面向流式数据的边缘训练研究

传统的训练模式需先将所有的数据汇聚再一起,才能进行后续的模型训练。在网络边缘进行大规模的数据汇聚会增加高昂的传输开销。为了避免原始数据传输,面向边缘设备上不断到达的流式数据,本文提出的边缘训练方法,能在边缘设备峰值负载可控的前提下,在保障训练效果的同时,降低边缘训练的总体开销。

撑竿跳高运动员“撑体训练”之研究

撑竿跳高是跳跃和体操高度结合的竞技项目,世界上很多优秀的撑竿跳高运动员都和体操有密切的关系。撑竿跳高运动员“撑体训练”是在撑竿跳高和体操这两个项目的结构特点基础上,相互交叉、渗透而形成的一种边缘自由体操、边缘吊环、边缘单杠、边缘双杠的训练手段。由于所设计的“撑体训练”动作与撑竿跳高技术动作相适应,因此训练时有利于运动员体会动作的时空特征。

边缘智能与协同计算:前沿与进展

随着万物互联时代的到来,边缘设备规模急剧增加,海量数据在网络边缘产生,人工智能技术的飞速发展为分析和处理这些数据提供了强大的支撑.然而,传统云计算的集中处理模式难以满足用户对任务低时延和设备低功耗的需求,并带来数据隐私泄露的潜在隐患.与此同时,嵌入式高性能芯片的发展显著提升了边缘设备的计算能力,使其能够在边缘侧实时处理部分计算密集型任务.在此背景下,边缘计算和人工智能有机融合,孕育了一种新的计算范式:边缘智能.鉴于此,聚焦边缘智能与协同计算的前沿与进展,首先概述边缘计算、人工智能和边缘智能的相关背景、基本原理与发展趋势;然后从训练、推理和缓存3个方面回顾面向单个设备的边缘智能方法;接着从架构、技术和功能3个维度介绍多个设备合作实现边缘智能协同的相关工作;最后总结边缘智能在工业物联网、智慧城市和虚拟现实等领域的广泛应用.

不同样本分布的SVDD单目标土地覆盖分类方法研究

支持向量数据描述SVDD(Support Vector Data Description)在单目标土地覆盖信息提取中得到了初步的应用,但已有研究一般选择纯净像元作为分类样本,不符合SVDD分类器原理,难以保证精度。本文选择北京市通州区为实验区,基于QuickBird重采样图像和地表真值数据构建不同空间特征的训练样本集,设计两种分类样本选择方案:在训练样本集中随机选择分类样本以及手工选择分类样本,进行SVDD分类。实验结果表明,随着惩罚因子C值逐渐增大或核宽度s值逐渐减小,超球会逐渐减小,生产者精度逐渐降低而用户精度逐渐提高。在最优分类参数的前提下,对样本进行SVDD分类。在模拟实验中,随着样本从中心向边缘逐渐扩散,超球也逐渐增大,分类精度逐渐增高,而最外层的样本接近小麦真实分布的边界,超球内混入其他的地物像元;在真实实验中,中心样本集SVDD分类总精度和生产者精度分别为80.48%和45.15%,而边缘样本集SVDD分类总精度和生产者精度分别为92.71%和95.81%,得到了明显的提升(Z=156.12),表明利用边缘像元进行SVDD分类能够提高目标地物的识别精度。