本技术属于人工智能技术领域,且公开了面向卫星智能决策的高效人工智能算法与系统,包括如下步骤:构建基于DNN模型轻量化的高能效边缘智能框架;使用预设损失函数进行训练,将教师模型的输出作为硬标签,distillation token的输出学习教师模型的网络信息,class token的输出与真实标签进行比较以计算交叉熵损失,缩小模型尺寸;设计基于异构计算的早退分支模块,利用模型的不确定性评估泛化能力、稳定性和可靠性,本发明在不牺牲模型性能的前提下,为资源有限的边缘设备设计了一个基于DNN模型轻量化的高能效边缘智能框架,该框架采用频域模型GFNet作为骨干网络,因其能学习频域中的长期空间依赖性且计算复杂度低,更加适合边缘设备。
背景技术
随着卫星的小型化与轻量化趋势的不断推进,卫星的计算能力经历了前所未有的飞跃。这一技术进步不仅拓宽了卫星应用的边界,还催生了轨道边缘计算(OEC)这一前沿的计算范式。在OEC框架下,卫星的角色发生了根本性转变,它们不再仅仅是信号传输的中转站,而是成为了网络架构中的关键边缘节点,直接参与到数据处理与计算任务的执行中。这一变革的核心在于,通过将计算资源部署在更接近数据源的位置,即地球轨道上,OEC能够即时处理来自各类空间传感器的海量数据,显著减少了数据传输的延迟,提升了整体网络的响应速度和通信效率。
然而,尽管OEC带来了诸多优势,卫星系统面临的能源挑战依然严峻。由于卫星运行于远离地球的太空环境中,其能量供应几乎完全依赖于太阳能板收集的能量和有限的电池储备。太阳光照强度的变化以及卫星运行轨道的特定条件,使得能源获取变得不稳定且有限。加之卫星平台对重量和体积的严格要求,电池组的容量被严格限制,进一步加剧了能源管理的难度。因此,如何在保证计算任务高效执行的同时,最大限度地节省能源消耗,成为了卫星技术发展中亟待解决的关键问题。
实现思路