一种基于左右脑模型的分布式大数据实时处理系统及方法
专利汇可以提供一种基于左右脑模型的分布式大数据实时处理系统及方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于左右脑模型的分布式 大数据 实时处理系统，包括：由m个边缘左脑模 块 组成的边缘左脑模块集合{B(i)EL}、由m个边缘右脑模块组成的边缘右脑模块集合{B(i)ER}、中心左脑模块BCL和中心右脑模块BCR，其中，1≤i≤m，所述m为边缘 服务器 的个数；第i个用户群与第i个边缘左脑模块B(i)EL之间为双向连接，从第i个用户群到第i个边缘右脑模块B(i)ER为单向连接，第i个边缘左脑模块B(i)EL与第i个边缘右脑模块B(i)ER之间为双向连接，中心左脑模块BCL与第i个边缘左脑模块B(i)EL为双向连接，从第i个边缘右脑模块B(i)ER到中心右脑模块BCR为单向连接，中心左脑模块BCL与中心右脑模块BCR之间为双向连接。，下面是一种基于左右脑模型的分布式大数据实时处理系统及方法专利的具体信息内容。
1.一种基于左右脑模型的分布式大数据实时处理系统，其特征在于，包括：由m个边缘(i)
左脑模块组成的边缘左脑模块集合{B EL}、由m个边缘右脑模块组成的边缘右脑模块集合(i)
{B ER}、中心左脑模块BCL和中心右脑模块BCR，其中，1≤i≤m，所述m为边缘服务器的个数；
(i)
第i个用户群与第i个边缘左脑模块B EL之间为双向连接，从第i个用户群到第i个(i) (i) (i)
边缘右脑模块B ER为单向连接，第i个边缘左脑模块B EL与第i个边缘右脑模块B ER之(i)
间为双向连接，中心左脑模块BCL与第i个边缘左脑模块B EL为双向连接，从第i个边缘右(i)
脑模块B ER到中心右脑模块BCR为单向连接，中心左脑模块BCL与中心右脑模块BCR之间为双向连接；
所述中心左脑模块BCL和中心右脑模块BCR形成中心左右脑模型；所述中心左脑模块BCL设置在中心服务器上，它是一个用于全局高精度响应并保持训练状态的深度学习模型；中心左脑模块BCL的输入是重构数据，输出是标签；中心右脑模块BCR是设置在中心服务器上的一个由m个纵向切片组成的带有全局记忆的深度学习模型；中心右脑模块BCR的输入是标签，输出是重构后的数据；
(i) (i) (i)
所述边缘左脑模块B EL和边缘右脑模块B ER形成边缘左右脑模型；边缘左脑模块BEL是设置在边缘服务器上的第i个用于局部实时响应的训练后的深度学习模型，其输入是(i)
现场收集到的用户数据，模型输出结果作为对用户的实时响应；边缘右脑模块B ER是设置在边缘服务器上的第i个用于局部短期记忆并保持训练状态的深度学习模型，其输入是标签，输出是重构后的数据。
2.根据权利要求1所述的基于左右脑模型的分布式大数据实时处理系统，其特征在(i)
于，所述中心左脑模块BCL以及所述边缘左脑模块B EL采用如下列深度学习模型中的任意一种，多层感知器、深度玻尔兹曼机、深度置信网。
3.根据权利要求1所述的基于左右脑模型的分布式大数据实时处理系统，其特征在(i)
于，所述中心右脑模块BCR的每一个切片以及所述边缘右脑模块B ER都采用逆转后的现有的无向模型或混合模型，包括逆转后的深度玻尔兹曼机、逆转后的深度置信网。
4.基于权利要求1-3之一的分布式大数据实时处理系统所实现的分布式大数据实时处理方法，包括：
t
步骤1)、将现场收集到的来自用户的数据xi，输入到与用户距离最近的边缘服务器的(i)
边缘左脑B EL中，得到对用户的实时响应；
(i) (i)
步骤2)、通过边缘左脑B EL、来自用户的数据、标签对边缘右脑B ER进行增量训练，如果出现新标签，则将其上传到中心服务器的中心左脑模块BCL上；
(i)
步骤3)、返回步骤1)，直到边缘右脑B ER的训练次数达到第一阈值为止；
(i)
步骤4)、将边缘右脑B ER的增量参数上传到中心服务器的中心右脑BCR上，更新BCR的(i)
m个纵向切片中与B ER对应的纵向切片的增量参数；
步骤5)、在中心服务器上用中心右脑BCR和标签来训练中心左脑BCL，直到中心左脑BCL的训练误差小于第二阈值为止；
(i)
步骤6)、将中心左脑BCL的增量参数下发到m个边缘服务器上，更新m个边缘左脑B EL的所有增量参数，并输出数据处理结果。
5.根据权利要求4所述的分布式大数据实时处理方法，其特征在于，所述步骤2)具体包括：
t t t
步骤2-1)、如果输入的来自用户的数据xi带有标签y i，则先将数据xi反向输入到边(i) t t t
缘右脑B ER，得到与标签yi的格式相同的输出yi，与标签yi相比较，yi与标签y i之间存t 2
在误差│yi-yi│ /2，该误差记为训练误差Et；根据所得到的训练误差Et以较高的学习率(i) t (i)
来调整边缘右脑B ER的正向参数，再将标签y i正向输入到边缘右脑B ER，而得到重构数据r t
xi，然后与来自用户的原有数据xi相比较而得到重构误差Er；根据所得到的重构误差Er，(i) +
调整边缘右脑B ER的正向参数和反向参数；其中，边缘右脑的正向参数θ 包括正向的连+ + - -
接权重{wi}和偏置权重{bi}；边缘右脑的反向参数θ包括反向的连接权重{wi}和偏置-
权重{bi}；
如果来自用户的标签是新的，还要将新标签上传到中心服务器的中心右脑BCR上；
(i)
步骤2-2)、如果输入的来自用户的数据没有标签，则将数据输入到边缘左脑B EL而得r
到的输出，并将该输出作为边缘右脑BER的输入，而得到重构数据x i，然后与原有的输入数t (i)
据xi相比较而得到重构误差Er，并以较低的学习率来调整边缘右脑B ER的正向参数。
6.根据权利要求5所述的分布式大数据实时处理方法，其特征在于，根据训练误差Et调整边缘右脑的正向参数包括：当Et＝0，不调整正向参数，当Et>0，减小正向参数的值，当Et<0，增加正向参数的值。
7.根据权利要求5所述的分布式大数据实时处理方法，其特征在于，根据重构误差Er调整边缘右脑的正向参数和反向参数包括：当Er＝0时，不调整参数，当Er>0时，减小参数的值，当Er<0时，增加参数的值。
8.根据权利要求5所述的分布式大数据实时处理方法，其特征在于，较高的学习率取值为0.1，较低的学习率取值为0.01。
9.根据权利要求4所述的分布式大数据实时处理方法，其特征在于，所述步骤5)具体包括：
如果出现新标签，则将新标签输入到中心右脑BCR，生成重构数据，然后将重构数据输入中心左脑BCL，生成标签，将该标签与所述新标签相比较，得到训练误差Et，根据训练误差Et以较高的学习率来调整中心左脑BCL的参数；所述中心左脑BCL的参数包括：连接权重{wi}和偏置权重{bi}；
如果没有新标签，则在存储于中心左脑模块的旧标签列表中随机选择一个标签输入到中心右脑BCR，得到重构数据，然后将重构数据输入中心左脑BCL而得到输出，将该输出与之前随机选择出的标签相比较而得到训练误差Et，根据训练误差Et以较低的学习率来调整中心左脑BCL的参数。
10.根据权利要求4所述的分布式大数据实时处理方法，其特征在于，所述第一阈值根据收敛条件来设定；所述第二阈值根据批量平均的收敛条件来设定。
一种基于左右脑模型的分布式大数据实时处理系统及方法
技术领域
背景技术
发明内容
成的边缘右脑模块集合{B ER}、中心左脑模块BCL和中心右脑模块BCR，其中，1≤i≤m，所述m为边缘服务器的个数；
ER之间为双向连接，中心左脑模块BCL与第i个边缘左脑模块B EL为双向连接，从第i个边(i)
缘右脑模块B ER到中心右脑模块BCR为单向连接，中心左脑模块BCL与中心右脑模块BCR之间为双向连接；
入是现场收集到的用户数据，模型输出结果作为对用户的实时响应；边缘右脑模块B ER是设置在边缘服务器上的第i个用于局部短期记忆并保持训练状态的深度学习模型，其输入是标签，输出是重构后的数据。
间存在误差│yi-yi│ /2，该误差记为训练误差Et；根据所得到的训练误差Et以较高的学(i) t (i)
习率来调整边缘右脑B ER的正向参数，再将标签y i正向输入到边缘右脑B ER，而得到重构r t
数据xi，然后与来自用户的原有数据xi相比较而得到重构误差Er；根据所得到的重构误差(i) +
Er，调整边缘右脑B ER的正向参数和反向参数；其中，边缘右脑的正向参数θ 包括正向的+ + - -
连接权重{wi}和偏置权重{bi}；边缘右脑的反向参数θ包括反向的连接权重{wi}和偏-
置权重{bi}；
入数据xi相比较而得到重构误差Er，并以较低的学习率来调整边缘右脑B ER的正向参数。
具体实施方式
{yi}。例如，在快速人脸识别中的应用中，输入是任何一张人脸的图片，标签就是该人脸所对应的人的正确姓名，而模型的输出是一个和标签格式相同的姓名，但不一定总是正确的，会有一定程度的识别错误率。
块组成的边缘右脑模块集合{B ER}、中心左脑模块BCL和中心右脑模块BCR，其中，1≤i≤m，所述m为边缘服务器的个数。
与第i个边缘右脑模块B ER之间为双向连接，中心左脑模块BCL与第i个边缘左脑模块B(i)
EL为双向连接，从第i个边缘右脑模块B ER到中心右脑模块BCR为单向连接，中心左脑模块BCL与中心右脑模块BCR之间为双向连接。
脑模块B ER是指设置在边缘服务器上的第i个用于局部短期记忆并保持训练状态的深度学习模型，此类深度学习模型是逆转后的现有的无向模型或混合模型，如逆转后的深度玻尔兹曼机、逆转后的深度置信网；其输入是标签，输出是重构后的数据。
差│yi-yi│ /2，其中│.│是指对矢量取模，该误差记为训练误差Et，根据所得到的训练(i) t
误差Et以较高的学习率来调整边缘右脑B ER的正向参数，再将标签y i正向输入到边缘右(i) r t
脑B ER，而得到重构数据xi，然后与来自用户的原有数据xi相比较而得到重构误差Er，根(i)
据所得到的重构误差Er，调整边缘右脑B ER的正向参数和反向参数，如果来自用户的标签是新的(即不在原有的标签集合中)，则将新标签上传到中心服务器的中心右脑BCR上。其+ + +
中，边缘右脑的正向参数θ包括正向的连接权重{wi}和偏置权重{bi}。根据训练误差Et调整边缘右脑的正向参数包括：当Et＝0，不调整正向参数，当Et>0，减小正向参数的值，当Et<0，增加正向参数的值。所述学习率是指根据误差来改变参数的幅度，作为一种优选实现-
方式，较高的学习率取值为0.1，较低的学习率取值为0.01。边缘右脑的反向参数θ包括- -
反向的连接权重{wi}和偏置权重{bi}。根据重构误差Er调整边缘右脑的正向参数和反向参数包括：当Er＝0时，不调整参数，当Er>0时，减小参数的值，当Er<0时，增加参数的值。
比较而得到重构误差Er，并以较低的学习率来调整边缘右脑B ER的正向参数。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于深度信念网络和扫描叠加的微震源自动定位方法 | 2020-05-08 | 82 |
| 基于差分温度补偿的分布式光纤拉曼双端温度解调方法 | 2020-05-11 | 494 |
| 基于分布式光纤拉曼传感系统的双路高精度温度解调方法 | 2020-05-11 | 146 |
| 一种基于深度学习的智能家居入侵检测方法 | 2020-05-13 | 584 |
| 一种基于单相机比色测温系统的优化测温方法 | 2020-05-13 | 71 |
| 氧化锌压敏电阻微观特性模拟优化计算模型 | 2020-05-12 | 512 |
| 一种复合材料薄膜三维多相同步生长的模拟方法及系统 | 2020-05-16 | 762 |
| 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | 2020-05-11 | 358 |
| 一种物联网边缘节点安全的神经网络监测模型 | 2020-05-11 | 970 |
| 基于深度信念网络的多姿态人脸识别的方法和装置 | 2020-05-15 | 555 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
