[发明专利]一种基于无人机集群的分布式卷积神经网络分层匹配方法

权利要求书

1.一种基于无人机集群的分布式卷积神经网络分层匹配方法，其特征在于，包括：

A1、感知无人机计算单张图片的处理完成时间，其中包含该单张图片完成对应的整个卷积神经网络所需要的计算时间、传输时间以及等待时间；

A2、针对感知无人机一次拍摄的多张图片，记任务完成时间为这多张图片各自的处理完成时间中的最大值，感知无人机以任务完成时间最小为目标，采用深度强化学习算法得到各张图片对应的卷积神经网络的分层匹配策略；步骤A2所述采用深度强化学习算法得到各张图片对应的卷积神经网络的分层匹配策略，具体包括以下分步骤：

S411、感知无人机以每架无人机的当前位置(x_i,y_i,h)和计算无人机的CPU频率f_i作为深度强化学习算法的状态集合；

S412、动作集合为分布式卷积神经网络匹配策略，定义为：

其中，表示对于图片k无人机i上完成第l层卷积层的计算过程，表示对于图片k无人机i上不完成第l层卷积层的计算过程；

S413、奖励定义为本次任务的任务完成时间的负值，即为用于评判分布式卷积神经网络策略的优劣程度，任务完成时间越少，则奖励越高，说明在该状态下选用该分布式卷积神经网络策略越好；

S414、感知无人机根据当前任务的状态，使用深度强化学习算法中的Deep Q-Network，确定最大Q值对应的动作，将该动作作为本次任务的分布式卷积神经网络分层匹配策略；

A3、感知无人机根据分层匹配策略，下发图片及对应分层匹配策略到具体的计算无人机；所述计算无人机按照卷积神经网络的层顺序进行先后计算；当某个计算无人机完成计算后，按照卷积神经网络的层顺序将计算结果传输至下一层对应的计算无人机；最后一层对应的计算无人机计算完成后，将结果返回对应的感知无人机；

A4、如果感知无人机不再发现需要识别的位置并不再拍摄图像，则结束，否则感知无人机确定奖励函数，完成本次深度强化学习算法迭代过程，然后转入步骤A2，进入下一轮任务。

2.根据权利要求1所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法，其特征在于，针对某一张图片，在卷积神经网络的分层时，按照该卷积神经网络的卷积层数量进行划分，每架匹配到卷积层的计算无人机至少匹配一层卷积层，即匹配到卷积层的计算无人机数量小于或等于该卷积神经网络的卷积层数量；该卷积神经网络的池化层和全连接层放置在匹配有该卷积神经网络卷积层的计算无人机上。

3.根据权利要求2所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法，其特征在于，步骤A1所述的感知无人机计算单张图片完成其对应的整个卷积神经网络所需要的计算时间，具体为该图片对应的卷积神经网络被分层划分到多个计算无人机上，这多个计算无人机执行各自匹配的卷积神经网络层的时间之和。

4.根据权利要求3所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法，其特征在于，单个计算无人机计算所分配的卷积神经网络层所需要的计算时间根据该计算无人机执行一次所分配的卷积神经网络层所需的CPU运转周期与该计算无人机的CPU频率确定。

5.根据权利要求4所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法，其特征在于，根据卷积层的时间复杂度，确定计算无人机执行一次所分配的卷积层所需要的CPU运转周期。

6.根据权利要求5所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法，其特征在于，步骤A1所述的感知无人机计算单张图片完成对应的整个卷积神经网络所需要的传输时间，具体为包括：感知无人机将单张图片的原始图片传输至匹配第一层卷积层的计算无人机所需要的时间、匹配卷积神经网络某层的计算无人机将输出结果传输到匹配卷积神经网络下一层的计算无人机的传输时延。

7.根据权利要求5所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法，其特征在于，步骤A1所述的感知无人机计算单张图片完成其对应的整个卷积神经网络计算过程所需要的等待时间，具体包括：计算无人机上计算某层卷积神经网络需要的计算等待时间、计算无人机完成某层卷积神经网络的计算后将结果传输出去的传输等待时间。