摘要:为满足复杂车辆任务在时延、能耗和计算性能方面的要求，同时减少网络资源的竞争和消耗，设计了一种基于车载边缘计算(VEC)的任务卸载策略，以最小化任务处理延迟和能源消耗之间平衡的长期成本为目标，将车联网中的任务卸载问题建模为马尔可夫决策过程(MDP)，提出了在传统双延时深度确定性策略梯度(TD3)的基础上，利用长短期记忆网络(LSTM)来逼近策略函数和价值函数，将系统状态进行归一化处理以加速网络收敛并增强训练稳定性的改进算法(LN-TD3)。仿真结果表明，LN-TD3性能与全部本地计算和全部卸载计算相比提高了两倍以上；收敛速度上与深度确定性策略梯度DDPG、TD3相比提高了约20%。

摘要:针对现有目标检测算法难以满足无人机遥感中实时检测的问题，提出了一种基于ShuffleNetv2及结构化剪枝的模型压缩方法。以YOLOv5m为基础，将ShuffleNetv2模型作为YOLOv5m的主干网络，减少模型的参数量及计算量，提升模型推理速度；其次，利用ECA注意力机制替换ShuffleNetv2中的SE模块，强化主干网络的特征提取能力；再者，以FocalEIoU作为YOLOv5算法的损失函数，提升模型的回归能力；最后，利用通道剪枝算法剔除Neck结构中冗余的参数，进一步压缩模型的参数及计算量，并通过模型微调的方式提升剪枝模型的精度。实验结果表明，在相同的测试环境下，与YOLOv5m相比，本文所提出模型的参数量及浮点运算量分别降低了86.3%和80.0%，mAP@0.5和mAP@0.5:0.95达到了92%及50.4%，优于所对比的其他主流检测算法。此外，所提出的模型在AGX边缘计算平台上达到了35帧/s的检测速度，满足实时检测的要求。

摘要:本研究旨在解决管道振动实时测量数据庞大、传输时延长以及计算资源浪费等问题。通过采用边缘计算理论，将数据计算步骤前置至设备附近，以加速状态监测感知速度，同时优化计算资源的利用。详细介绍了边缘计算感知系统的总体功能框架、设备硬件设计方法和振动信号转化算法。该系统包括边缘计算设备和数据集中设备两部分，前者布置在机械振源位置，实时分析处理大量冗余数据；后者通过无线信号与多台边缘计算设备通信，将汇总信息投影至运维终端。以调相机管道振动实验为例，本研究发现，基于边缘计算的结构振动感知技术能够准确识别管道在64、115和279 Hz时的异常振动现象。通过指导减振器的使用，最终将管道的最高振动幅值由068 m·s-1降低至00016 m·s-1，取得了显著的减振效果，充分展示了其工程实用价值。

摘要:针对深度强化学习在边缘计算环境下的多目标任务调度时存在优化效果差等问题，提出了一种新的基于改进的竞争深度双Q网络的多目标任务调度算法(IMTS-D3QN)。首先将深度双Q网络对目标中的最大操作分解为动作选择和动作评估，以消除过高估计；采用立即奖励经验样本分类方法，对经验样本按照重要性程度分类存储，训练时选取更多重要性程度高的经验样本，提高了实际样本的利用率，加快了神经网络的训练速度。然后，通过引入竞争网络结构对神经网络进行优化。最后，采用软更新方法提高算法的稳定性，并采用动态ε贪婪指数递减法寻找最优策略。通过不同线性加权组合得出帕累托最优解，达到响应时间和能耗最小化。实验结果表明，IMTS-D3QN算法与其他算法相比，在不同任务数下响应时间与能耗上具有明显的优化效果。

摘要:针对边缘计算设备算力和存储空间有限的问题，提出了一种基于YOLOX改进的轻量级人体跌倒检测算法。首先采用GhostNet中的Ghost模块降低YOLOX中Neck和Prediction层的卷积参数冗余；其次，在Neck层中添加坐标注意力机制，增强关键信息提取能力，减少背景带来的噪音影响；最后，针对轻量级模型检测头检测能力不足问题，引入辅助头模块以加强轻量检测头的学习能力。通过算法检测性能以及在边缘计算端NVIDIA Jetson Xavier NX运行实验，结果显示，所提模型的mAP@05达到849%，且模型大小为256 MB。相较于YOLOX模型，仅以牺牲少量推理速度提升了46%的检测精度，减少了254%的模型大小，另外与一些主流目标检测算法相比，也具有一定的优越性。这些结果表明所提模型能够更好地满足边缘计算设备在人体跌倒检测中对轻量化和准确性的需求。

摘要:边缘计算在物联网领域有着广阔的应用前景，尤其是智能配电网中的电缆实时在线监测业务。然而，由于边缘节点的资源和能力相对有限，难以高度全面地满足电缆在线监测任务的高实时性要求。对此，本文提出了一种基于边缘计算的有线实时在线监测业务任务分配机制，在有效利用和优化边缘节点的资源和能力的基础上，进行动态任务分配。考虑到配网的线性分布特性、边缘节点状态、任务处理开销以及延迟敏感任务的调度策略，建立了基于边缘计算的任务分配模型。其次，提出了一种基于任务分配策略的优化方法。仿真结果表明，本文所提出的任务分配机制能够有效降低配网有线实时在线监测业务的平均延迟，进一步提高智能配网的安全性和可靠性。