[发明专利]基于维度最优转换的权值共享深度网络的实时调度方法

摘要

基于维度最优转换的权值共享深度网络的实时调度方法，包括：步骤1.获取采集实际调度场合的实时数据和调度数据作为训练数据；步骤2.对步骤1中获得的实时数据进行处理，处理成为满足深度网络输入的多层二维矩阵形式；步骤3.使用步骤2中的多层二维矩阵与步骤1中获得的调度数据分别作为深度网络的输入输出，对深度网络进行训练；步骤4.将步骤3中训练好的卷积神经网络，使用在实际的调度环境中；进行实际的网络调度。

主权项

1.基于维度最优转换的权值共享深度网络的实时调度方法，包括如下步骤：步骤1.获取采集实际调度场合的实时数据和调度数据作为训练数据；步骤2.对步骤1中获得的实时数据进行处理，处理成为满足深度网络输入的多层二维矩阵形式，所述实时数据进行处理具体包括：2.1实时数据的预处理，验证传感器采集的数据是否合理，并且使用0阶保持的原理对不合法的数据进行替代；2.2为了在深度网络训练时进行权值共享，对动态的历史采样数据进行卷积化组合；卷积化组合的具体步骤如下；A1.设步骤1中存在k个传感器，分别为S1,S2,…,Sk，第i个传感器在j时间下采集的数据为dij；A2.在处理过程中设置采样信号输入时间窗tw，根据经验参数tw＝10；在时间窗的限制下，得到数据输入矩阵Ds；有如下公式：式中dij都代表第i个传感器在j时刻采集地数值，每一行为一个调度传感器传来的采样参数，在tw的门限作用下j＝tw＝10；A3.建立如下的映射关系，通过以下两种方式产生多层二维矩阵形式；方法一：使用笛卡尔乘积运算将任意两个传感器采集的信号转换为多层二维矩阵M，数学描述如下；式中，c为二维矩阵的层数，Sp,Sq为序号为p和q传感器采集的数据像向量，由于受到了tw的影响，只取了10个与现在时刻最接近的十个值；如果不对M_c的层数进行丢弃，则c的最大层数满足公式组合数公式方法二：使用李萨如图方法，进行转化，步骤如下；T1.生成空白二维矩阵，维度为tw*twT2.依次将描绘出来得到矩阵M_c；式中c为二维矩阵的层数，S_p,S_q为序号为p和q传感器采集的数据像向量，由于受到了t_w的影响，只取了10个与现在时刻最接近的十个值；如不对M_c的层数进行丢弃，则c的最大层数满足公式组合数公式该步骤操作的结果为多层二维矩阵Mc；2.3多层二维矩阵的最大个数c是由组合数产生的，因此同样会产生组合爆炸的现象；为了遏制组合爆炸，使用最优化方法，结合传感器采集数据的实际意义的相关关系建立最优化组合链；确定链条长度的情况下，寻找链条的最大相关性；B1.对最优化方程进行数学描述，最优化的描述方程如下所示：式中E代表整个排列地总相关性，描述为R(l)地求和，R(l)为排列中每两个平面地相关性，i为相对地索引参数；B2.使用遗传算法求解该最优化问题得到最优化的多层二维矩阵Mc’，Mc’矩阵的维度是[n*10*10*c],其中n带便训练数据的个数；步骤3.使用步骤2中的多层二维矩阵与步骤1中获得的调度数据分别作为深度网络的输入输出，对深度网络进行训练；3.1使用步骤2中处理好的最优化多层二维矩阵Mc’作为输入矩阵，使用步骤1中采集的控制矩阵B作为标签矩阵带入卷积神经网络进行训练；训练的过程可以在开源神经网络平台karas进行；卷积神经网络的训练流程如下：卷积神经网络CNN是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现；它包括卷积层和池化层；一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征；一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等；特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性；此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数；卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率；3.2 CNN的训练步骤如下：输入训练集对于训练集中的每个样本Mc’，设置输入层Input layer对应的激活值a1：3.2.1输入数据的前向传播，前向传播满足公式如下所示：zl＝wlMc'+bl,al＝σ(zl)   (3)式中，zl为向下一级传输的信息，wl为神经网络的权值，al为网路的偏置，σ(zl)为非线性的神经元处理；卷积网络通过共享权值的卷积核进行权值的设定，在本发明中不做详细介绍；3.2.2计算输出层产生的误差，误差满足如下公式：δ^L为网络的最终输出与标签的错误误差，为梯度算子，C⊙σ'(z^L)代表在输出层得目标输出与模型计算输出得差距；3.2.3计算每一层的反向传播误差，反向传播的误差满足如下公式：δl＝((wl+1)Tδl+1)⊙σ'(zl)   (5)δl为使用δL计算的向前传递的每层误差，l为层数；3.2.4使用梯度下降进行训练，训练使用的方法满足如下公式：式中η为收敛步长，m为使用数据得个数，δx,l(ax,l‑1)T为每次迭代得到得梯度方向，该公式描述了权值的改变的方式；步骤4.将步骤3中训练好的卷积神经网络，使用在实际的调度环境中；进行实际的网络调度。