利用边缘计算硬件控制混沌
在这项研究中,我们将非线性控制与洪流计算的方法相结合,成功地实现了对混沌系统的控制,包括在不稳定的吸引子之间控制系统、将系统稳定在高阶周期轨道上以及将系统控制到特定轨迹,该控制器具有出色的性能,仅需 10 个数据点进行训练,可以在单次迭代中实现对系统的控制,并且对噪声和建模误差具有鲁棒性。
Jul, 2023
应用机器学习控制混沌参数 Lorenz 系统,研究表明下一代水库计算在数据有限的情况下可以显著优于传统水库计算,并在实际控制应用中具有进一步潜力。
Jul, 2023
利用混沌非线性吸引子实现低功耗的模拟计算方法,作为机器学习任务的通用平台提供卓越的性能,能够以毫瓦级功率与当前机器学习技术媲美,适用于聚类、回归和分类学习任务。
Sep, 2023
基于深度强化学习和边缘计算的优化控制系统,通过云边协同合作,在边缘部署轻量级策略网络,预测系统状态,以高频输出控制,实现对工业目标的监控和优化,并设计了动态资源分配机制,确保边缘计算资源的合理调度,实现全局优化,证明了该方法减少了云边通信延迟,加速对异常情况的响应,降低系统故障率,延长设备平均运行时间,节省了人工维护和更换的成本,从而确保了实时和稳定的控制。
Feb, 2024
本文通过云计算和机器学习的方式探讨了如何推动智能物联网监控和控制。通过将物联网和边缘计算相结合,可以降低延迟、提高效率和增强安全性,从而推动智能系统的发展。论文还介绍了物联网监控和控制技术的发展、边缘计算在物联网监控和控制中的应用以及机器学习在数据分析和故障检测中的作用。最后,通过实际案例和实验研究展示了智能物联网监控和控制系统在工业、农业、医疗等领域的应用和效果。
Mar, 2024
通过利用边缘计算方法,使用自主算法来优化存储具有更大预测误差的训练样本,解决电力电子变换器可靠性的问题,并在自动感知条件监测系统中进行了实证研究,结果显示与在线训练等等效模型相比,预测准确性和训练速度都有显著改善。
Dec, 2023
本研究证明,水库计算机是一种有效的无模型预测确定性混沌系统中极端事件的工具。通过在预期极端事件之前的某些时刻对系统施加弱控制扰动,我们可以抑制不良的极端事件。本文在全球耦合的 FitzHugh-Nagumo 神经元系统和两个几乎相同的单向耦合混沌振荡器系统中展示了这种预测和预防策略的有效性。
Feb, 2020
在极端实验环境下,通过开发和验证可靠的算法,解决了 ML 边缘处理中的验证挑战,包括在实验软件框架中实现比特精确的性能验证,验证在极端量化和修剪下的 ML 模型的稳健性,以及实现高精度的模型检查以实现高效容错。该研究探讨了开发强健算法的方法,提出了初步结果和缓解策略,并展望未来研究的方向,致力于实现加速科学发现的自主科学实验方法的长远目标。
Jun, 2024