[發明專利]自饋深度學習方法和系統

有效

• 申請號: 201880045981.8
• 申請日: 2018-06-29
• 公開（公告）號: CN110869942B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 格爾伯·格古伊訥
• 申請（專利權）人: 通用電氣公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 劉丹

提供了一種用于分析在網絡環境中的邊緣設備處的運行模型中的數據的方法和系統。該方法包括在邊緣設備處從云環境獲取數據，運行與邊緣設備相關聯的預定運行模型，并通過確定來自所執行的運行模型的數據分析結果是否大于接受閾值來執行第一確定過程。當確定數據分析結果小于接受閾值時，該方法還通過確定數據分析結果是否大于考慮閾值來執行第二確定過程。如果大于考慮閾值，則將數據存儲為要進一步考慮的獲取數據，并將其傳輸到云服務器。

技術領域

本發明總體上涉及自饋深度學習方法和系統。特別地，本發明涉及采用自饋深度學習過程來有效地檢測和分析成像數據。

背景技術

在云環境中，邊緣設備通常為核心網絡系統提供入口。邊緣設備可以包括計算設備，例如路由器、多路復用器或集成訪問設備(IAD)。

如圖1中的常規方法100所示，邊緣設備通常例如在操作110處獲取圖像數據。接下來在操作120處，運行模型以確定圖像數據是否可識別。在操作130處，將結果與期望的接受閾值進行比較，并且如果結果大于期望的接受閾值，則過程繼續進行到操作140，在操作140中報告結果。

如果在操作130處，結果小于期望的接受閾值，則過程繼續進行到操作150，在操作150處，結果被忽略。但是，常規方法包括幾個已知的問題，例如，可能無法檢測到大量數據，因此運行時過程的結果效率不高。

發明內容

鑒于上述缺陷，提供了一種方法和系統，該方法和系統能夠通過重新訓練邊緣特定的分析并部署更新的運行模型以能夠分析盡可能多的數據來檢測和分析數據(例如，圖像數據)，從而提高了運行時過程的效率。

在某些情況下，本發明的實施例提供了一種用于分析在網絡環境中的邊緣設備處的運行模型中的數據的方法，該方法包括在邊緣設備處從云環境獲取數據，運行與邊緣設備相關聯的預定運行模型，并通過確定來自所執行的運行模型的數據分析結果是否大于接受閾值來執行第一確定過程。當確定數據分析結果小于接受閾值時，通過確定數據分析結果是否大于考慮閾值來進一步執行第二確定過程，并且當數據分析結果大于考慮閾值時，將數據存儲為要進一步考慮的獲取數據，并將獲取數據傳輸到云服務器，并進一步分析數據并報告給邊緣設備。

此外，在本發明的實施方式中，該方法還包括在通過經由云服務器修改數據來進一步分析數據之前，執行第三確定過程以確定數據分析結果中的數據的大小是否大于累積閾值。

前述內容已概括地概述了各種實施方式的一些方面和特征，應將其解釋為僅說明本公開的各種潛在應用。通過以不同的方式應用所公開的信息或通過組合所公開的實施例的各個方面，可以獲得其他有益的結果。

因此，除了由權利要求書限定的范圍之外，還可以通過結合附圖參考示例性實施例的詳細描述來獲得其他方面和更全面的理解。

附圖說明

圖1是示出分析在網絡環境中的邊緣設備處的運行模型中的數據的常規方法的流程圖。

圖2是示出可以在本發明的一個或多個實施例中實現的，用于在網絡環境中的邊緣設備處的運行模型中分析數據的方法的流程圖。

圖3是示出可以在本發明的一個或多個實施例中實現的，經由云環境在邊緣設備和學習服務器之間執行通信的方法的流程圖。

圖4是示出實現可以在本發明的一個或多個實施例中實現的，在圖2和圖3中執行的方法的系統的框圖。

附圖僅出于說明優選實施例的目的，并且不應被解釋為限制本公開。給定以下附圖的使能描述，本公開的新穎方面對于本領域普通技術人員應該變得顯而易見。該詳細描述使用數字和字母標記來指代附圖中的特征。在附圖和描述中相同或相似的標記已經用于指代本發明實施例的相同或相似的部分。

具體實施方式