买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种基于自动机器学习的边缘计算模型训练方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115687930B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211446841.6，技术领域涉及：G06F18/214；该发明授权一种基于自动机器学习的边缘计算模型训练方法是由林伟伟;周智勇;沈王博设计研发完成，并于2022-11-18向国家知识产权局提交的专利申请。

本一种基于自动机器学习的边缘计算模型训练方法在说明书摘要公布了：本发明公开了一种基于自动机器学习的边缘计算模型训练方法，包括以下步骤：在边缘服务器训练计算模型前获取当前的计算任务信息和服务器计算资源情况；通过NASNeuralArchitectureSearch根据计算任务信息和计算资源情况，对自动机器学习算法的超参数进行学习和约束；在确定自动机器学习算法的超参数后，通过自动机器学习算法根据输入数据自动训练出最优的计算模型。与当前边缘服务器上的计算模型不同，本方法的模型采用了自动机器学习技术，可以减轻模型开发和维护成本，在自动生成模型时考虑到边缘服务器的异构性、资源有限性以及计算任务对计算时延的要求问题，使生成的计算模型更具有泛化能力。

本发明授权一种基于自动机器学习的边缘计算模型训练方法在权利要求书中公布了：1.一种基于自动机器学习的边缘计算模型训练方法，其特征在于，包括以下步骤： 步骤1：边缘服务器在训练计算模型之前，获取当前任务队列中每个计算任务的信息矩阵Job，以及当前服务器的计算资源矩阵Source； 所述计算任务的信息矩阵Job的属性特征包括：计算任务在不同计算芯片上运行所需的大概时间、计算任务在不同计算芯片上运行所造成的大概能耗、计算任务在不同计算芯片上运行所需的计算节点数量、计算任务的计算时延要求； 所述服务器的计算资源矩阵Source的属性特征包括不同计算芯片上空闲计算节点情况、不同计算芯片上的空闲计算内存、当前时段的平均能耗； 步骤2：将计算任务的信息矩阵x1＝Job与服务器的计算资源矩阵x2＝Source组成X＝{x1，x2}，将X作为后续神经网络模型的输入； 所述神经网络模型是以历史计算任务的信息矩阵Job和边缘服务器的计算资源矩阵Source作为输入，自动机器学习算法的超参数Hyperparameters作为输出，采用交叉熵损失作为损失函数，通过NAS使用进化算法、贪婪算法或网格搜索算法自动训练得到的； 通过人为初始化所述NAS的超参数Pipeline和RandomSeed，从初始种子出发，不断改变网络结构和权重参数，直至到达约束的模型大小，过程中得到各种模型，根据模型得分选出最优模型； 其中，神经网络架构搜索的超参数的特征属性包括：约束最终模型结构大小和规模的超参数Pipeline；加速模型优化的模型初始种子参数RandomSeed； 步骤3：将步骤2中的X输入到已经训练好的神经网络模型，最后神经网络模型输出自动机器学习算法的超参数Hyperparameters； 步骤4：根据步骤3中的超参数Hyperparameters，设置好自动机器学习算法的超参数，然后使用输入数据通过自动机器学习算法自动训练出最优机器学习计算模型Bestmodel。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510000 广东省广州市天河区五山路；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。