术特征摘要】
1.一种基于神经网络的无线异构控制计算系统，其特征在于，包括：
移动智能终端：独立完成所需实时采集和通讯，实现完整神经网络计算和带有多种制式无线通讯的边缘计算终端，为宿主控制终端提供无计算负担的神经网络计算保障和无存储负担的多样数据源存储，同步和更新；
宿主控制终端：进行控制指令的辨别，处理和双向执行，通过网络获得智能终端发送的数据并参与末端神经网络协计算，达到不可或缺并双重计算保障，在宿主控制终端能启动非对称算子来保证移动智能终端不能绕开或复制宿主控制终端为主导的末梢神经网络计算并驱动控制设备；
弹性协计算集群：为宿主控制终端提供数据源扩展和指令更新服务为主，也为移动智能终端提供弹性神经网络计算，弹性神经网络计算的扩展方式对宿主控制器是透明的，只通过移动智能终端来完成。


2.根据权利要求1所述的基于神经网络的无线异构控制计算系统，其特征在于，所述移动智能终端上设置有无线异构输入输出模块WNIO及神经网络协商与神经网络计算模块NNNC；
所述无线异构输入输出模块WNIO：根据获取的图像的类别决定是否需要借助上连的弹性协计算集群；为提高计算和响应效率，无需通过上连获得网络模型和计算协助的，本地直接完成计算任务；
所述神经网络协商与神经网络计算模块NNNC：承担基础数据的采集，存储和这些数据的规范化预处理；然后，根据应用业务的算法选择来把最适合当前业务下的宿主控制终端能配合神经网络加载进入移动智能终端中；之后，再进行神经网络的多层计算的划分。


3.根据权利要求1所述的基于神经网络的无线异构控制计算系统，其特征在于，所述弹性协计算集群包括：公有云、私有云、以及以分布式专有计算设备。


4.根据权利要求2所述的基于神经网络的无线异构控制计算系统，其特征在于，所述基础数据包括：照片，图片，语音，指纹，虹膜，特殊表情和脸部特写，以及其他具有特征辨识的采集数据
所述规范化预处理指：按照0～255的取值范围做归一化处理和向量矩阵化处理
所述应用业务的算法指：神经网络分类和特征提取算法；
所述加载的来源包括：移动智能终端本地、弹性协计算集群内。

【专利技术属性】
技术研发人员：赵凤萍，
申请(专利权)人：盾钰上海互联网科技有限公司，
类型：发明
国别省市：上海;31