1.端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，應(yīng)用于端邊云協(xié)同智能系統(tǒng)中，所述端邊云協(xié)同智能系統(tǒng)包括云服務(wù)器以及與云服務(wù)器連接的若干個(gè)邊緣節(jié)點(diǎn)，每個(gè)所述邊緣節(jié)點(diǎn)連接區(qū)域內(nèi)的若干個(gè)端設(shè)備，所述方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，所述統(tǒng)計(jì)距離的計(jì)算公式如下：
3.根據(jù)權(quán)利要求1所述的端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，根據(jù)選擇的樣本和因果不變性學(xué)習(xí)機(jī)制對(duì)本地模型進(jìn)行優(yōu)化更新，具體包括如下步驟：
4.根據(jù)權(quán)利要求1所述的端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，邊緣節(jié)點(diǎn)進(jìn)行資源狀態(tài)預(yù)測(cè)和作業(yè)調(diào)度，具體包括如下步驟：
5.根據(jù)權(quán)利要求4所述的端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，所述根據(jù)預(yù)測(cè)模型的輸出結(jié)果和作業(yè)請(qǐng)求的集合采用貝葉斯優(yōu)化和貪心構(gòu)造算法，動(dòng)態(tài)調(diào)整作業(yè)的優(yōu)先級(jí)和資源的分配，具體包括如下步驟：
6.根據(jù)權(quán)利要求1所述的端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，以端設(shè)備的本地模型為教師模型，通過知識(shí)蒸餾技術(shù)從所述教師模型中提煉出關(guān)鍵表示，形成輕量級(jí)的端側(cè)學(xué)生模型，其端設(shè)備蒸餾損失函數(shù)如下所示：
7.根據(jù)權(quán)利要求6所述的端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，還包括如下步驟：端側(cè)學(xué)生模型和邊緣側(cè)學(xué)生模型在蒸餾訓(xùn)練階段采用多分支網(wǎng)絡(luò)結(jié)構(gòu)和隨機(jī)增強(qiáng)輸入來提升訓(xùn)練效率，具體如下：
8.根據(jù)權(quán)利要求6所述的端邊云協(xié)同智能系統(tǒng)中的自適應(yīng)資源優(yōu)化與模型泛化方法，其特征在于，還包括引入時(shí)間均值模型，通過時(shí)間均值模型在訓(xùn)練過程中不斷更新端側(cè)學(xué)生模型參數(shù)的指數(shù)移動(dòng)平均值，公式如下：