【技术实现步骤摘要】
边缘计算方法、装置、计算机设备及存储介质
本申请涉及边缘计算
，尤其涉及边缘计算方法、装置、计算机设备及存储介质。
技术介绍
移动边缘计算(MEC,mobileedgecomputing)将移动终端的计算任务卸载到边缘网络,解决了设备在资源存储、计算性能以及能效等方面存在的不足.同时相比于云计算中的计算卸载,MEC解决了网络资源的占用、高时延和额外网络负载等问题,发掘移动网络的内在计算能力,为用户提供更丰富的感知服务。集成学习，顾名思义，通过将多个单个弱分类器集成/组合在一起，使它们共同完成学习任务。把各个学习结果进行整合往往可以获得比单个分类器更好的学习效果。移动终端相比于服务器更容易受到电池寿命、网络质量、用户占用等多种因素的干扰，往往难以可靠地承担边缘计算任务。
技术实现思路
本申请实施例的目的在于提出一种边缘计算方法，使得部分移动终端掉线时也能够使运行于边缘计算网络上的集成学习保持较高识别能力。本申请实施例提供了一种边缘计算方法，用于边缘计算网络，所述边缘计算网络包括...
【技术保护点】
1.一种边缘计算方法，用于边缘计算网络，所述边缘计算网络包括多个移动终端，其特征在于，所述方法包括下述步骤：/n步骤S201、获取多个移动终端的参与概率；/n步骤S202、根据移动终端的参与概率选择多个移动终端作为目标移动终端；/n步骤S203、根据目标移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集，其中，优化数据集包括数量与目标移动终端数量相同的优化数据子集，并且根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值；/n步骤S204、将优化数据子集分配给目标移动终端，用于在目标移动终端训练弱分类器；/n步骤S205、从目标移动终端接收目标移...
【技术特征摘要】
1.一种边缘计算方法，用于边缘计算网络，所述边缘计算网络包括多个移动终端，其特征在于，所述方法包括下述步骤：
步骤S201、获取多个移动终端的参与概率；
步骤S202、根据移动终端的参与概率选择多个移动终端作为目标移动终端；
步骤S203、根据目标移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集，其中，优化数据集包括数量与目标移动终端数量相同的优化数据子集，并且根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值；
步骤S204、将优化数据子集分配给目标移动终端，用于在目标移动终端训练弱分类器；
步骤S205、从目标移动终端接收目标移动终端根据弱分类器和输入数据计算的初步分类结果并根据弱分类器的初步分类结果确定最终分类结果。
2.根据权利要求1所述的边缘计算方法，其特征在于，所述智能优化算法包括进化算法。
3.根据权利要求2所述的边缘计算方法，其特征在于，所述步骤S203具体包括：
步骤S2031、对原始数据集进行随机有放回抽样，获得数量与目标移动终端数量相同的数据子集；
步骤S2032、将数据子集作为初始化群体，每个数据子集对应于群体中的一个个体；
步骤S2033、利用数据子集分别训练多个弱分类器；
步骤S2034、利用测试集测试弱分类器，将弱分类器的识别率作为个体的适应度；
步骤S2035、根据适应度为个体对应的数据子集训练的弱分类器分配参与概率；
步骤S2036、根据弱分类器和参与概率计算集成学习结果；
步骤S2037、判断集成学习结果是否满足要求，若否，则进入步骤S2038，若是，则进入步骤S2039；
步骤S2038、根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集，并返回步骤S2033；
步骤S2039、输出群体中的个体对应的数据子集作为优化数据集中的优化数据子集。
4.根据权利要求3所述的边缘计算方法，其特征在于，所述步骤S2035包括：为适应度较大的个体分配较高的参与概率。
5.根据权利要求3所述的边缘计算方法，其特征在于，所述步骤S2036包括：按参与概率对相应的弱分类器进行随机选择，获取多组目标弱分类器，根据集成学习算法计算每组目标弱分类器的集成学习计算结果，对目标弱分类器的集成学习计算结果取平均值，得到集成学习结果。
6.一种边缘计算装置，通过边缘计算网络与多个移动终端...
【专利技术属性】
技术研发人员：李发明，
申请(专利权)人：深圳市中博科创信息技术有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。