【技术实现步骤摘要】
用于无人机和边缘计算服务器的深度神经网络分区方法
[0001]本专利技术涉及数据处理
，特别是涉及一种用于无人机和边缘计算服务器的深度神经网络分区方法。
技术介绍
[0002]近年来，深度神经网络（Deep Neural Networks, DNN）在计算机视觉、自然语言识别以及医疗诊断等领域取得巨大成功。而随着科学技术发展，智能移动设备的性能得到了极大地提升，但移动设备处理DNN推理任务的能力与日益增长的处理需求之间仍然存在差距。由于高精度的DNN模型需要消耗大量的算力和存储空间，因此通常将DNN网络部署在云端，但将移动设备采集的数据传输至云端进行离线处理，仍会造成端到端的高时延，无法满足对完成任务实时性的需求，此现象在无人机应用领域更为突出。
[0003]边缘计算技术的兴起，有效解决了集中云式存在的问题，将云能力扩展到靠近终端设备的网络边缘（例如基站，基站旁布置有边缘计算服务器），从而减少传输延迟并减轻骨干网络流量负担。然而，在边缘端完成DNN推理仍面临着挑战。由于边缘计算服务器的计算能力有限，充分释放基于...
【技术保护点】
【技术特征摘要】
1.一种用于无人机和边缘计算服务器的深度神经网络分区方法，其特征在于，包括：获取深度神经网络中每层DNN网络输出数据大小以及每层DNN网络计算能耗，并根据无人机与边缘计算服务器的计算能力、无人机到边缘计算服务器的距离，分析无人机与边缘计算服务器运行每层DNN网络的能耗以及时延，建立系统成本模型；将无人机与边缘计算服务器执行DNN过程中的分区决策问题，转化为粒子寻优问题，基于混沌变异二进制粒子群算法进行粒子寻优问题的求解，并结合所述系统成本模型，得出无人机与边缘计算服务器之间最优分区点，所述最优分区点对应的系统成本最低。2.根据权利要求1所述的用于无人机和边缘计算服务器的深度神经网络分区方法，其特征在于，所述系统成本模型包括系统能耗模型；所述系统能耗模型包括数据传输能耗模型、无人机计算能耗模型、无人机飞行能耗模型；所述系统能耗模型的表达式为：E
c
(j,t)=E
trans
(t)+E(j)+E
fly
其中，E
c
(j,t)表示系统能耗，E
trans
(t)表示将无人机运行第j层DNN网络后输出的数据传输至边缘计算服务器的能耗，E(j)表示在无人机上执行到第j层DNN网络的计算能耗，E
fly
表示无人机的飞行能耗，t表示时隙；所述数据传输能耗模型的表达式为：其中，P(t)表示表示无人机的传输功率，τ表示时隙持续时间，B表示带宽，R(t)表示在时隙t内数据的传输速率，σ2表示高斯白噪声功率，h[t]表示时隙t中的信道增益；所述无人机计算能耗模型的表达式为：所述无人机计算能耗模型的表达式为：其中，M∈{0,1,...,N}，N表示DNN网络的总层数，P
layer
(j)表示第j层DNN网络在无人机上的运行能耗，D
j
表示无人机运行第j层DNN网络时需要处理的数据量，η表示无人机芯片结构的常数系数，K
UAV
表示无人机处理一个比特所需的CPU周期，F
UAV
表示无人机的计算能力值；所述无人机飞行能耗模型的表达式为：其中，T表示时隙t的最大值，c1表示无人机的机翼面积常数，c2表示无人机的载荷系数常数，v[t]表示时隙t对应的无人机的速度，a(t)表示时隙t对应的加速度，g表示重力加速度，
∆
k表示无人机动能的变化。3.根据权利要求2所述的用于无人机和边缘计算服务器的深度神经网络分区方法，其特征在于，所述系统成本模型还包括系统延迟模型；
所述系统延迟模型的表达式为：所述系统延迟模型的表达式为：所述系统延迟模型的表达式为：其中，t
delay
(j,t)表示在第j层DNN网络时，经过t个时隙的系统总时延，t
UAV
(j)表示在时隙t中无人机上的第j层DNN网络的计算延迟，t
ser
(j)表示在时隙t中无人机和边缘计算服务器上的第j层DNN网络的计算延迟，i表示第i层DNN网络，D
size
(j)表示经过第j层DNN网络处理之后的数据大小，K
ser
表示边缘计算服务器处理一个比特所需的CPU周期，F
ser
表示边缘计算服务器的计算能力值。4.根据权利要求3所述的用于无人机和边缘计算服务器的深度神经网络分区方法，其特征在于，所述系统成本模型的表达式为：其中，S
c
(j,t)表示在第j层DNN网络分区时系统的成本，β表示权重系数，0≤β≤1。5.根据权利要求4所述的用于无人机和边缘计算服务器的深度神经网络分区方...
【专利技术属性】
技术研发人员：邓芳明，曾紫琪，解忠鑫，韦宝泉，曾晗，毛威，单运，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：
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。