边缘计算环境中基于AlexNet的低时延手写体数字识别方法研究开题报告

 2020-02-10 11:02
1.目的及意义(含国内外的研究现状分析)
1.1 研究背景
自2005提出云计算的概念以来,人们日常的生活与工作方式被彻底改变,在传统云计算模型中,数据生产者发送原数据到云中心,数据消费者向云中心发送使用请求,随后云中心将结果返回给数据消费者。与云计算一同飞速发展的还有物联网技术,旨在利用射频识别、无线数据通讯等技术构造一种全球物品信息实时共享的实物互联网。伴随着云计算与万物互联的飞速发展,网络边缘设备正在从以数据消费者为主的单一角色转变为兼顾数据生产者和数据消费者的双重角色,而网络边缘设备逐渐具有利用收集的实时数据进行模式识别、执行预测分析或优化、智能处理等功能,因此以云计算为中心的部分应用服务程序迁移到了网络设备,但云计算模型逐渐不能有效满足万物互联应用的需求,主要原因如下:
(1)直接将边缘设备端的海量数据发送到云端,导致网络带宽负载过大、移动设备和网络边缘设备的计算资源浪费;
(2)传统云计算模型的隐私保护得不到保障;
(3)万物互联网架构中的大多数边缘设备结点的能源有限,无线传输模块的能耗过大。
针对上述问题,考虑到边缘设备已具备计算能力,可以将应用程序的部分或全部任务从云中心迁移到边缘设备端执行,因而诞生了边缘计算模型(Edge Computing Paradigm)[1]。边缘计算是指在网络边缘执行计算任务的一种新型计算模型,其中边缘的下行数据表示云服务,上行数据表示万物互联服务,边缘(Edge)则是指从数据源到云计算中心路径之间的任意计算和网络资源。边缘计算具有诸多优势。在边缘计算模型中,虽然数据类型复杂多样,来自万物互联设备的感知数据急剧增加,但数据传输的性能得到了保障,既保证了处理的实时性又降低了云计算中心的计算负载。本研究专注于移动边缘计算场景下边缘智能的实现。
移动边缘计算(Mobile Edge Computing, MEC)是在接近移动用户的无线电接入网范围内提供信息技术服务和云计算能力的一种新型网络结构。利用移动边缘计算,可将计算密集型移动计算任务迁移到附近的网络边缘服务器,图1给出了MEC系统的架构[2]。移动边缘计算的较低延迟、较高带宽显著提高了服务质量和用户体验,是发展5G的一项关键技术。

图1 MEC系统架构

作为推动人工智能发展的关键核心技术,机器学习(尤其是深度学习和强化学习)已经迅速成为学术界和工业界关注的焦点。基于MNIST数据集[3]的手写体数字识别问题已经有了相当成熟的、基于深度学习技术的研究成果。作为经典的图像识别问题,卷积神经网络AlexNet通过适当调整参数,能够取得接近100%的分类正确率[4]。在实际生活生产应用中,为了应对深度学习模型对计算资源的大需求,常用的方式是将深度学习模型的训练和推理都部署在云端数据中心。在执行深度学习模型推理的时候,移动端设备将输入数据发送至云端数据中心,云端推理完成后将结果发回移动设备。

您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;