摘要：为了解决移动边缘计算网络中计算资源日益紧缺的问题,设计了一种基于用户协作的边缘计算资源分配机制,充分利用用户之间的空闲计算资源,有效提升系统整体的数据处理性能。以最大化用户的效用函数为目标,将目标优化问题建模为一个关于用户任务卸载决策和本地计算通信资源的联合优化问题,并结合深度学习技术和凸优化理论,提出了一种混合深度学习-优化算法对目标问题进行求解。仿真结果表明,相较于对比算法,所提算法能使用户的效用提升至少85.4%,并能在亚秒级的时间内实现用户效用的近似最优化。

摘要：采用小样本学习技术设计了基于CSI的场景鲁棒性跌倒检测系统(FDFL,fall detection system based on few-shot learning)。现有基于Wi-Fi无线信道状态信息(CSI,channel state information)的跌倒检测方法跨场景应用性能退化明显,通常需要在每个应用场景采集并标记大量的CSI样本,给大规模部署造成极高的成本。为此,引入了小样本学习的方法,可以在陌生场景标注样本数量不足的情况下仍然保持高准确率的跌倒检测性能。所提FDFL主要分为源域的元训练和目标域的元学习两个阶段。源域的元训练阶段包含数据预处理和分类训练两个部分,数据预处理阶段将采集的原始CSI幅度和相位数据进行去噪、分段等操作;分类训练阶段利用大量处理好的源域数据样本训练一个基于卷积神经网络的CSI特征提取器。在目标域的元学习阶段,基于元训练模块中训练的特征提取器对目标域中采样的少量标注样本进行有效的特征提取,进而训练生成一个轻量型机器学习分类器对跨场景下的跌倒行为进行检测。通过多个不同场景下的实验,FDFL在只需要目标域少量样本下即可以实现对跌倒、坐着、步行、坐下的四分类任务达到95.52%的平均识别准确率,并且对测试环境、人员目标、设备位置等因素的变化保持鲁棒的检测准确性。