边缘智能网络

2024-05-21

边缘智能网络（精选7篇）

边缘智能网络篇1

引言

随着信息技术的迅猛发展, 高校校园网络日新月异。首先, 学生拥有计算机的量越来越大, 上网的人数与日俱增;其次, 校园网络各种应用不断增多, 如校园一卡通、数字安防监控、VOD点播、IPTV、数字广播、数字资源等;再次, 个人上网业务越来越丰富, 如P2P、网络游戏、网络影视等。导致高校校园网络规模越来越大, 网络流量越来越大, 网络威胁越来越严重, 网络安全性越来越差[1]。高校校园网络结构将不得不调整, 必然由核心智能网络向边缘智能网络转化。

1. 核心智能网络

传统的高校校园网络都是按“三层”结构来部署的, 即核心层、汇聚层、边缘层, 采用以网络核心智能设备为主导的核心智能网络架构[2]。在这种结构中, 核心智能设备是整个网络的重中之重, 承担所有的网络策略和控制, 边缘设备只是进行简单的用户接入、数据交换和转发。

在高校校园网络建设的初期, 网络结构简单, 用户数不多, 网络业务单一, 网络流量较小, 对网络决策和控制要求不高, 核心智能网络还能负担。但随着校园网络规模的扩大, 用户数的增多, 网络业务的丰富、网络流量的激增, 数据的传输和控制越来越复杂, 核心智能网络越来越力不从心, 种种弊端就渐渐的显露出来了。

1.1 性能和服务质量 (QOS) 低

在核心智能网络中, 对网络是否能有效的控制和整个网络的性能取决于核心设备的智能和决策能力。随着网络业务和技术的发展, 大量的数据流量和多样化的业务对核心设备性能的要求越来越苛刻, 如果核心设备出现高负荷运转或其它问题, 将影响其对整个网络的决策和控制, 从而降低整个网络的性能。同时, 网络的策略和控制是由核心设备来承担的, 而各种业务是在边缘网络接入的, 不可避免这种服务质量是较低的。

1.2 安全性和稳定性差

在核心智能网络中, 所有的策略和控制都集中在网络核心, 边缘网络只负责简单的接入功能, 用户在核心网络对其进行审核和授予访问权限之前, 就已经接入网络, 这给网络造成了巨大的安全隐患, 将严重影响整个网络的稳定。

1.3 灵活性和扩展性差

在核心智能网络中, 核心设备的能力和扩展性决定着整个网络的能力和扩展性。如果核心设备无法支持过多的流量和新的应用, 就必须升级甚至更换核心设备, 这将大大增加校园网络建设的成本, 降低了网络的可扩展性。同时, 由于整个网络的决策和控制依赖于单一的核心设备, 导致无法对一些特定的应用和网络行为做出个性化的决策和控制, 从而使得网络的灵活性有所降低。

综上所述, 核心智能网络不仅影响网络的性能和服务质量, 降低了网络的灵活性和扩展性, 还增加了高校面对新的需求时付出的成本和投资, 于是边缘组网理念开始出现, 并引发了从“核心网络”到“边缘网络”的网络体系结构革命。

2. 边缘智能网络

近几年来, 高校校园网络的智能不仅体现在网络核心, 更是推到贴近用户的边缘层, 从而形成端到端的边缘智能网络[3,4]。与核心智能网络相比, 由于加强了网络边缘设备的智能和决策能力, 使整个网络在可用性、扩展性、安全性和可控性上都有很大的提高。边缘智能网络的优点如下:

2.1 接入点的可控性

边缘智能设备能够在接入点做出决策, 在流量进入网络之前执行访问和安全策略, 减少了核心设备的负荷。此外, 智能边缘设备可以为每个用户、每个会话进行动态、自动配置。对于访问网络的个人, 边缘智能设备能够根据其特定的访问权限, 准许或限制其访问。这些配置功能使网络更具动态性、安全性和适应性, 同时能够满足用户的独特需求。

2.2 边缘设备的可管理性

智能边缘设备具备管理功能, 支持远程对边缘设备进行各项配置和监控, 同时支持802.1p、VLAN划分、端口链路聚合和端口镜像功能, 支持配置文件的备份下载和上传, 等等。

2.3 边缘设备的安全性

在网络边缘使用智能边缘设备后, 安全性得到增强, 从整体上提升了网络的安全性。

2.4 集中控制网络配置

通过具有动态策略控制功能的网络管理软件及确保安全性、移动性和融合的模块实现中心命令后, 高校将集中控制网络配置, 因而更便于在校园网络内实施新的应用和支持新的流量类型。这种方法不仅使校园网络可以提高安全性, 实现移动边缘, 充分利用新技术, 而且还有助于降低成本。

2.5 摆脱网络对核心的过度依赖

当网络边缘智能大幅提高之后, 在一定程度上就可以摆脱对网络核心设备的过度依赖, 降低频繁地升级和重新部署核心设备的高投入。

3. 网络边缘智能的实现

高校校园网络边缘智能的实现, 一方面, 是部署智能边缘交换机;另一方面, 是部署常规的边缘安全策略。

3.1 边缘智能交换机的选购

智能边缘交换机是部署智能网络的基础, 怎样选购边缘智能交换机呢?由于现在的智能边缘交换机都将QoS、速率限制、ACL、PBR及sFlow集成到硬件芯片上, 使得这些智能不致影响到基本的线速转发性能, 因此在选购时, 主要考虑两个方面。首先, 交换机的可靠性。如果边缘交换机出现故障, 将会影响到大量接入层用户。所以要充分考虑冗余配置。其次, 交换机的智能。即执行QoS的能力、提供指定接入速率的能力、ACL (访问控制列表) 的安全屏蔽能力、网络流量统计与监控能力以及策略路由 (PBR) 的支持能力。它将影响整个网络的可控制性和效率。

3.2 部署常规的边缘安全策略

在网络的安全策略部署中, 除了在网络核心部署传统的防火墙、IDS等安全产品外, 在边缘接入层还应该部署常规的安全策略。常规的安全策略有: (1) 、边缘用户接入安全认证。在校园网中引入用户认证技术, 有两个目的, 一是可以有效的识别上网用户身份, 第二是便于对用户的接入权限、业务权限、用户行为等进行有效的控制和管理, 包括提供灵活的计费手段。 (2) 、虚拟局域网 (VLAN) 。采用VLAN技术, 有利于减少网络设备移动、添加和修改的管理开销, 同时可以控制广播活动, 从而提高网络的安全性。 (3) 、端口与用户绑定。将交换机的端口与用户的IP地址或MAC地址绑定, 阻止非法用户访问网络, 有利于网络的安全。 (4) 、流量控制。一方面, 对单个的用户或交换机端口实施流量控制;另一方面, 基于应用层协议分析为基础的流量控制, 针对不同的应用, 采用不同的策略, 让关键的应用得到关键的保障, 让重要的应用得到优先的服务。 (5) 、ACL访问控制技术。通过控制与检查进出关键服务器中的访问, 保护服务器中的关键数据。它是一种主机防护技术, 保证网络资源不被非法使用和访问。

4. 结束语

高校校园网络从核心智能向边缘智能扩散, 是高校校园网络发展的必然。在边缘网络采用智能设备和相应的策略、控制, 有助于提高高校校园网络的效率、安全和可扩展性, 在一定程度上有利于高校校园网络的建设和发展。

摘要：近几年来, 传统的“三层”核心智能网络结构越来越力不从心, 它不仅影响了网络的性能, 同时降低了网络的灵活性、扩展性、安全性和可控性。针对此问题, 提出高校校园网络体系架构从“核心”向“边缘”转变, 实现边缘网络智能化, 从而克服传统组网方式的重重束缚, 提供一种更通畅、高效、高扩展性的高校校园网络。

关键词：高校校园网络,三层核心智能网络,边缘智能网络,体系结构

参考文献

[1]杨晴.关于构建高效安全的校园网络系统的思考.重庆职业技术学院学报, 2006 (05)

[2]刘正勇.构建数字化校园体系结构设计研究.计算机工程与设计, 2008 (03)

[3]胡敏.挖掘网络边缘的潜力.中国计算机用户, 2003 (29)

[4]张旭军.网络边缘也智能.微电脑世界, 2003 (02)

边缘智能网络篇2

关键词：边缘检测,线性CCD,TSL1401,K60,循迹

0 引言

近年来无人驾驶汽车一直受到众人的瞩目,被认为是车联网的终极目标。同时随着汽车电子行业的逐渐升温与技术的日渐发展,越来越多的汽车厂商开始延伸智能车用载具平台,发展新一代自动驾驶技术。目前谷歌,奥迪都致力于研发无人驾驶技术,牛津等学府机构也努力研发新的技术实现方向[1]。

本文设计的一种智能车循迹系统是智能图像识别技术与单片微处理技术的相结合的综合运用,实现了赛道识别,自动循迹的功能,使智能车平稳快速地在赛道上行驶。该模型车为未来的无人驾驶汽车的发展提供了一种新的思路,有一定的参考意义。

1 系统整体设计

智能车系统主要由电源管理,电机驱动,路径识别,速度检测四大模块组成。硬件上,以MK60DN512ZVLQ10为核心控制芯片,两片BTS7970构成的桥式电路作为电机驱动电路,TSL1401线性CCD作为赛道检测元件[2]321。软件上,采用边缘检测算法,辅以增量式PID算法控制电机转速和转向本文主要针路径识别模块与速度PID控制模块进行研究和设计。系统总体结构框图如图1所示。

2 硬件设计

2.1 主控制器模块

Kinetis是基于ARM CortexTM-M4具有超强可拓展性的低功耗、混合信号微处理器。多达32通道的DMA可用于外设和存储器数据传输并减少CPU干预。K60微控制器系列具有以下性能:IEEE 1588以太网,全速和高速USB 2.0 On-The-Go带设备充电探测,硬件加密和防窜改探测能力。丰富的模拟、通信、定时和控制外设从100 LQFP封装256 KB闪存开始可扩展到256MAPBGA 1MB闪存。大闪存的K60系列器件还可提供可选的单精度浮点单元、NAND闪存控制器和DRAM控制器。

本文系统核心控制模块采用飞思卡尔公司的MK60DN512ZVLQ10芯片组成的最小系统及相应接口模块组成。其最小系统设计简单,采用50 MHz和32.768 k Hz的外部晶振,复位电路设计成按键复位和上电自动复位的方式。

2.2 电源管理模块

电源部分是智能车系统的重要部分,电源稳定供电,智能车系统才能稳定工作。使用电压7.2 V,2 000 m Ah的镍镉电池供电,而系统需要稳定的5 V与3.3 V电压,故必须稳定的降压输出5 V与3.3 V。使用TI公司的降压芯片LM2940和LM1117-3.3V,在输入为6.5 V~8.2 V之间时,LM2940芯片能稳定输出5 V电压给电机,舵机,TSL1401模块供电,LM1117-3.3 V芯片能稳定输出3.3 V电压给MK60DN512ZVLQ核心控制器供电。稳压电源电路图如图2所示。

2.3 电机驱动模块

电机驱动电路由H桥式电路组成。为使K60能够驱动电机工作,且能使电机正反转,通过两片英飞凌公司的BTS7970构成桥式电路。BTS7970的最大驱动电流为68 A,驱动能力极强。通过K60输入的两路PWM的占空比不同,控制输出电流的大小与方向,从而控制电机转速与方向。电机驱动电路如图3所示。

2.4 图像采集模块

赛道信息的采集由TSL1401线性CCD模块完成,该模块以TAOS公司生产的TSL1401R芯片为核心,集成了高达128像素的线性阵列传感器以及专门用于线性CCD的透镜。该模块可以看到一维的图像,并可以通过移动模块来获得二维图像。

TSL1401线性CCD的输出信号和环境光线密切相关,AO引脚输出电压值在白天自然光条件比晚上光源下高出很多,白炽灯光下比日光灯下输出电压高,同时正对光线比背光线输出电压高。因此,同一参数(镜头光圈、曝光时间)难以适应不同的环境,在光线较弱环境下的参数在强光下会出现输出饱和,在较强光线下调节好的参数在弱光下输出电压过低,甚至处于截止状态。在智能车应用中,白天自然光环境和晚上灯光环境、正对光和背光、不同的比赛场地之间都不能采用相同的曝光参数。与输出电压密切相关的参数是曝光量,曝光量取决于CCD模块所采用的镜头光圈大小和程序所控制的曝光时间。智能车为适应各种运行环境,必须实时感知环境,并根据环境闭环调节曝光量,使得在不同环境中曝光量都处于合理的范围,这样才能保证在不同环境中CCD输出电压在合理范围,以利于算法提取黑线信息。镜头相关参数一旦选定在智能车运行难以改变,曝光时间比较容易通过程序控制,故通过软件调整曝光时间。要增大输出电压,就是放大输出信号,可以采用运放来放大AO(IN)输出信号。为了能保证输出电压在合理范围(不饱和、不截止、能分辨赛道黑线),需要根据选定的镜头确定运放放大倍数。

图5所示的运放放大倍数A=1+R1/R2,也就是对TSL1401的输入信号AO(IN)进行A倍放大。

2.5 速度检测模块

速度采集的方法有很多种,本文采用的是欧姆龙旋转式增量型编码器采集电机速度。编码器能产生A、B相脉冲,根据A、B相脉冲的数量与相位差,确定电机的转速与方向。编码器安装图如图6所示。

3 软件设计

3.1 赛道检测模块软件设计

本系统软件采用IAR软件与蓝牙为调试工具,C语言进行程序设计,算法基本原理见框图。在方向控制中,采用线性CCD对赛道信息进行采集,经过相关图像处理之后,计算得方向偏差。以此作为方向控制的输入量,通过舵机转向角不同控制车模转向消除车模距离道路中心的偏差[3]。程序设计流程图如图7所示。

提取赛道边沿的原则是在保证准确性的前提下提高运算速度,并具有较好的环境适应能力。本设计使用的是边缘检测算法。由于白板的灰度值很大,黑线的灰度值很小,所以会检测到一个下降沿的跳变,记录下跳变沿发生时的列号,就能确定出黑线的位置,即采用阈值法提取边缘[4]。只需设定好跳变的阈值,就可以比较准确的检测出黑色引导线。采用由近到远的搜索方式,搜索图像的有效边沿和无效边沿,找到左右边线,以黑线的位置为基准建立搜索窗口,然后分别在窗口内继续寻找双边线[5]。

3.2 速度控制部分软件设计

在过程控制中,PID控制器,一直是应用最为广泛的一种自动控制器;PID控制也一直是众多控制方法中应用最为普遍的控制算法,PID算法的计算过程与输出值(OUT)有着直接函数关系。本系统采用增量式PID控制算法。增量式PID是指数字控制器的输出只是控制量的增量。当执行机构需要的控制量是增量,而不是位置量的绝对数值时,可以使用增量式PID控制算法进行控制[6]。

(1)与(2)相减整理后可得增量式PID控制算法公式为:

由(1-3)可看出,只要控制系统采用恒定的采样周期T,一旦确定A、B、C,只要使用前后三次测量的偏差值,就可以由(1-3)求出控制量。增量式PID控制算法计算量小,应用在智能车系统,调试方便。速度控制PID算法流程图如图8所示。

4 智能车测试结果与分析

实验主要包括智能车循迹过程中,上位机采集赛道图像与数据分析。本文系统在赛道上测试了45度,60度和135度弯以及10 m长直赛道,智能车能以2 m/s的速度稳定行驶在赛道上。本文设计的智能车如图9所示。

TSL1401线性CCD每次只能扫描一行赛道信号,而根据一行赛道信息是无法使智能车正常行驶的。故每次处理5~6行采集的赛道信息,用K60处理后再控制舵机是否转动和电机转速。

在日光灯条件和自然光条件下测试结果相差不大,测试结果如表1所示。

5 结束语

边缘智能网络篇3

关键词：边缘检测,神经网络,模板,微分进化

通过细胞神经网络研究图像处理的最主要问题是确定鲁棒的模板参数。模板设计最普遍的研究方法是模板学习方法。除著名的神经网络训练方法外, 启发式方法如遗传算法、模拟退火算法等用来寻找输入与预想输出之间的相互关系[1]。

边缘检测是图像处理、图像分析和模式识别系统中最重要步骤之一。其重要性体现在边缘通常提供图像内部目标的物理范围的指示信息。通过边缘检测使图像数据量减少到更适合图像分析的数据量, 为图像分析提供足够的特征信息。图像的后续处理如图像分割、边界检测、目标识别和分类、图像注册等等都依靠边缘成功描述这一步骤。图像边缘处的亮度会发生突变, 因此边缘检测通常包括对在给定像素位置的图像亮度函数导数的计算。如果大量图像亮度函数的导数与给定像素位置高度相关, 则将该位置的像素分类为边缘像素。

国内外学者已提出大量边缘检测算法如统计学、微分和曲线图适合方法等。经典方法如Sobel、Prewitt和Kirsch检测器通过计算一阶方向导数来确定边缘的位置, 零交叉检测器采用二阶导数及拉普拉斯算子。Canny检测器是最流行的边缘检测器之一, 尽管高斯检测器表现出相对较好的性能, 但计算复杂度比经典的基于微分的边缘检测器高得多[2]。

近年来, 进化算法在科学和工程不同领域中的应用已经成为研究热点。差分进化算法是有效解决数字优化问题的相对较新的优化技术。由于它具有简易性、鲁棒性和良好的收敛性而被广泛采用[3]。

文中提出一种将差分进化算法用于细胞神经网络学习的数字图像边缘检测算法。

1 细胞神经网络

每个细胞神经网络 (CNN) 都是局部联接细胞的空间排列。每个细胞为一个动态系统, 状态方程由式 (1) 给出, 其中uij, zij, xij, yij分别表示输入、阈值、状态和输出。每一个xij细胞有输入的前馈键bkl ukl和每个邻域细胞输出的反馈键aklykl, 数学表达式为[4]

(1) 式中:yij=f (xij) =21 (xij+1-xij-1) ;

N;τ为邻域半径, 邻域细胞由下式确定。

在式 (2) 给出的假设条件下, 由式 (1) 定义的CNN为完全稳定的, 即阈值和输入为常数, 状态趋于均衡。

因此, 对于τ=1, z=0的情况下, 选择式 (3) 作为模板参数可使CNN完全稳定。

因此有

式 (4) 即为用于边缘检测的算子或称模板的矩阵表示。

2 差分进化算法

差分进化 (DE) 算法采用在预先确定的初始参数下限xj, low和上限xj, high之间随机均匀分布的参数值初始化全部Np种群和D维参数向量。

(5) 式中:Np为种群规模;下标t为进化代数序列, j和i分别为参数和种群序列。因此, xj, i, t表示第t代中第i个种群的第j个参数。

首先DE算法通过下式求得变异向量。

(6) 式中:vi, t为变异向量;xbest, t为最佳参数向量;种群r1和r2为随机选取的与种群i不同的互不相等的整数 (r1≠r2≠i) ;变异缩放因子Sc为小于1.0的正实数。

下一步, 这一变异向量vi, t的一个或多个参数与第i个种群向量xi, t呈指数交叉, 得到试验向量ui, t。

(7) 式中交叉概率因子0≤Cr≤1.0。此外, 试验向量始终以随机选取的jrand继承变异向量的参数, 以确保试验向量至少有一个参数与比较向量xi, t不同。

最后, 为获得更好的试验解, 试验向量的代价函数值如果小于或等于目标向量的代价函数值, 在下一代用试验向量替换目标向量。此外, 目标向量在这一种群中至少保持一代。

其中f为代价函数。重复以上步骤直至达到终止条件或预先确定的代数[5,6]。

3 边缘检测算法

文中将差分进化算法用于细胞神经网络学习, 得到边缘检测算子, 即模板, 再用经学习得到的模板检测图像边缘, 算法步骤如下:

(1) 输入用于训练的原始图像;

(2) 用理想边缘检测器提取图像边缘;

(3) 如果达到终止条件, 则输出理想边缘图像和模板参数, 结束学习, 执行步骤 (6) ;

(4) 用训练图像对细胞神经网络模板参数进行适应性调整;

(5) 采用差分进化算法优化细胞神经网络, 执行步骤 (2) ;

(6) 用经学习得到的细胞神经网络模板检测图像边缘。

4 实验结果

为评价算法性能, 采用两个灰度图像进行边缘检测仿真试验.训练图像采用简单的灰度值均匀分布的二值图像, 大小为64×64.cameraman和house是大小为512×512的灰度图像.选取NP=256, Sc=0.05, Cr=0.7, 试验结果见图1。

图1 (a) 为输入的原始训练图像, 图1 (b) 为经理想边缘检测算子提取的理想边缘图像, 图1 (c) 为输入的cameraman原始图像, 图1 (d) 为本算法提取的cameraman边缘图像, 图1 (e) 为输入的house原始图像, 图1 (f) 为本算法提取的house边缘图像.从图 (1) d和图1 (f) 可看出, 本算法获得了较好的边缘图像.

5 结论

文中对基于DEA的CNN学习进行了研究, 并对算法的性能做了测试, 验证了该算法能够有效地提取数字图像的边缘, CNN算子的优越性可概括为:CNN具有非常简单的结构, 它可由简单的一阶微分方程式表达, 其变换函数可由一个线性分段函数表示;该算法不仅适用于边缘检测, 他的基本思路可用于构造其他图像处理算法;该算法的性能取决于优化算法的效率.

参考文献

[1]尚壹.基于细胞神经网络的图像处理.长春:光学精密机械与物理研究所, 2005

[2]王朝琴, 段智敏, 李玉潮, 等.一种改进的Canny边缘提取算法.沈阳理工大学学报, 2007;26 (6) :20—22

[3]吴亮红.差分进化算法及应用研究.长沙:湖南大学, 2007

[4]汪海明, 郭仕德, 赵建业, 等.细胞神经网络在通信信号处理中的研究进展.电讯技术, 2003; (2) :1—5

[5]周艳平, 顾幸生.差分进化算法研究进展.化工自动化及仪表, 2007;34 (3) :1—5

边缘智能网络篇4

通过研究面向视频点播业务、SDV业务、视频云计算等不同业务的统一边缘IPQAM资源分配和管理系统体系架构,实现了对多套边缘IPQAM设备的统一资源调度,在保证资源高效利用的同时提高了服务质量。

1广电行业边缘资源发展状况

1.1广电行业边缘资源主流架构介绍

VOD业务即视频点播业务,是一种可以按用户需要点播节目的互动式视频业务。它的一个重要特点就是需要很高的带宽来传送下行的媒体流。广电的CATV网络可以提供非常高的下行带宽,适于媒体流的传送。因此,广电行业的VOD业务提供多采用基于IPQAM的VOD解决方案,即利用IP网络实现流媒体的控制,通过CATV网络下发媒体流的方式。

目前广电运营商中基于IPQAM的VOD解决方案主要有时代华纳提出的ISA(Interactive Services Architecture)、Comcast提出的NGOD(Next Generation on Demand)以及中国广电的NGB标准。

1)ISA

交互服务架构ISA(Interactive Services Architecture)是美国有线运营商时代华纳从1997年为以VOD为代表的交互式服务提出的网络框架结构。架构如图1所示。

ISA架构中会话管理和资源管理在一个模块 (SRM)中实现。

会话资源管理模块SRM提供了复杂的带宽管理能力,以确保在下行网络上视频流能正确地路由和分发, 它持续地监控网络拓扑和流资源的利用,以保证VOD系统会话的最大可用性,消除视频服务器或服务组 (ServiceGroup)间因为带宽不足和MPEG节目号冲突导致的服务失败。 SRM自动完成VideoServer、IPQAM与STB的配对,并对IPQAM的带宽进行管理。SRM参考NGOD等开放标准架构,实现内部session、resource等各管理功能的细分,实现内部模块的松耦合运行,支持分布式部署。

2)NGOD

Comcat在Comcast-SP-NGOD-GEN-ARCH-103100731标准中对NGOD进行了定义。

在NGOD架构中,与边缘资源管理相关的部件包括ERM(边缘资源管理)、SM(会话管理),ERM和SM是分离的2个独立部件。主要的接口包括D6、R6、S6、D2。

S6:SM到ERM的接口,用于SM向ERM为特定的用户会话请求边缘资源,SM使用QAM名称到ERM的映射信息为会话选择ERM。

R6:ERM到ED(Edge Device)的接口,用于ERM提供ED上的UDP端口和启动会话的参数。

D6:ED到ERM的接口,用于ED向其所属的ERM注册配置信息。

D2:ERM到SM的接口,用于SM发现在其控制下的ERM。

边缘智能网络篇5

在5G标准化组织提出的基站演进目标中, 网络功能边缘化成为趋势:通信网络基于SDN/NFV进行升级改造, 进行扁平化扩展与增强, 网络存储和内容分发向用户端下沉到接入网;同时, 核心网用户面功能将下沉到基站。对此形势, 国际标准组织ETSI提出了MEC (Mobile Edge Computing, 移动边缘计算) 技术, 有望将基站与互联网业务进行深度融合, 发挥边缘网络的更多价值。

对运营商来说, MEC技术可以在LTE无线网络侧增加计算、存储、处理等功能, 构建开放式平台以植入应用, 并通过无线API开放实现无线网络与业务服务器的信息交互, 对LTE无线网络与业务进行融合, 将传统的LTE无线基站升级为智能化基站, 面向于行业提供定制化、差异化服务, 进而提升网络利用效率和增值价值。另一方面通过将计算能力下沉到移动边缘节点, 提供第三方应用集成, 为移动边缘入口的服务创新提供了无限可能。移动网络和移动应用的无缝结合, 也为运营商应对各种OTT竞争提供了有力的武器。

近日中国移动联手诺基亚基于MEC方案和高容量微基站为上海F1赛事提供的“特殊”保障, 实现了超低时延、高容量的沉浸式移动视频服务, 就是MEC商用的一个典型例子。

据悉, 中国移动还陆续与多家企业在MEC上展开了合作, 今年3月底, 中国移动上海公司还发布了“基于移动互联网技术的MEC技术研究”的招标公告, 侧面反映出了现网在基站侧实现移动边缘计算的迫切需求。

事实上, 国内外运营商均在边缘CDN、视频用户Qo S优化、增强现实、比赛直播视频编排等方面积极探索MEC的实际应用, 中国台湾中华电信开展了博物馆增强现实的应用, 中国电信也开展了移动CDN、商场导航及业务推送等应用。

这样的态势也吸引了越来越多的企业加入到MEC产业链中, 并迅速展开了相关技术研发与商用布局。

边缘智能网络篇6

图像能够给人们提供大量的视觉信息,而这些信息的划分恰恰是基于图像边缘的。所谓边缘是指图像周围像素灰度有阶跃变化或屋顶状变化的像素的集合,它存在于目标与背景、目标与目标、区域与区域,基元与基元之间[1]。成功提取的边缘信息可用于进行图像分析(例如图像分割)、图像滤波以及目标识别(例如人脸识别)等。如何提高图像边缘检测的边缘提取速度和准确度一直是国内外研究的热点。早期经典算法主要有传统边缘算子法[2,3]、模板匹配法、曲面拟合法、门限化法等。随着图像处理技术的不断发展,以及与人工智能理论学科的不断结合,基于神经网络的边缘检测法[4,5]出现并走进了研究与应用之中。

神经网络[6]技术是近年来兴起的人工智能技术,它通过模拟人的大脑的工作模式和结构机制来实现机器智能化。它是一个由大量基本单元相互连接而成的非线性系统,具有自组织、自学习和自适应的特点,可以应用在多个领域[7,8,9],常用于处理非线性问题。鉴于以上特点,可以用它来进行图像的边缘检测。在文献[10]中,甘玲等利用CP神经网络提取二值图像和灰度图像的边缘。本文主要是利用了图像边缘的基本特点,相邻点像素的差异性,来构造训练样本,并训练BP神经网络,再使用1×3的窗口遍历整个图像,完成对二值图像的边缘检测;对于灰度图像,先将其二值化,得到二值图像,然后再进行边缘检测。传统的缘检测方法在处理含有弱边缘的图像时,因为阈值的设置问题经常出现遗漏弱边缘或出现伪边缘现象。实验结果证明,本文提出的方法实现简单,检测速度快,检测出的边缘为单像素点边缘,检测细致,准确度较,是一种很有效的图像边缘检测方法。

1 BP神经网络原理

BP神经网络[11,12]是一种多层前馈型神经网络,具有广泛的应用。它一般包括输入层、隐含层和输出层。其特点是信号正向前向传播,误差反向传播,不断地进行网络各层权值与阈值的调整,从而使网络的实际输出不断地逼近期望输出。

如图1所示的是一个典型的3层BP神经网络结构,中间只有一个隐含层(又叫中间层)。图中,输入层、隐含层和输出层分别有i,j,k个神经元节点,此处输入层的节点不对信息进行处理,而直接将输入向量P=(p1,p2,…,pi)T传送给隐含层,w为相邻两个神经元节点之间的权值,b表示神经元的阈值,F表示传递函数(又叫激活函数),IO=(io1,io2,…,ioj)T为经隐含层处理的输出向量,T=(t1,t2,…,tk)T为经输出层处理的输出向量。

隐含层各节点的输入可表示为

隐含层各节点的输出可表示为

输出层各节点的信息输入输出类似隐含层,也可用式(1)和式(2)来计算。

2 结构设计与网络训练

2.1 训练样本集的设定

大家都知道,评价一个训练好的BP神经网络性能的好坏,很大程度上取决于训练所用的样本集,样本集直接影响到网络学习训练的时间与效果。

对于一幅二值数字图像,0表示黑,1表示白,那么图像中的边缘产生于10或01交界处,根据这种特点,可以构造一个1×3的矩阵窗口A=[p1p2p3],根据图像中对应于p1,p2,p3的像素值来判断p2所对应的当前像素点是否为边界点,例如,输入的110,则期望输出的p2的对应像素值应为1。按照这种思想,可以构造8组三维的列向量(0 0 0)T,(0 0 1)T,(0 1 0)T,(0 1 1)T,(1 0 0)T,(1 0 1)T,(1 1 0)T,(1 1 1)T作为神经网络的输入训练样本,样本矩阵P如式(3)所示,对应每组的期望输出值组成的输出矩阵T如式(4)所示

2.2 结构设计

训练样本选定后,接着要确定BP神经网络的结构。结合实际需要,在此笔者采用三层的BP神经网络,此处的关键问题是如何设置合理的隐含层节点数。如果隐含层的节点数过多,容易造成训练学习时间过长,检测效果不佳;如果隐含层的节点数过少,网络输入输出的映射关系过于简单,无法达到训练要求,致使训练误差较大。常见的方法有以下3种[10]:

1)线性关系

式中,j为隐含层神经元的个数,i为输入层神经元个数。

2)指数关系

式中,i为输入层神经元个数,k为输出层神经元个数,a为0到10之间的常数。

3)对数关系

式中,i为输出层神经元个数。

结合前面所讲,已经得知输入层节点数为3,输出层节点数为1,根据式(6)可设置隐含层的节点数为3。最后得到BP神经网络的结构如图2所示。

2.3 训练网络

首先,应用newff()函数创建一个BP神经网络,设隐含层和输出层的传递函数均采用logsig。网络训练函数的选择也是个关键的问题,它决定了训练学习的时间和效果。常见的改进的BP神经网络的训练算法[11],主要有两类:一种是启发式学习算法,主要有附加动量梯度下降法,自适应学习速率的梯度下降法以及动量及自适应学习速率梯度下降法等;另一种是基于数值最优化理论的训练算法,主要有共轭梯度法,高斯-牛顿法和Levenberg-Marquardt方法(trainlm)等。

现设置网络权值与阈值的初始值都为0,训练要求精度设为0.000 1,最大迭代训练次数设为200。经多次实验,学习函数选择基于梯度下降及动量的方法learngdm,训练函数选择trainlm时,它的训练速度最快,用时不到1 s,性能最好。样本训练误差分析见表1,可见此时的训练误差已经非常小了。

3 图像边缘检测

经过上面的操作,经训练好了特定的BP神经网络,可以用它来完成图像的边缘检测,来观察网络性能和检测的效果。检测流程如图3所示。

3.1 二值图像的边缘检测

假设,用函数F(x,y)表示一幅待检测的数字图像,图4展示了图像中与当前像素点F(x,y)相邻的8邻域像素集合模板。可以构造一个1×3的窗口矩阵

或

作为已训练好的BP神经网络的输入信息,利用P1T完成待检测的二值图像水平和垂直方向边缘的检测,最后将两个方向的边缘检测结果合并成整幅图像的边缘。

设F表示原始图像,FH表示检测出的水平边缘图像,FV表示检测出的垂直边缘图像,FD表示由FH和FV合成的全边缘图像。部分核心代码如下:

3.2 灰度图像和彩色图像的边缘检测

对于简单的彩色图像的边缘检测,可以先将其转换为灰度图像,对于灰度图像的边缘检测,可以利用函数im2bw()先将待检测的灰度图像二值化(注意阈值的选择较重要),然后,按照处理二值图像的边缘检测方法对其进行处理。

4 实验结果分析与比较

本论文的实验实现部分基于MATLAB开发平台,通过实验我们得到检测效果如图5所示。图5a是原始图像,图5b是通过方法检测出的垂直边缘,图5c是通过该方法检测出的水平边缘,图5d是最终的全边缘效果图,图5e~5i是利用传统边缘检测[13]方法(Sobel算子,Roberts算子,Prewitt算子,Log算子以及Canny算子)检测出来的效果图。可以看出,同其他传统的边缘检测算子检测出的边缘相比,本论文所设计的检测方法能够很好地检测出图像的边缘,尤其是对弱边缘以及角点出边缘检测效果较好,检测精度较高,且边缘的连接性较好。正因边缘检测的细致,致使是对噪声较敏感,通过滤波方法,去澡后再进行边缘检测处理,效果很好,如图5j和图5k所示。

5 结束语

在现代的图像理论研究中,边缘检测的重要性越来越明显,能够找到一种更好的检测方法是许多研究者所期待的。神经网络自身具有自组织、自学习和自适应的特点,常用于处理复杂的非线性问题。本论文主要提出了一种基于图像边缘的特征和BP神经网络相结合的思想,针对二值图像提取了图像边缘的特征向量,作为训练样本,同时采用了基于梯度下降动量的学习函数和Levenberg-Marquardt训练函数对构造的BP神经网络进行训练,训练好的网络能够很好地完成图像的边缘检测。最后,通过和传统检测算子做比较,得出该方法检测速度快,对弱边缘和角点有很好的检测效果。另外,该网络的不足之处是对噪声点较敏感,可以先对原始图像进行除噪,然后再利用该网络进行边缘检测。图像边缘检测往往要几种方法相结合才能得出最佳效果,没有一种方法是万能的。希望本文的检测方法能够给研究者们提供一定的帮助。

摘要：主要立足于图像点处理与神经网络相结合的思想,提出了一种基于边缘点特征的BP神经网络图像边缘检测方法。利用提取出的图像边缘特征向量作为训练样本来训练BP神经网络,进一步完成图像边缘的检测。最后,通过实验与传统的边缘检测方法进行了对比,结果证明该方法检测的边缘轮廓清晰,检测速度较快,特别对含有弱边缘的图像能够更好避免漏检和伪边缘现象。

边缘智能网络篇7

针对成本敏感的端点应用, P 1 0 1 0处理器的频率可以高达8 0 0MHz, 但而运行功率可低至1.1W。该器件采用先进的端到端代码签名和入侵防御功能, 提供可靠的架构平台, 以防止软件入侵和软件克隆。

P1010处理器是QorIQ系列中第一款用来集成多个Flex CAN控制器的产品, 这些控制器允许OEM在工厂自动化系统中实施行业协议。此外, 它还组合了SD/MMC、2个PCI Express®控制器、2个SATA控制器及3个以太网控制器, 以满足NAS/DVR产品的性能和市场要求。

除工业、存储和消费应用外, P1010还非常适合成本敏感的SOHO路由器。该处理器采用软件快速通道加速技术为IPv4提供线速性能。

飞思卡尔副总裁兼网络处理器部总经理Brett Butler表示:“P1010是广泛的Qor IQ产品系列的最新成员, 从500 MHz的单核产品到2 GHz的多核处理器均包括在内。除了保持与PowerQUICC处理器的软件兼容性外, P1010还为QorIQ系列新增了一款特殊的多功能产品, 该产品将性能、更低的运行功率和安全性融为一身, 对成本敏感的市场十分具有吸引力。”

P1010的能效和大量集成外设组合可以大幅降低系统总成本。该器件采用小型 (19mm x19mm) 的425针脚TEPBGA1封装, 间距只有0.8mm, 因而支持小型的底层板卡, 并可减少总的占地空间。此外, 低功率的散热功能允许采用无风扇设计。串行接口缩小了板卡尺寸 (SGMII以太网控制器) , 16/32位DDR3存储控制器支持低功耗存储设计。

新QorIQ P1014可缩减更多成本

对于不需要安全启动和FlexCAN控制器的应用, 飞思卡尔还提供了P1010的简化版-QorIQ P1014处理器。P1014处理器包括一个16位DDR3内存控制器, 在单硬盘或双硬盘NAS、DVR以及通用控制应用具有明显的成本优势。

QorIQ P1010和P1014设备是飞思卡尔产品长期供货计划的一部分, 可确保10年的供货期。有关条款和条件信息, 请访问:www.Freescale.com/productlongevity.

开发工具

P1010RDB参考设计板采用P1010产品, 计划于2011年第一季度供货。面向新部件提供的软件和使能工具计划包括VortiQa安全软件, 可用于统一的威胁管理 (UTM) 解决方案、住宅网关/智能能源网关及可信任的签名解决方案端到端应用。同时, Enea®、Green Hills Software®、Mentor Graphics®及Wind River®等公司也会参与提供QorIQ新部件的高级开发解决方案。

供货情况

Qor IQ P1010和P1014产品的通用样本计划于2011年第一季度供货, 批量生产预计在2011年第四季度开始进行。

来自飞思卡尔合作伙伴的积极评价

Enea:Enea产品营销副总裁Marcus Hjortsberg表示:“工业、消费电子和其他市场对安全和能效的要求越来越严格, 飞思卡尔最新的QorIQ产品提供极具吸引力的功能, 有助于满足此要求。我们共同的客户期望Enea提供综合的开发解决方案, 以优化和释放QorIQ P1010和P1014产品的全部功能。”

Green Hills Software:Green Hills Software业务开发副总裁Dan Mender表示:“Green Hills赞赏飞思卡尔为解决低端、低功耗市场的安全需求所做的工作, 这些新QorIQ器件正是针对这些市场而推出的。结合我们经过安全性能验证的INTEGRITY RTOS产品, 客户能够部署先进的安全功能, 从而满足这些市场所面临的不断增长的设备安全性和可靠性要求。”

Mentor Graphics:Mentor Graphics嵌入式软件部开放源代码和工具解决方案主管Brad Dixon表示:“按照基于我们与飞思卡尔的战略联盟协议, Mentor Graphics致力于为QorIQ P1010和P1014客户提供Mentor嵌入式Linux和开发人员工具支持。这样我们共同的客户就能够轻松、可靠地为基于P1010和P1014安全关键应用提供具有时间和成本效益的创新产品。”

【边缘智能网络】推荐阅读：

边缘网络价值的思考06-19

边缘算法05-16

边缘特征05-30

边缘人05-30

边缘区域06-26

边缘地区07-24

边缘检测07-25

边缘融合09-05

边缘经济09-09

边缘学生10-27

>> 查看更多相关文档