[發明專利]基于云邊協同的人機混合增強智能系統、方法、裝置

有效

• 申請號: 202010469336.8
• 申請日: 2020-05-28
• 公開（公告）號: CN111611085B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 朱鳳華;李嘉碩;陳世超;熊剛;呂宜生;葉佩軍;王曉;王飛躍
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06F9/50
• 分類號: G06F9/50
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于云邊協同的人機混合增強智能系統，其特征在于，該系統包括：設置于云端的算法庫、設置于邊緣端的輸入模塊、算法選擇模塊、決策模塊；

所述算法庫，用于儲存算法文件；所述算法文件包括基于統計模型的機器學習算法文件、神經網絡模型算法文件；

所述輸入模塊，用于獲取輸入信息；所述輸入信息包括系統待處理數據、邊緣設備靜態參數、邊緣設備動態參數、預設的實時性要求參數及精度要求參數；

所述算法選擇模塊，配置為基于邊緣設備靜態參數、邊緣設備動態參數，獲取邊緣設備的性能評價指標，并結合所述實時性要求參數、所述精度要求參數，通過預設的算法選取規則從所述算法庫中選取相應的算法，作為第一算法；

其中，基于邊緣設備靜態參數、邊緣設備動態參數，獲取邊緣設備的性能評價指標，其方法為：

將所述邊緣設備靜態參數、所述邊緣設備動態參數轉化為結構化數據；

基于轉化后的邊緣設備靜態參數、邊緣設備動態參數，通過預設的評分方法獲取邊緣設備的評分：

構建所述邊緣設備靜態參數對應的性能評價指標因素集H＝{h₁，h₂，...h_n}＝{內存大小、顯卡內存大小、硬盤大小...}，其中，n為性能評價指標因素集中因素的個數，h_i表示第i個性能指標評價因素；

通過模糊統計法獲取性能指標評價因素對預設的評語集中評語的隸屬度，并構建模糊評價矩陣，作為第一矩陣；

基于所述邊緣設備靜態參數，通過三標度法構造判斷矩陣，并結合所述邊緣設備動態參數，獲取各隸屬度對應的權重向量；

將所述第一矩陣中各隸屬度與其對應的權重向量進行相乘，得到模糊綜合評價矩陣，作為第二矩陣：

r_max＝max{r_i}，r_min＝min{r_i}

其中，p_ij表示支持評語j適用于因素i的人數，s_ij表示因素i對評語j的隸屬度，P＝(s_ij)_n×5，n為性能指標評價的因素集H中元素的個數，C_b為預設的極差元素的相對重要程度，M_i表示參數s_i的指標積，W_i表示權重值，d_i表示設備動態參數，表示參數s_i的歸一化權系數，W表示權重向量，R表示模糊綜合評價矩陣；

對所述第二矩陣中的各元素，結合其對應的評分向量，得到邊緣設備的性能評價指標；所述評分向量為在評語集中各評語對應的評分向量；

其中，G表示邊緣設備的性能評價指標，R_i表示第二矩陣中的第i個元素，Z_i表示評分向量；

所述決策模塊，配置為通過所述第一算法獲取所述系統待處理數據的處理結果及其對應的置信度，若該置信度大于預設的閾值，則將所述處理結果作為目標決策結果，否則獲取錄入的人工決策信息作為目標決策結果。

2.根據權利要求1所述的基于云邊協同的人機混合增強智能系統，其特征在于，所述云端還包括算法更新模塊，該模塊包括算法更新單元、數據集更新單元；

所述數據集更新單元，配置為基于系統輸入參數、決策信息，更新數據集；

所述算法更新單元，配置為當人工決策信息的獲取次數大于設定的最大次數，則基于更新后的數據集，對所述算法庫中的算法進行更新。

3.根據權利要求1所述的基于云邊協同的人機混合增強智能系統，其特征在于，所述邊緣端還包括控制模塊；所述控制模塊，配置為基于所述目標決策結果，對待控制目標進行控制。

4.根據權利要求1所述的基于云邊協同的人機混合增強智能系統，其特征在于，所述邊緣設備靜態參數為邊緣設備的配置信息；所述配置信息包括內存大小、顯卡內存大小、硬盤大小；

所述邊緣設備動態參數為邊緣設備運行的狀態信息；所述狀態信息包括CPU或GPU占用率、內存占用率、顯卡占用率及硬盤占用率。