[发明专利]基于边缘容器的电碳计算智能融合终端及时间同步方法

权利要求书

1.基于含边缘容器的智能融合终端的电碳计算时间同步方法，其特征在于，其包括：

S1获得系统的拓扑信息，其中，所述拓扑信息包括信道状态信息及包含所述智能融合终端与传感设备及边缘服务器之间的连接关系的拓扑连接矩阵；

S2根据所述拓扑信息，通过优化运行方法对各传感设备进行同步授时，使各传感设备具有时间一致性；

S3在获得时间一致性后，获得电碳信息任务卸载策略和电碳计算资源分配方案，由所述传感设备根据电碳信息任务卸载策略进行计算信息卸载，由边缘服务器根据电碳计算资源分配方案分别完成被分配的计算资源，获得低时延的电碳计算结果；

其中，所述优化运行方法通过求解以下优化问题得到：(1)最小化每次迭代的平均时间同步累计误差；(2)最小化电碳计算总时延。

2.根据权利要求1所述的电碳计算时间同步方法，其特征在于，其中，所述拓扑信息由SOM网络和BP网络组成的双层神经网络获得，所述双层神经网络包括：由SOM网络形成的、实现有效数据分类筛选的第一层神经网络和由BP网络形成的、根据所述第一层神经网络得到的有效数据进行拓扑感知的第二层神经网络；其中，SOM网络包括输入层和竞争层即其输出层，BP网络包括隐藏层和输出层；通过该双层神经网络获得所述拓扑信息的过程包括：

基于含有正常数据样本组及异常数据样本组标记的历史电气数据库数据样本组训练所述第一层神经网络；

将当前时隙所接收到的传感设备的全部电气数据样本输入训练完成的第一层神经网络进行分类，并将分类为异常样本组的数据进行剔除；

将分类为正常数据样本组的数据输入第二层神经网络进行当前时隙下拓扑连接关系的感知，并不断调整提高第二层神经网络的拓扑感知精准度，至获得高精准度的第二层神经网络；

通过所得高精准度第二层神经网络根据所述正常数据样本组的数据输出拓扑信息。

3.根据权利要求2所述的电碳计算时间同步方法，其特征在于，其中，所述分类包括：

(1)在所述SOM神经网络的当前迭代中，通过判断与其输入层神经元的欧式距离最小的方式判断其竞争层中的获胜神经元，其中所述欧氏距离通过以下计算式得到：

其中，w_i,j(e)表示当前第e次迭代中，输入层神经元i与竞争层神经元j之间的连接权重；y_i(e)表示电气数据样本组y_n(t)＝ν,θ的输入向量Y＝(y₁(e),...,y₂(e),...,y_n(e))^T中第i个元素，ν表示设备运行电压相位角数据样本组，θ表示设备运行注入功率数据样本组，e表示SOM神经网络进行分类时的迭代次数集合E＝(1,...,e,...,E)^T中的第e次迭代，Ε表示总迭代次数，T表示转置；

(2)获得获胜神经元后，在迭代中不断调整输入层神经元i与竞争层神经元j之间的连接权重，如下：

w_i,j(e+1)＝w_i,j(e)+χ(e)h(e)(y_i,t-w_i,j(e))   (14)

其中，0＜χ(e)＜1为学习速率函数；h(e)为与数据半径相关的邻域函数，其数值随时间而衰减；

重复迭代过程，直至神经网络学习速率降为0，得到所有传感设备的电气数据样本组的数据半径，将其中超出数据半径约束r_min的数据样本组标记为异常数据进行剔除。