面向工业边缘场景异构卷积神经网络的多目标解析方法技术

本发明专利技术公开了面向工业边缘场景异构卷积神经网络的多目标解析方法。该方法包括：获取多个目标任务，其中，不同目标任务采用不同卷积神经网络模型进行处理；当每一目标任务从终端设备卸载到边缘服务器时，将不同卷积神经网络模型通过分组层粒度划分和优化器搜索进行处理，使不同卷积神经网络模型的可分割层数相等，其中，每一目标任务对应一个终端设备和一个边缘服务器。本发明专利技术解决了现有的技术解析异构CNN推理任务寻找最佳卸载方案时，通过频繁地初始化来应对搜索空间和分割层之间关系的动态，每个模型量身定制解析策略会造成计算资源的浪费和模型间相关性的损失的技术问题。

【技术实现步骤摘要】

本专利技术涉及工业互联网（industrial internet of things）、卷积神经网络卸载（convolutional neural network analysis）、多目标优化（multi-objectiveoptimization），具体而言，涉及面向工业边缘场景异构卷积神经网络的多目标解析方法。

技术介绍

1、作为人工智能领域的重要技术之一，卷积神经网络被应用于工业环境中的质量检测、设备维护、产品分类等。工业互联网的特点是要求高响应速度、低成本高效率、任务处理多样化以及在复杂环境中运行。cnn的性能与网络结构的复杂程度密切相关，越复杂的cnn通常性能越好。然而，复杂cnn的高性能要求限制了其在工业环境中的部署。特别是在边缘环境中，性能较低的终端设备无法高效执行cnn的全部推理任务，从而大大限制了基于cnn的应用的部署。

2、为解决这一问题，必须设计和实施针对边缘设备性能的优化算法和网络架构，从而充分发挥cnn在工业环境中的潜力。为了缓解终端设备的性能限制，云计算、雾计算和边缘计算等解决方案应运而生，这些方案通过解析将推理任本文档来自技高网...

【技术保护点】

1.面向工业边缘场景异构卷积神经网络的多目标解析方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于每一目标任务的多个候选解，确定每一个目标任务的目标分割层数，包括：

3.根据权利要求2所述的方法，其特征在于，所述初始延迟计算公式为：

4.根据权利要求1所述的方法，其特征在于，所述基于每一个目标任务的目标分割层数，确定每一个目标任务的总延迟和总能量，包括：

5.根据权利要求1所述的方法，其特征在于，所述目标延迟计算公式为：

6.根据权利要求1所述的方法，其特征在于，所述目标能量计算公式为：

7...

【技术特征摘要】

1.面向工业边缘场景异构卷积神经网络的多目标解析方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于每一目标任务的多个候选解，确定每一个目标任务的目标分割层数，包括：

3.根据权利要求2所述的方法，其特征在于，所述初始延迟计算公式为：

4.根据权利要求1所述的方法，其特征在于，所述基于每一个目标任务的目标分割层数，确定每一个目标任务的总延迟和总能量，包括：

5.根据权利要求1所述的方法，其特征在于，所述目标延迟计算公式为：

6.根据...

【专利技术属性】
技术研发人员：崔禾磊，孙迈，郑霄龙，郭斌，於志文，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：