【技术实现步骤摘要】
本专利技术涉及遥感数据处理，尤其涉及一种面向低轨卫星集群的深度神经网络协同推理方法及系统。
技术介绍
1、卫星遥感作为获取地表数据的一种重要方法，具有不受区域限制、覆盖范围广、观测周期长、数据客观性强等特点，广泛应用于农业、气象观测、军事和国防等领域。而对遥感图像中的关键信息进行快速推理、识别是上述应用的基础。随着硬件设备的发展，卫星普遍具有一定的在轨处理能力，但是受体积和成本限制，卫星的计算、存储、网络等资源有限，仍难以满足在轨任务的处理需求。
2、目前，主要采用以下两种方式对遥感图像数据进行推理识别：第一种是基于地面云计算中心的推理方式，也是目前常用的卫星在轨数据处理方式。具体地，由于地面云计算中心拥有强大的算力资源和存储资源，通过星地链路将卫星的遥感图像数据下传至地面云计算中心，直接由地面云计算中心对遥感图像数据进行处理。第二种是基于星地云边协同的推理方式，该方式为利用星上计算资源、地面云计算中心资源和星地之间通信链路进行的协同处理方式。具体地，利用星上资源处理部分数据，将剩余数据通过星地链路下传至地面云计算中心进行处理。
3、然而，由于遥感图像数据量通常较大，若将所有数据或大部分数据下传至地面云计算中心，会占用过多的带宽资源，浪费星地通信资源；并且，由于卫星仅在过境时才能与地面云计算中心建立星地链路，星地间传输时延较大，且存在星地链路不稳定的现象，不利于时间敏感性任务和实时性任务的执行。
技术实现思路
1、为解决上述现有技术中存在的部分或全部技术问题
2、本专利技术的技术方案如下：
3、第一方面，提供了一种面向低轨卫星集群的深度神经网络协同推理方法，所述方法包括：
4、获取遥感图像；
5、主卫星采集低轨卫星集群中各个卫星的资源状态参数信息，将资源状态满足预设阈值条件的其他卫星作为从卫星，采集每个从卫星上配置的深度神经网络模型的参数信息，所述主卫星表示获取遥感图像的低轨卫星；
6、所述主卫星根据遥感图像大小信息、协同卫星的资源状态参数及协同卫星上配置的深度神经网络模型的参数信息，构建协同推理负载分配优化模型，所述协同卫星包括所述主卫星和所述从卫星；
7、所述主卫星求解协同推理负载分配优化模型，得到每个协同卫星对应的负载尺寸信息；
8、所述主卫星根据协同卫星对应的负载尺寸信息，对遥感图像进行切分，得到每个协同卫星对应的遥感图像分块数据，分别将遥感图像分块数据发送至对应的协同卫星以使协同卫星调用其上的深度神经网络模型对遥感图像分块数据进行推理并将推理结果发送至所述主卫星，所述主卫星聚合所有遥感图像分块数据的推理结果，得到遥感图像的推理结果。
9、在一些可选的实施方式中，所述卫星的资源状态参数信息包括：cpu的周期数和频率、内存空间、数据计算功率、数据传输功率、数据传输速率、资源状态参数的采集时间。
10、在一些可选的实施方式中，所述深度神经网络模型为卷积神经网络模型，所述深度神经网络模型的参数信息包括：层数和每层的配置参数；
11、每层的配置参数包括：卷积核尺寸、输入通道数、输出通道数、卷积步长、卷积补充数据尺寸。
12、在一些可选的实施方式中，构建的所述协同推理负载分配优化模型表示为：
13、mint
14、e≤emax
15、ai≥pi+1,i∈n
16、subject toai≥0,ai∈z,i∈n
17、∑i∈nai＝h
18、rli≤mi,i∈n,l∈m
19、其中，t表示协同推理总时延，e表示协同推理总能耗，emax表示预设的能耗阈值，ai表示第i个协同卫星对应的负载尺寸，pi+1表示第i+1个协同卫星的卷积补充数据尺寸，n＝{1,2,…,n}，n表示协同卫星的总数，z表示整数集，h表示遥感图像的高度尺寸，rli表示第i个协同卫星的深度神经网络模型第l层的计算负载数据量，mi表示第i个协同卫星的可用内存空间，m＝{1,2,…,l}，l表示深度神经网络模型总层数。
20、在一些可选的实施方式中，所述协同推理总时延通过以下公式计算：
21、
22、其中，表示第i个协同卫星的深度神经网络模型第l层的计算时延，表示第i个协同卫星的深度神经网络模型第l层的通信时延，ρi表示第i个协同卫星用于处理数据的cpu周期数，fi表示第i个协同卫星用于处理数据的cpu频率，bi,i表示第i个协同卫星的数据传输速率，pli表示第i个协同卫星的深度神经网络模型第l层的卷积补充数据尺寸，bi,i+1表示第i个协同卫星和第i+1个协同卫星之间的数据传输速率。
23、在一些可选的实施方式中，所述协同推理总能耗通过以下公式计算：
24、
25、其中，表示第i个协同卫星的深度神经网络模型第l层的计算能耗，表示第i个协同卫星的深度神经网络模型第l层的通信能耗，表示第i个协同卫星的数据计算功率，表示第i个协同卫星的数据传输功率。
26、在一些可选的实施方式中，根据协同卫星对应的负载尺寸信息，对遥感图像进行切分，得到每个协同卫星对应的遥感图像分块数据，包括：
27、根据各个协同卫星对应的负载尺寸大小，确定各个协同卫星对应的负载分配比例，按照负载分配比例沿遥感图像的高度边缘对遥感图像进行切分，得到每个协同卫星对应的遥感图像分块数据。
28、第二方面，还提供了一种面向低轨卫星集群的深度神经网络协同推理系统，能够配置在低轨卫星上，包括：
29、图像获取模块，用于获取遥感图像；
30、信息采集模块，用于采集低轨卫星集群中各个卫星的资源状态参数信息，将资源状态满足预设阈值条件的卫星作为从卫星，采集每个从卫星上配置的深度神经网络模型的参数信息；
31、建模模块，用于根据遥感图像大小信息、协同卫星的资源状态参数及协同卫星上配置的深度神经网络模型的参数信息，构建协同推理负载分配优化模型，协同卫星包括主卫星和从卫星，所述主卫星为配置所述系统的低轨卫星；
32、负载分配求解模块，用于求解协同推理负载分配优化模型，得到每个协同卫星对应的负载尺寸信息；
33、协同推理执行模块，用于根据协同卫星对应的负载尺寸信息，对遥感图像进行切分，得到每个协同卫星对应的遥感图像分块数据，聚合所有遥感图像分块数据的推理结果，得到遥感图像的推理结果。
34、本专利技术技术方案的主要优点如下：
35、本专利技术的面向低轨卫星集群的深度神经网络协同推理方法及系统能够对星上资源进行有效整合，实现星间协同推理，可充分利用星上资源，实现遥感图像数据的星上处理，避免星地链路不稳定、传输时间长等问题，满足时间敏感性任务和实时性任务的执行需求；能够根据星上资源状态进行遥感图像数据的自适应负载分配优化，可适应于星上计算能力和本文档来自技高网...
【技术保护点】
1.一种面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，包括：
2.根据权利要求1所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，所述卫星的资源状态参数信息包括：CPU的周期数和频率、内存空间、数据计算功率、数据传输功率、数据传输速率、资源状态参数的采集时间。
3.根据权利要求2所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，所述深度神经网络模型为卷积神经网络模型，所述深度神经网络模型的参数信息包括：层数和每层的配置参数；
4.根据权利要求3所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，构建的所述协同推理负载分配优化模型表示为：
5.根据权利要求4所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，所述协同推理总时延通过以下公式计算：
6.根据权利要求5所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，所述协同推理总能耗通过以下公式计算：
7.根据权利要求1-6中任一项所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，根据协
8.一种面向低轨卫星集群的深度神经网络协同推理系统，其特征在于，能够配置在低轨卫星上，包括：
...【技术特征摘要】
1.一种面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，包括：
2.根据权利要求1所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，所述卫星的资源状态参数信息包括：cpu的周期数和频率、内存空间、数据计算功率、数据传输功率、数据传输速率、资源状态参数的采集时间。
3.根据权利要求2所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，所述深度神经网络模型为卷积神经网络模型，所述深度神经网络模型的参数信息包括：层数和每层的配置参数；
4.根据权利要求3所述的面向低轨卫星集群的深度神经网络协同推理方法，其特征在于，构建的所述协同推...
【专利技术属性】
技术研发人员：汤敏，张飞，曹璐，覃江毅，闫斌，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。