一种基于深度学习的云边端数据融合处理方法及系统技术方案

本发明专利技术公开了一种基于深度学习的云边端数据融合处理方法及系统，预设云边端数据融合模型；通过终端设备获取多源异构数据并进行处理，得到多种同源异构数据；对云边端数据融合模型进行训练，接着将多种同源异构数据输入至融合模型中的边缘计算平台，经过处理，得到多个高级融合特征向量和多个边决策，将多个边决策反馈给终端设备和前馈给融合模型中的云计算中心；将多个高级融合特征向量输入至云计算中心，经过云计算中心模型处理，得到云决策，将云决策反馈给终端设备和边缘计算平台。该方法通过建立分布式数据处理体系，不仅能够有效解决多源异构数据所带来的通讯和计算问题，还能够提升系统的整体决策和调度能力，推动物联网全面发展。全面发展。全面发展。

【技术实现步骤摘要】
一种基于深度学习的云边端数据融合处理方法及系统


[0001]本专利技术涉及云边端数据融合领域，具体涉及一种基于深度学习的云边端数据融合处理方法及系统。

技术介绍

[0002]随着万物互联时代到来，计算需求出现爆发式增长。传统的云计算架构已无法满足互联网流量暴增和数据几何式增长所带来的海量数据计算需求，云计算的传统架构正在放缓。并且随着边缘计算平台和终端设备的计算和存储能力不断提升，将云计算任务下沉到边缘侧、设备侧，并打造云边端协同架构，将是未来重要的发展趋势。
[0003]传统的云计算是以整体收集的方式进行云计算中心的建设和运营的，客户需要通过互联网使用云计算资源。随着云计算技术的发展和应用程序的普及，云计算出现了以下限制：第一，对于前端采集数据太大的情况，传统数据上传方式成本高、效率低；第二，对于需要实时交互的场景，所有数据和计算集中于计算中心，信息传输成本高、延时高；第三，对于高稳定性和连续性的应用需求，强依赖于稳定的云服务和网络，导致应用需求的鲁棒性和可靠性降低。
[0004]因此，边缘计算开始走入各大互联网、云服务厂商视本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的云边端数据融合处理方法，其特征在于，所述方法包括：S1、搭建云边端数据融合模型，所述云边端数据融合模型包括多个终端设备、边缘计算平台、边缘计算平台模型、云计算中心、云计算中心模型，所述边缘计算平台模型设置在所述边缘计算平台上，所述云计算中心模型设置在所述云计算中心上，多个所述终端设备和边缘计算平台连接，所述边缘计算平台和所述云计算中心连接，所述云计算中心和多个所述终端设备连接；S2、利用多个所述终端设备获取多源异构数据后，对所述多源异构数据进行预处理，得到多种同源异构数据；S3、采用多种所述同源异构数据作为训练集对所述云边端数据融合模型进行训练，反向传播并更新参数，直至得到训练后的云边端数据融合模型，所述云边端数据融合模型训练结束后，将多个所述终端设备采集并处理后的多种所述同源异构数据作为数据集输入至所述训练后的云边端数据融合模型；S4、所述训练后的云边端数据融合模型中的边缘计算平台接收所述数据集中的多种同源异构数据后，通过边缘计算平台模型进行处理，得到多个高级融合特征向量和多个边决策，将多个所述高级融合特征向量传输给所述云计算中心，将多个所述边决策反馈给多个所述终端设备，控制多个终端设备对多源异构数据的采集，将多个所述边决策前馈给所述云计算中心；S5、所述训练后的云边端数据融合模型中的云计算中心接收多个所述高级融合特征向量，通过云计算中心模型进行处理，得到云决策；所述云计算中心根据前馈的多个所述边决策控制所述云计算中心的云决策；所述云计算中心将所述云决策反馈给多个所述终端设备，控制多个所述终端设备对多源异构数据的采集，将所述云决策反馈给所述边缘计算平台，控制所述边缘计算平台的边决策。2.如权利要求1所述的基于深度学习的云边端数据融合处理方法，其特征在于，所述S2中利用多个所述终端设备获取多源异构数据后，对所述多源异构数据进行预处理，得到多种同源异构数据，具体过程包括：S21、利用多个所述终端设备获取多源异构数据；S22、通过时间戳采样和线性插值的方式将所述多源异构数据校准为具有同步频率的多源异构数据；S23、对所述具有同步频率的多源异构数据进行标准化处理，得到多种同源异构数据。3.如权利要求2所述的基于深度学习的云边端数据融合处理方法，其特征在于，所述S23中得到多种同源异构数据，具体公式为：S23中得到多种同源异构数据，具体公式为：S23中得到多种同源异构数据，具体公式为：其中，x
ij
'表示第i种同源异构数据中的第j个同源异构数据，x
ij
表示第i种同源异构数
据中的第j个标准化前的同源异构数据，j＝1,2,...,N，N表示第i种同源异构数据的总数，μ
i
、δ
i
表示第i种同源异构数据整体的均值和方差。4.如权利要求3所述的基于深度学习的云边端数据融合处理方法，其特征在于，所述边缘计算平台模型包括多个并行设置的计算节点模型，所述S4中所述训练后的云边端数据融合模型中的边缘计算平台接收所述数据集中的多种同源异构数据后，通过边缘计算平台模型进行处理，得到多个高级融合特征向量和多个边决策，具体包括：S41、将所述数据集中的多种同源异构数据存储在多个所述计算节点模型中，其中一个计算节点模型存储一种同源异构数据；S42、所述计算节点模型包括神经网络、第一多层感知机和第一Softmax分类器，所述神经网络用于对存储于对应计算节点模型中的同源异构数据进行特征提取，得到初级融合特征向量，所述第一多层感知机对所述初级融合特征向量进行特征级融合，得到高级融合特征向量；S43、所述第一Softmax分类器用于对所述高级融合特征向量进行分类，得到所述高级融合特征向量中每个特征对应的初步决策；S44、根据归一化方法计算所述初步决策的决策概率，选取决策概率值最大的初步决策作为对应计算节点模型输出的边决策；S45、遍历多种所述同源异构数据，重复步骤S42
‑
S44，得到多个高级融合特征向量和多个边决策。5.如权利要求4所述的基于深度学习的云边端数据融合处理方法，其特征在于，所述S42中所述第一多层感知机对所述初级融合特征向量进行特征级融合，得到高级融合特征向量，具体公式为：其中，式中，F
i
'表示第i种同源异构数据的高级融合特征向量，F
i
表示第i种同源异构数据的初级融合特征向量，W
l
表示第l个可学习的特征映射矩阵，1≤l≤L，L表示特征映射矩阵的总数，f
ijt
表示第i种第j个同源异构数据第t次循环后输出的初级融合特征，N表示第i种同源异构数据的总数。6.如权利要求5所述的基于深度学习的云边端数据融合处理方法，其特征在于，所述S5中所述训练后的云边端数据融合模型中的云计算中心接收多个所述高级融合特征向量，通过云计算中心模型进行处理，得到云决策，具体包括：S51、所述云计算中心模型包括变换器网络、第二多层感知机和第二Softmax分类器，所述变换器网络用于对多个所述高级融合特征向量进行同维度编码和特征融合，相应得到多个决策级融合特征向量，所述第二多层感知机对多个所述决策级融合特征向量进行再融合，得到一个再融合特征向量...

【专利技术属性】
技术研发人员：袁小芳，许浩志，李哲，王耀南，
申请(专利权)人：湖南大学，
类型：发明
国别省市：