百科技术库 各行业技术资料 - 百科资料网
欢迎来到百科技术库 各行业技术资料 - 百科资料网! [免费注册] | [登录] 微信快捷登录 QQ登录 微博登录 | 帮助中心 各行业技术应有尽有!
全国服务热线 13310018778

栏目导航

最新技术
一种基于区块链的分布式联邦学习方法、装置及终端设备
本申请公开了一种基于区块链的分布式联邦学习方法、装置及终端设备,方法包括:确定预先创建的区块链;参与者节点通过智能合约确定全局模型参数,基于全局模型参数更新本地网络模型的模型参数,基于本地训练数据对更新后的本地网络模型进行训练以得到本地模型参数;参与者节点将本地模型参数发送至智能合约,并通过智能合约聚合接收到的所有本地模型参数以更新全局模型参数;通过智能合约确定本轮训练过程中各参与者节点各自对应的奖励资源。本申请通过使用区块链上的智能合约来实现传统联邦学习中的中央服务器的功能,从而使用能够进行可信计算的智能合约来代替联邦学习中的中央服务器,可以解决联邦学习中的中央服务器不可信的问题。
一种任务的调度方法、装置、设备及存储介质
本申请提供了一种任务的调度方法、装置、设备及存储介质,该调度方法包括:负载服务器接收任务发起终端发送的针对目标任务的数据接收请求;负载服务器根据预先存储的任务处理映射表,从多个任务执行终端中,确定针对目标任务的目标任务执行终端;负载服务器向每一目标任务执行终端发送针对该目标任务执行终端的数据传输请求,并接收该目标任务执行终端发送的目标数据处理结果;负载服务器将接收到的每一目标数据处理结果作为针对目标任务的任务执行结果,并将任务执行结果发送给任务发起终端。这样,本申请解决了任务发起终端与多个任务执行终端之间的通信端口对接问题,降低了任务发起终端对于通信端口的管理难度,有利于提高任务调度的效率。
基于AIot和TinyML技术的多传感器多环境监测方法
本发明提供了一种基于AIot和TinyML技术的多传感器多环境监测方法,实现轻量级的MCU+传感器的设备进行人工智能的相关推理,并对环境进行监测和维持其稳定。其包括以下步骤:在不同环境中通过从传感器获取的数据进行分类收集;将传感器收集到的数据进行统计特征分析;将有相关性的特征利用深度学习框架进行模型的训练;得到的模型文件进行TF Lite格式的转换,然后再将TF Lite格式的模型进行二进制格式的模型固化,转换为.cpp的二进制模型文件和.h的模型头文件;根据不同的端设备的MCU开发板进行模型的部署和推理;根据不同传感器输入的数据进行推理,然后进行下一步的调节,去维持环境的稳定;不同传感器收集到的数据将会通过网络传输到云端。
联邦模型的生成方法、装置、电子设备和存储介质
本公开提供了联邦模型的生成方法、装置、电子设备和存储介质,涉及人工智能领域,尤其涉及具体涉及深度学习技术。具体实现方案为:获取服务器发送的待训练数据,并基于所述待训练数据确定当前本地模型;将训练样本集输入至所述当前本地模型中,对所述当前本地模型进行训练;其中,所述当前本地模型中各网络层的权重矩阵范数和梯度范数的乘积满足利普希茨常量约束条件;将当前训练的当前本地模型的更新数据发送至所述服务器,以使所述服务器聚合更新所述待训练数据,并下发更新后的待训练数据继续训练,直至满足联合训练结束条件,根据当前的待训练数据确定目标联邦模型。本公开实施例可以提高联邦学习过程中数据的隐私安全性。
一种基于机器学习的高精度海表温度反演方法
本发明公开了一种基于机器学习的高精度海表温度反演方法,该方法通过堆栈泛化构建的机器学习模型可以降低云层对不同波段频谱噪声影响,通过扩展亮度温度波段特征和实测温度相匹配反演含云遥感数据的海面温度,解决传统算法无法预估含云遥感数据的问题。同时,构建的模型不需要预处理数据,直接将匹配的数据用于海面温度的反演,减少反演繁琐步骤,提高了海表温度反演精度。
一种自适应网络拓扑的分布式ADMM机器学习方法
本发明请求保护一种自适应网络拓扑的分布式ADMM机器学习方法,属于机器学习领域,包括以下步骤:将节点分为1个管理节点与多个工作节点,并且将工作节点抽象为上层节点与下层节点;针对连通网络将全局凸优化问题分解成若干个局部凸优化问题并进行求解,并通过协调局部最优解得到全局最优解,其中机器学习方法包含节点探测与迭代计算两部分;在节点探测过程中,工作节点将会运行迭代计算部分的更新,除此之外由上层节点在每次迭代完成时向管理节点反馈单次迭代完成;在选择上层节点位置时通过贪心思想避免遍历所有可能性,并采用动态选择,使网络中链路延迟的影响尽可能小。
转子温度的计算方法、装置、设备和存储介质
本申请公开了一种转子温度的计算方法、装置、设备和存储介质,该方法包括:获取第i时间段的车辆数据,第i时间段的车辆数据包括从第i-1时刻至第i-n时刻的车辆数据,车辆数据包括电学参数、物理参数和环境参数,i、n为自然数,i≥1,n≥2;对第i时间段的车辆数据进行特征构建,得到目标特征变量;调用转子温度预测模型对第i-1时刻的转子温度以及目标特征变量进行处理,得到第i-n时刻的转子温度,转子温度预测模型包括采用深度学习算法的机器学习模型,转子温度是所述电动机的转子的温度;令i=i+1,重复上述步骤,直至i=N,N为时间段的数量,N为自然数,N≥2。本申请解决了通过无线遥测测量转子温度成本较高且适用性较窄的问题。
定子温度的监控方法、装置、设备和存储介质
本申请公开了一种定子温度的监控方法、装置、设备和存储介质,该方法包括:获取第n-N时刻至第n时刻的车辆数据,车辆数据包括电学参数、物理参数和环境参数,电学参数是与目标车辆中配备的电动机的电学性能相关的数据,物理参数是与电动机的工况相关的数据,环境参数是与电动机所在环境相关的数据,n、N为自然数,n≥2,1≤N<n;调用定子温度预测模型对第n-N时刻的定子温度以及第n-N时刻至第n时刻的车辆数据进行处理,得到第n时刻的定子温度,定子温度预测模型包括采用深度学习算法的机器学习模型;当第n时刻的定子温度大于温度阈值时,进行报警。本申请通过机器学习模型对车辆数据进行处理得到定子温度,成本较低且可靠性较好。
一种基于强化学习设计伦理智能体的方法
本发明涉及机器学习领域,公开了一种基于强化学习设计伦理智能体的方法,包括从行为规范中归纳并提取出元伦理行为;利用众包技术对元伦理行为进行分级,得到元伦理行为分级;基于轨迹树、元伦理行为分级设计和强化学习算法设计奖励机制;选择生活场景并利用奖励机制进行伦理智能体训练。本发明实现对不同场景中相似行为的概括,能够从广义上概括出人们日常生活中的各类行为,保证了环境的一般性,在一定程度上解决了场景受限的问题;通过众包技术对元伦理行为进行分级统计,即能够节省时间成本;结合元伦理行为分级与轨迹树,完善强化学习中的奖惩机制,高效应对可能遇到的人类行为。
移动终端姿态识别方法、装置和可读存储介质
本申请涉及人工智能的机器学习领域,具体涉及一种移动终端姿态识别方法和装置。其中方法包括:通过运动传感器采集移动终端的运动数据;调用移动终端姿态识别模型,使得移动终端姿态识别模型对运动数据进行识别,确定移动终端的姿态;其中,移动终端姿态识别模型是基于运动学知识结合训练样本数据集数据,通过机器学习训练得到,用于根据运动数据对影响移动终端定位的姿态进行识别。其中装置用于执行该移动终端姿态识别方法。本申请提供的移动终端姿态识别方法和装置可以解决相关技术难以将物理特性特别相近的手机姿态很难区分开来的问题。