【技术实现步骤摘要】
本专利技术涉及一种物联网边缘节点机器学习模型自适应优化方法，属于物联网及人工智能。
技术介绍
1、目前在物联网边缘节点中的计算过程与人工智能代理相结合，在水务管理，农业管理，智能制造等多个场景中发挥重要作用。以水务为例，边缘设备可以实时采集和处理水质、流量、压力等数据，人工智能代理则负责更复杂的分析和决策任务。这种结合可以实现实时水质监测和异常预警、精确定位管网泄漏、优化供水调度、提高水泵能效等。在物联网中将边缘计算人工智能技术相的结合，能够有效地提高数据处理速度、降低延迟、增强数据安全性和隐私保护、减少网络带宽和功耗、提高系统可扩展性以及实现智能决策，从而带来巨大的优势和变革性的转变。
2、在物联网设备中应用人工智能模型时，由于边缘节点在计算能力和内存容量方面的限制，传统的基于大数据的模型训练方法已变得不再适用，因此需要一种方法在不明显降低人工智能模型能力的前提下，尽量减小模型尺寸以适应物联网设备的能力限制。同时，由于物联网数据和场景的多样性，需要这种方法能尽量减少人工干预，能够自适应进行优化。
【技术保护点】
1.一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，所述步骤S2中对数据进行预处理的过程包括：
3.如权利要求1所述的一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，所述步骤S3-2中计算每个窗口的小波变换系数与信息增益值作为评分，对小波变换评分与信息增益评分加权求和作为每个时间窗口的综合评分。
4.如权利要求3所述的一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，所述时间窗口小波变换系数评分的计算方法为：<...
【技术特征摘要】
1.一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，所述步骤s2中对数据进行预处理的过程包括：
3.如权利要求1所述的一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，所述步骤s3-2中计算每个窗口的小波变换系数与信息增益值作为评分，对小波变换评分与信息增益评分加权求和作为每个时间窗口的综合评分。
4.如权利要求3所述的一种物联网边缘节点机器学习模型自适应优化方法，其特征在于，所述时间窗口小波变换系数评分的计算方法为：
5.如权利要求...
【专利技术属性】
技术研发人员：刘扬，吉辉，
申请(专利权)人：苏摩智能技术南京有限公司，
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。