[发明专利]一种基于分布式深度神经网络框架的数据划分方法

权利要求书

1.一种基于分布式深度神经网络框架的数据划分方法，其特征在于，包括以下步骤：

将原始数据进行预处理，并在终端设备添加退出点，将预处理后的原始数据全部退出，保留数据特征，得到特征数据；

针对工件检测场景建模，并制定数据划分策略，利用边缘服务器协同处理；

使用部署在终端设备的浅层神经网络模型处理特征数据，并将处理后的分类结果发送给聚合器；

聚合器将归一化信息熵和设定的阈值进行比较，判断分类结果是否可信，若归一化信息熵大于阈值，则分类结果不可信，否则，分类结果可信；

边缘服务器根据聚合器的判定结果，处理分类结果不可信特征数据以及直接划分到边缘服务器的特征数据；

对模型进行数学分析，得到使工件检测系统时延最小的数据划分方法；

所述针对工件检测场景建模具体为：

数据预处理时间为：t_pre＝nsc_pre，本地的数据处理时间为：t_local＝anksc_l+nsc_pre，边缘服务器的数据处理时间为：t_edge＝(1-a)nksc_e+(1+p)abknsc_e，系统总时延为：t＝max{t_local，t_edge}；其中n为待处理数据总量，s为数据大小，k为经过预处理的数据即特征数据大小与原始数据大小的比值，c_pre为预处理1mb数据所用时间，c_l为终端设备处理1mb数据所用时间，c_e为边缘服务器处理1mb数据所用时间，a为留在终端处理的数据比例，p为边缘服务器产生空闲的惩罚系数，b为本地分类错误率，u为时间敏感任务的最大可容忍延迟；

将系统总时延最小的问题构造为最优化问题，具体为

s.t.C1：max{t_local，t_edge}＜u

C2：0≤a≤1

C3：0＜k＜1

C4：0≤b＜1

C5：p≥0

由t＝max{t_local，t_edge}，当t_local≤t_edge时，t＝t_edge＝nksc_e+nksc_e[(1+p)b-1]a，t随a的增加而单调递减；当t_local≥t_edge时，t＝t_local＝anksc_l+nsc_pre，t随a的增加而单调递增，故，当t_local＝t_edge，即终端设备与边缘处理数据的时间相同时，总时延t最小，此时

2.根据权利要求1所述的一种基于分布式深度神经网络框架的数据划分方法，其特征在于，所述原始数据包括：相机采集的图像数据、振动传感器采集到的振动数据。

3.根据权利要求1所述的一种基于分布式深度神经网络框架的数据划分方法，其特征在于，工件检测具体为：

通过机器学习方法实时分析原始数据，判断工件是否合格。

4.根据权利要求1所述的一种基于分布式深度神经网络框架的数据划分方法，其特征在于，所述制定数据划分策略，利用边缘协同处理具体为：

云端利用历史数据训练神经网络，并将训练后的神经网络分别部署在终端设备和边缘服务器，传感器实时采集原始数据，并缓存到终端设备进行预处理，得到特征数据，传感器根据终端设备计算能力和计算时间，将特征数据保留在终端设备处理或发送给边缘服务器处理。

5.根据权利要求1所述的一种基于分布式深度神经网络框架的数据划分方法，其特征在于，所述归一化信息熵为：

其中C表示所有可能分类的集合，x是概率向量，表明分到每种类别的可能性，i＝1，2。