基于卫星通信分布式运算系统的人工智能方法及装置

摘要

本申请公开了一种基于卫星通信分布式运算系统的人工智能方法及装置，方法包括：终端设备响应于用户构建人工智能模型的操作，生成与人工智能模型对应的模型信息；终端设备响应于用户在各个地面站之间进行运算配置的操作，将人工智能模型单元划分为多个人工智能模型单元，并生成相应的运算配置信息，其中地面站通过卫星与终端设备交互，并且运算配置信息指示人工智能模型单元在各个地面站之间的分配；终端设备将运算配置信息通过卫星发送至地面站；以及地面站根据接收的运算配置信息，构建与运算配置信息对应的人工智能模型单元。从而通过以上方式，可以为位于偏远地区且无法与互联网建立连接的用户也提供人工智能服务。

权利要求

1.一种基于卫星通信分布式运算系统的人工智能方法，其特征在于，包括：终端设备响应于用户构建人工智能模型的操作，生成与所述人工智能模型对应的模型信息；

终端设备响应于用户在各个地面站之间进行运算配置的操作，将所述人工智能模型划分为多个人工智能模型单元，并生成相应的运算配置信息，其中所述地面站通过卫星与所述终端设备交互，并且所述运算配置信息指示所述人工智能模型单元在所述各个地面站之间的分配；

终端设备将所述运算配置信息通过卫星发送至所述地面站；

地面站根据接收的运算配置信息，构建与所述运算配置信息对应的人工智能模型单元，其中还包括：

终端设备从所述卫星获取与所述各个地面站对应的运行参数；

终端设备利用预先设置的神经网络模型，根据所述运行参数，确定能够承接与所述人工智能模型相关的运算任务的目标地面站；以及将与所述目标地面站关联的标识显示在用于进行运算配置的第二图形用户界面。

2.根据权利要求1所述的方法，其特征在于，终端设备响应于用户构建人工智能模型的操作，生成与所述人工智能模型对应的模型信息的操作，包括：终端设备显示用于构建和编辑所述人工智能模型的第一图形用户界面；以及终端设备响应于用户在所述第一图形用户界面构建所述人工智能模型的操作，生成与所述人工智能模型对应的模型信息。

3.根据权利要求2所述的方法，其特征在于，终端设备响应于用户在各个地面站之间进行运算配置的操作，将所述人工智能模型划分为多个人工智能模型单元，并生成相应的运算配置信息的操作，包括：终端设备显示所述第二图形用户界面；

终端设备响应于用户在所述第二图形用户界面将所述人工智能模型划分为所述多个人工智能模型单元的操作，生成与所述人工智能模型单元对应的模型单元信息；以及终端设备响应于用户在所述第二图形用户界面将所划分的模型单元与相应的地面站关联的配置操作，生成所述运算配置信息。

4.根据权利要求1所述的方法，其特征在于，还包括：

终端设备响应于用户对所述人工智能模型进行训练的触发操作，将对所述人工智能模型进行训练的训练指令通过所述卫星发送至所述地面站；

地面站根据所述训练指令获取用于对所述人工智能模型进行训练的训练样本；以及地面站利用所述训练样本对所述人工智能模型进行训练。

5.根据权利要求1所述的方法，其特征在于，还包括：

终端设备响应于用户确定待处理数据对象的触发操作，确定所述待处理数据对象；

终端设备通过所述卫星将所述待处理数据对象发送至所述地面站；以及地面站利用所述人工智能模型对所述待处理数据对象进行处理。

6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至5中任意一项所述的方法。

7.一种基于卫星通信分布式运算系统的人工智能装置，其特征在于，包括：模型信息生成模块，用于通过终端设备响应于用户构建人工智能模型的操作，生成与所述人工智能模型对应的模型信息；

运算配置信息生成模块，用于通过终端设备响应于用户在各个地面站之间进行运算配置的操作，将所述人工智能模型划分为多个人工智能模型单元，并生成相应的运算配置信息，其中所述地面站通过卫星与所述终端设备交互，并且所述运算配置信息指示所述人工智能模型单元在所述各个地面站之间的分配；

配置信息发送模块，用于通过终端设备将所述运算配置信息通过卫星发送至所述地面站；

模型单元构建模块，用于通过地面站根据接收的运算配置信息，构建与所述运算配置信息对应的人工智能模型单元，其中装置还包括：

运行参数获取模块，用于通过终端设备从卫星获取与各个地面站对应的运行参数；

目标地面站确定模块，用于通过终端设备利用预先设置的神经网络模型，根据运行参数，确定能够承接与人工智能模型相关的运算任务的目标地面站；以及第二图形用户界面生成模块，用于通过终端设备将与目标地面站关联的标识显示在用于进行运算配置的第二图形用户界面。

8.根据权利要求7所述的装置，其特征在于，模型信息生成模块，包括：第一图形用户界面子模块，用于通过终端设备显示用于构建和编辑所述人工智能模型的第一图形用户界面；以及模型信息生成子模块，用于通过终端设备响应于用户在所述第一图形用户界面构建所述人工智能模型的操作，生成与所述人工智能模型对应的模型信息。

9.根据权利要求8所述的装置，其特征在于，运算配置信息生成模块，包括：第二图形用户界面子模块，用于通过终端设备显示用于进行运算配置的第二图形用户界面；

模型单元信息生成子模块，用于通过终端设备响应于用户在所述第二图形用户界面将所述人工智能模型划分为所述多个人工智能模型单元的操作，生成与所述人工智能模型单元对应的模型单元信息；以及运算配置信息生成子模块，用于通过终端设备响应于用户在所述第二图形用户界面将所划分的模型单元与相应的地面站关联的配置操作，生成所述运算配置信息。

说明书

基于卫星通信分布式运算系统的人工智能方法及装置

技术领域

[0001] 本申请涉及卫星数据传输领域，特别是涉及一种基于卫星通信分布式运算系统的人工智能方法及装置。

背景技术

[0002] 随着卫星技术的发展，基于卫星的分布式运算业务将会得到大力的发展。通过该业务，位于边远地区的用户即便不能通过互联网和云平台提供运算服务，也可以通过基于卫星的分布式运算获得想要的运算服务。

[0003] 目前，越来越多的平台向用户提供人工智能以及深度学习服务，从而用户可以通过登录该平台，搭建自己的人工智能架构，并利用样本进行训练。但是，当用户处于偏远地区从而不能与互联网联通，进而无法与提供人工智能服务的云平台通信时，也就无法获得人工智能服务。

[0004] 尽管已经提出了基于卫星的分布式运算系统，但是基于卫星的分布式运算系统是基于多个卫星的并行运算实现的。但是对于深度学习等人工智能模型来说，模型的规模越来越大，单个卫星很难完成人工智能模型的训练工作。因此使得偏远地区的用户，无法从基于卫星的分布式运算系统获得人工智能服务。

[0005] 公开号为CN105282038A，名称为用于移动卫星网络中基于稳定性分析的分布式星群组优化方法。初始阶段，利用链路时延和业务流量作为链路重要性的衡量指标，选取中心节点，结合最短路径算法和最小生成树算法重构接入因子，对节点链路重要性进行评估，构建初始网络；然后，基于业务流量对网络进行局部优化，以开销矩阵和需求矩阵作为优化条件，对网络中各链路的评价参数进行修正，构造平衡因子调节接入优先级，将优先链路接入网络；最后，基于稳定性进行全局优化，在逐步接入链路的同时，对网络业务更新，通过循环控制机制使分布式网络达到稳定性阈值。

[0006] 公开号为CN103634842A，名称为一种分布式卫星网络群间路由方法。包括：当分布式卫星网络中源卫星群存在数据需要发送时，将路由请求发送到分布式网络中的各自卫星群的主星处；路由请求每到达一个卫星群主星时，收集卫星的信息，以及AODV路由协议中信息素值；根据下一跳选择算法，计算路由请求将要发送到各个卫星的概率，从各个卫星中，根据计算的各个卫星概率，选择发送路由请求的下一跳卫星；每经过一个卫星，根据链路时延和链路可用带宽，更新局部信息素，根据局部信息素，选择发送路由请求的下一跳卫星；当目的卫星收到路由请求后，产生路由回复，从而建立源卫星和目的卫星之间的反向路由。

[0007] 针对上述的现有技术中存在的位于偏远地区无法连接互联网的用户，不能便利地获得人工智能服务的技术问题，目前尚未提出有效的解决方案。

发明内容

[0008] 本公开的实施例提供了一种基于卫星通信分布式运算系统的人工智能方法及装置，以至少解决现有技术中存在的位于偏远地区无法连接互联网的用户，不能便利地获得人工智能服务的技术问题。

[0009] 根据本公开实施例的一个方面，提供了一种基于卫星通信分布式运算系统的人工智能方法，包括：终端设备响应于用户构建人工智能模型的操作，生成与人工智能模型对应的模型信息；终端设备响应于用户在各个地面站之间进行运算配置的操作，将人工智能模型划分为多个人工智能模型单元，并生成相应的运算配置信息，其中地面站通过卫星与终端设备交互，并且运算配置信息指示人工智能模型单元在各个地面站之间的分配；终端设备将运算配置信息通过卫星发送至地面站；以及地面站根据接收的运算配置信息，构建与运算配置信息对应的人工智能模型单元。

[0010] 根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

[0011] 根据本公开实施例的另一个方面，还提供了一种基于卫星通信分布式运算系统的人工智能装置，包括：模型信息生成模块，用于通过终端设备响应于用户构建人工智能模型的操作，生成与人工智能模型对应的模型信息；运算配置信息生成模块，用于通过终端设备响应于用户在各个地面站之间进行运算配置的操作，将人工智能模型划分为多个人工智能模型单元，并生成相应的运算配置信息，其中地面站通过卫星与终端设备交互，并且运算配置信息指示人工智能模型单元在各个地面站之间的分配；配置信息发送模块，用于通过终端设备将运算配置信息通过卫星发送至地面站；以及模型单元构建模块，用于通过地面站根据接收的运算配置信息，构建与运算配置信息对应的人工智能模型单元。

[0012] 从而根据本申请的实施例，提供了一种基于卫星的分布式运算系统的人工智能方法，该分布式运算系统利用通过卫星与终端设备通信的地面站实现分布式运算。从而相对于利用卫星进行运算来说，由于地面站设置于地面，因此能够承受大运算量所带来的电能损耗，因此能够为人工智能服务提供能源方面的保证。此外，根据本申请的实施例，可以将用户构建的人工智能模型划分为多个不同的模型单元，并将各个模型单元分别与不同的地面站关联，从而使得人工智能模型的不同模型单元在不同的地面站加载。从而可以利用地面站的数量优势提供能够满足人工智能模型所需的运算资源。从而通过以上方式，可以为位于偏远地区且无法与互联网建立连接的用户也提供人工智能服务。从而解决了现有技术中存在的位于偏远地区无法连接互联网的用户，不能便利地获得人工智能服务的技术问题。

附图说明

[0013] 此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

[0014] 图1是根据本申请实施例1的第一个方面所述的卫星通信分布式运算系统的示意图；

[0015] 图2A进一步示出了图1中卫星的硬件架构的示意图；

[0016] 图2B进一步示出了图1中地面站的硬件架构的示意图；

[0017] 图3A进一步示出了图1中终端设备的客户端的模块图；

[0018] 图3B进一步示出了图1中的地面站的服务器端的模块图；

[0019] 图4是根据本申请实施例1的第一个方面所述的基于卫星通信分布式运算系统的人工智能方法的流程示意图；

[0020] 图5A是根据本申请实施例1的第一个方面所述的终端设备显示的用户启动客户端时的界面的示意图；

[0021] 图5B是根据本申请实施例1的第一个方面所述的终端设备的客户端用于构建人工智能模型的导航界面的示意图；

[0022] 图5C是根据本申请实施例1的第一个方面所述的终端设备的客户端用于构建和编辑人工智能模型的界面的示意图；

[0023] 图5D是根据本申请实施例1的第一个方面所述的用户在终端设备的客户端的界面构建和编辑人工智能模型的界面示意图；

[0024] 图5E是根据本申请实施例1的第一个方面所述的用户所构建的人工智能模型的示意图；

[0025] 图6是根据本申请实施例1的第一个方面所述的人工智能模型的模型信息的示意图；

[0026] 图7A是根据本申请实施例1的第一个方面所述的客户端的运算配置界面的示意图；

[0027] 图7B是根据本申请实施例1的第一个方面所述的用户在运算配置界面将人工智能模型划分为多个模型单元的示意图；

[0028] 图7C是根据本申请实施例1的第一个方面所述的人工智能模型划分为多个模型单元的示意图；

[0029] 图7D是根据本申请实施例1的第一个方面所述的用户将地面站与模型单元关联的示意图；

[0030] 图8是根据本申请实施例1的第一个方面所述的用于确定地面站的优先概率的神经网络模型的示意图；

[0031] 图9是根据本申请实施例1的第一个方面所述的利用各个地面站对人工智能模型进行训练的流程图；

[0032] 图10是根据本申请实施例1的第一个方面所述的利用各个地面站处理待处理数据的流程图；以及

[0033] 图11是根据本申请实施例2的第一个方面所述的基于卫星通信分布式运算系统的人工智能装置的示意图。

具体实施方式

[0034] 为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。

[0035] 需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0036] 实施例1

[0037] 根据本实施例，提供了一种基于卫星的分布式网络处理数据的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0038] 图1示出了根据本实施例所述的基于卫星的人工智能服务系统的示意图。参考图1所示，该系统该包括终端设备10、多个卫星201 203、与通信区域对应的地面站301 303以及~ ~与地面站301 303通信连接的数据库400。其中地面站301 303也彼此通信连接，构成一个提~ ~
供算力的运算系统300。也就是说，与现有技术不同的是，本发明并不是将卫星201 203作为~
提供算力的运算系统，而是将与卫星201 203通信的地面站301 303作为提供算力的运算系~ ~
统，而卫星201 203仅仅用于实现终端设备10与地面站301 303之间的通信。此外，数据库~ ~
400存储用于进行与人工智能的任务相关的数据，例如训练样本集等。

[0039] 从而，终端设备10可以通过卫星201 203与各个地面站301 303进行通信，从而向~ ~地面站301 303部署运算任务。
~

[0040] 图2A进一步示出了图1中卫星20（201 203）的硬件架构的示意图。参考图2A所示，~卫星20包括综合电子系统，综合电子系统包括：处理器、存储器、总线管理模块以及通信接口。其中存储器与处理器连接，从而处理器可以访问存储器，读取存储器存储的程序指令，从存储器读取数据或者向存储器写入数据。总线管理模块与处理器连接，并且还与例如CAN总线等总线连接。从而处理器可以通过总线管理模块所管理的总线，同与总线连接的星载外设进行通信。此外，处理器还经由通信接口与相机、星敏感器、测控应答机以及数传设备等设备通信连接。本领域普通技术人员可以理解，图2A所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，卫星还可包括比图2A中所示更多或者更少的组件，或者具有与图2A所示不同的配置。

[0041] 图2B进一步示出了图1中地面站30（301 303）的硬件架构的示意图。参考图2B所~示，地面站30可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器、用于通信功能的传输装置以及输入/输出接口。其中存储器、传输装置以及输入/输出接口通过总线与处理器连接。除此以外，还可以包括：与输入/输出接口连接的显示器、键盘以及光标控制设备。本领域普通技术人员可以理解，图2B所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，地面站还可包括比图2B中所示更多或者更少的组件，或者具有与图2B所示不同的配置。

[0042] 应当注意到的是，图2A和图2B中示出的一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。

[0043] 图2A和图2B中示出的存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的基于卫星的分布式网络处理数据的方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的基于卫星的分布式网络处理数据的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器

[0044] 此处需要说明的是，在一些可选实施例中，上述图2A和图2B所示的设备可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图2A和图2B仅为特定具体实例的一个实例，并且旨在示出可存在于上述设备中的部件的类型。

[0045] 其中图3A示出了终端设备10中部署的客户端100的示意图。参考图3A所示，客户端100包括：人工智能模块110、运算配置模块120、用户接口模块130以及卫星通信模块140。

[0046] 其中，用户接口模块130用于通过界面与终端设备10的用户进行交互，并且将计算结果展示给用户，或者将用户的指令传输至人工智能模块110和运算配置模块120。

[0047] 人工智能模块110用于通过用户接口模块130在终端设备10的显示屏显示与人工智能的操作相关的界面，并接收用户的操作，包括构建模型，配置参数，以及输入待处理的数据信息，等等。关于人工智能模块110的详细内容，在后文详细说明。

[0048] 运算配置模块120用于对根据用户通过人工智能模块110构建的模型，对算力进行配置。关于运算配置模块120的详细内容，将在后文详细说明。

[0049] 卫星通信模块140用于与卫星201 203进行通信。从而通过卫星201 203与地面站~ ~301 303通信。
~

[0050] 此外图3B示出了各个地面站部署的服务器端300的示意图。参考图3B所示，服务器端300包括卫星通信模块310、信息解析模块320、人工智能处理模块330以及地面站通信模块340。此外，服务器端300还部署有多个人工智能模型单元1 n。其中，人工智能模型单元例~如可以是程序段，以便实现卷积层组件、激活函数、池化层组件、全连接层组件、softmax分类器组件、transformer层组件、LSTM组件以及CRF组件等各个人工智能模型单元的功能。并且地面站通信模块340用于与其他地面站进行交互。

[0051] 在上述运行环境下，根据本实施例的第一个方面，提供了一种基于卫星通信分布式运算系统的人工智能方法。图4示出了该方法的流程图，参考图4所示，该方法包括：

[0052] S402：终端设备响应于用户构建人工智能模型的操作，生成与人工智能模型对应的模型信息；

[0053] S404：终端设备响应于用户在各个地面站之间进行运算配置的操作，将人工智能模型单元划分为多个人工智能模型单元，并生成相应的运算配置信息，其中地面站通过卫星与终端设备交互，并且运算配置信息指示人工智能模型单元在各个地面站之间的分配；

[0054] S406：终端设备将运算配置信息通过卫星发送至地面站；以及

[0055] S408：地面站根据接收的运算配置信息，构建与运算配置信息对应的人工智能模型单元。

[0056] 具体地，图5A示出了终端设备10显示的用户启动客户端100时的界面的示意图。参考图5A所示，当用户在终端设备10启动客户端100时，用户接口模块130会弹出导航界面提示用户选择“构建模型”或“导入模型”。

[0057] 此外，参考图5B当用户选择“构建模型”时，用户接口模块130会弹出导航界面进一步提示用户选择构建模型的类型。例如，当用户点击“CNN”时，会进入构建CNN模型的界面，当用户点击“NLP”时，会进入构建NLP模型的界面，当用户点击“R‑CNN”时，会进入构建R‑CNN模型的界面。并且，用户还可以点击“自定义”，从而可以根据自己的想法构建人工智能模型。并且相应地，人工智能模块110会创建与该人工智能模型对应的数据结构。

[0058] 图5C示出了用户构建和编辑人工智能模型的界面500的示意图。参考图5C所示，该界面包括工作区510以及组件栏520。其中组件栏520包含有多个组件521。组件521包括用于构建人工智能模型所需要的组件。例如组件521包括：卷积层组件、激活函数、池化层组件、全连接层组件、softmax分类器组件、transformer层组件、LSTM组件以及CRF组件。并且组件521还包括连接线组件等，用于约束不同的人工智能组件之间的关联性。

[0059] 此外，参考图5A所示，当用户通过点击“导入模型”从而导入已经构建的人工智能模型时，也会进入图5C所示的界面500，从而对导入的人工智能模型进行编辑。本说明不再赘述。

[0060] 具体地，用户可以通过拖曳的方式将各个组件521的图标拖曳至工作区510，从而构建人工智能模型。

[0061] 例如，当用户将卷积层组件拖曳到工作区510时，用户接口模块130会弹出界面供用户输入卷积层包含的卷积核的数量以及卷积核的尺度。从而不仅在工作区510显示该卷积层的图形，人工智能模块110还生成与该卷积核对应的组件信息，例如对于一个包含50个3 3卷积核的卷积层，可以用3 3 50表示该卷积层的组件信息。

[0062] 例如，当用户将激活函数的组件拖曳至工作区510时，用户接口模块130会弹出界面供用户选择相应的激活函数。从而工作区510不仅显示该激活函数的图形，同时人工智能模块110还生成与该激活函数对应的组件信息。

[0063] 关于其他的组件也以此类推，当用户将该组件拖曳至工作区510时，在工作区510显示与该组件对应的图形，并且人工智能模块110还生成与该组件对应的组件信息。

[0064] 此外，用户还可以通过拖曳的方式，在工作区510构建连线，从而确定各个组件之间的关联性。例如，用户可以通过连线将一个输入层和一个卷积层前后关联在一起，也可以通过连线将一个卷积层和一个池化层关联在一起。并且相应地，人工智能模块110会根据用户的连线，确定各个组件521之间的关联信息。

[0065] 从而当用户完成人工智能模型的构建时，人工智能模块110也确定相应的人工智能模型的模型信息，该模型信息包括各个组件521的组件信息以及各个组件521之间的关联信息。例如图6示出了一种基于深度学习的模型信息。由于表达人工智能模型的模型信息属于本领域的公知常识，因此可以采用任何形式地能够为本领域技术人员所理解的形式来构建模型信息。本实施例不再赘述。

[0066] 从而参考图5D所示，用户在界面500完成了对人工智能模型的构建。参考图5E所示，该人工智能模型包括：两个提取特征的分支网络，用于分别对两个输入的图像提取特征；以及一个特征提取以及分类网络，用于将两个分支网络的特征图结合起来提取特征并进行分类。

[0067] 并且相应地，在用户构建人工智能模型后，人工智能模块110同步的完成相应的模型信息的构建（S402）。

[0068] 然后，参考图5D所示，在构建人工智能模型之后，用户可以点击“运算配置”按钮。从而，用户接口模块130弹出进行运算配置的运算配置界面600，并在终端设备10进行显示。

[0069] 具体地，图7A示出了运算配置界面600的示意图。参见图7A所示，其中工作区610示出用户构建的人工智能模型的示意图。

[0070] 然后参见图7B所示，用户可以在界面600上通过框选的方式将人工智能模型划分成多个不同的单元，以便将该人工智能模型分别加载至不同的地面站301 303。~

[0071] 参考图7C所示，人工智能模型530被划分为3个模型单元：第一模型单元531、第二模型单元532以及第三模型单元533。从而人工智能模块根据用户的划分，基于人工智能模型530的模型信息，生成与各个模型单元531 533对应的模型单元信息。具体地，模型单元信~息例如可以通过根据模型单元531 533的划分，对模型信息进行划分从而得到，此处不再赘~
述。

[0072] 然后，继续参考图7B所示，运算配置界面600包括地面站标识栏620。参见图7B所示，地面站标识栏620显示有多个地面站标识621 623，分别表示与终端设备10通过卫星201~203交互的各个地面站301 303。参考图1所示，由于与终端设备10交互的地面站包括地面~ ~
站301 303，因此地面站标识621与地面站301对应，地面站标识622与地面站302对应，地面~
站标识623与地面站303对应。

[0073] 从而，参考图7D所示，用户可以通过拖曳地面站标识的方式，将不同的地面站与不同的模型单元关联。例如，用户通过将地面站标识621拖曳至第一模型单元531的方式，将第一模型单元531与地面站301关联；通过将地面站标识622拖曳至第二模型单元532的方式，将第二模型单元532与地面站302关联；以及通过将地面站标识623拖曳至第三模型单元533的方式，将第三模型单元533与地面站303关联。

[0074] 从而通过这种方式，用户通过运算配置界面，完成所构建的人工智能模型在各个地面站301 303之间的运算配置。~

[0075] 并且，在用户完成运算配置的同时，运算配置模块120根据的运算配置，生成相应的运算配置信息。其中，该运算配置信息包括分配至不同的地面站301 303的人工智能模型~单元的信息。用于指示加载至不同的地面站301 303的模型单元的信息（S404）。具体地，运~
算配置信息例如可以如下表所示：

[0076] 表1

[0077]

[0078] 然后，终端设备10通过卫星201 203将运算配置信息发送至地面站301 303~ ~（S406）。从而，各个地面站301 303可以根据运算配置信息分别加载各自的人工智能模型单~
元（S408）。

[0079] 具体地，地面站301通过卫星通信模块310从卫星201 203获取运算配置信息后，由~信息解析模块320从运算配置信息中解析出第一模型单元531的信息，并且确定第一模型单元531下接地面站303的第三模型单元533。然后，人工智能处理模块330根据第一模型单元
531的信息，从预先部署的人工智能模型单元1 n中获取相应的人工智能模型单元，并构建~
第一模型单元531。

[0080] 此外，地面站302通过卫星通信模块310从卫星201 203获取运算配置信息后，由信~息解析模块320从运算配置信息中解析出第二模型单元532的信息，并且确定第二模型单元
532下接地面站303的第三模型单元533。然后，人工智能处理模块330根据第二模型单元532的信息，从预先部署的人工智能模型单元1 n中获取相应的人工智能模型单元，并构建第二~
模型单元532。

[0081] 地面站303通过卫星通信模块310从卫星201 203获取运算配置信息后，由信息解~析模块320从运算配置信息中解析出第三模型单元533的信息，并且确定第三模型单元533上接地面站301的第一模型单元301和地面站302的第二模型单元532。然后，人工智能处理模块330根据第三模型单元533的信息，从预先部署的人工智能模型单元1 n中获取相应的~
人工智能模型单元，并构建第三模型单元533。

[0082] 正如背景技术所述的，当用户由于处于偏远地区从而不能与互联网联通，进而无法与提供人工智能服务的云平台通信时，也就无法获得人工智能服务。

[0083] 尽管已经提出了基于卫星的分布式运算系统，但是基于卫星的分布式运算系统是基于多个卫星的并行运算实现的。但是对于深度学习等人工智能模型来说，模型的规模越来越大，单个卫星很难完成人工智能模型的训练工作。因此使得偏远地区的用户，无法从基于卫星的分布式运算系统获得人工智能服务。

[0084] 有鉴于此，根据本申请的实施例，提供了一种基于卫星的分布式运算系统，该分布式运算系统利用通过卫星与终端设备通信的地面站实现分布式运算。从而相对于利用卫星进行运算来说，地面站由于设置于地面，因此能够承受大运算量所带来的电能损耗，因此能够为人工智能服务提供能源方面的保证。此外，根据本申请的实施例，可以将用户构建的人工智能模型划分为多个不同的模型单元，并将各个模型单元分别与不同的地面站关联，从而使得人工智能模型的不同模型单元在不同的地面站加载。从而可以利用地面站的数量优势提供能够满足人工智能模型所需的运算资源。从而通过以上方式，可以为位于偏远地区且无法与互联网建立连接的用户也提供人工智能服务。从而解决了现有技术中存在的位于偏远地区无法连接互联网的用户，不能便利地获得人工智能服务的技术问题。

[0085] 可选地，终端设备响应于用户构建人工智能模型的操作，生成与人工智能模型对应的模型信息的操作，包括：终端设备显示用于构建和编辑人工智能模型的第一图形用户界面；以及终端设备响应于用户在第一图形用户界面构建人工智能模型的操作，生成与人工智能模型对应的模型信息。

[0086] 具体地，正如图5A至图5E以及图7C所示，终端设备10部署的客户端100可以显示用于构建和编辑人工智能模型的界面500（即，第一图形用户界面）。然后终端设备10的客户端100响应于用户在界面500构建人工智能模型530的操作，生成与人工智能模型530对应的模型信息。

[0087] 从而根据本实施例，用户可以在图形用户界面中构建和编辑人工智能模型，从而方便了用户的使用。

[0088] 可选地，终端设备响应于用户在各个地面站之间进行运算配置的操作，将人工智能模型单元划分为多个人工智能模型单元，并生成相应的运算配置信息的操作，包括：终端设备显示用于进行运算配置的第二图形用户界面；终端设备响应于用户在第二图形用户界面将人工智能模型划分为多个模型单元的操作，生成与模型单元对应的模型单元信息；以及终端设备响应于用户在第二图形用户界面将所划分的模型单元与相应的地面站关联的配置操作，生成运算配置信息。

[0089] 具体地，参见图7A 图7D所示，终端设备10的客户端100可以显示运算配置界面600~（即第二图形用户界面），从而用户可以在运算配置界面通过框选的方式将人工智能模型
530划分为多个不同的模型单元531 533，并且客户端100的人工智能模块110生成相应的模~
型单元信息。然后当用户通过拖曳的形式将各个模型单元531 533与相应的地面站关联，从~
而针对人工智能模型530完成运算资源的配置。相应地，人工智能模块110生成相应的运算配置信息。

[0090] 从而根据本实施例，用户可以将构建或编辑的人工智能模型划分成多个不同的模型单元，并且将各个模型单元与相应的地面站关联，从而可以通过多个地面站一起实现该人工智能模型的功能。从而使得用户能够充分利用通过卫星201 203与终端设备10通信的~运算资源，实现与所构建的人工智能模型相关的运算操作。

[0091] 可选地，方法还包括：终端设备从卫星获取与各个地面站对应的运行参数；终端设备利用预先设置的神经网络模型，根据运行参数，确定能够承接与人工智能模型相关的运算任务的目标地面站；以及将与目标地面站关联的标识显示在第二图形用户界面。

[0092] 具体地，终端设备10可以通过卫星201 203实时获取与通信区域对应的各个地面~站201~203的运行参数。其中运行参数例如包括各个地面站301~303的运算处理能力R1~R3、各个地面站301~303与终端设备10之间的数据传输速率V1~V3以及各个地面站301~303与终端设备10之间的通信噪声S1~S3。

[0093] 然后，终端设备10将与各个地面站301 303对应的运行参数，输入至神经网络模~型，并得到与各个地面站301 303对应的优先级概率。图8是根据本申请实施例所述的用于~
确定与地面站301 303对应的优先级概率的神经网络示意图。参考图8所示，该神经网络设~
置有输入层、隐藏层、输出层和softmax分类层。

[0094] 从而，终端设备10确定与地面站301 303对应的运行参数。例如，地面站301的运算~处理能力R1、数据传输速率V1以及通信噪声S1；地面站302的运算处理能力R2、数据传输速率V2以及通信噪声S2；地面站303的运算处理能力R3、数据传输速率V3以及通信噪声S3。其中，与地面站301对应的运行参数、与地面站302对应的运行参数、与地面站303对应的运行参数可以组成一个向量矩阵A（1 即，图8中的向量矩阵A1）。

[0095] 然后，终端设备10将该向量矩阵A1输入至神经网络模型，从而输出与地面站301对应的优先级概率为P1、与地面站302对应的优先级概率为P2以及与地面站303对应的优先级概率为P3。例如，与地面站301对应的优先级概率为35%、与地面站302对应的优先级概率为30%、与地面站303对应的优先级概率为35%。

[0096] 进一步地，终端设备10判定各个地面站的优先级概率是否大于预先设置的优先级概率阈值Pk。其中，预先设置的优先级概率阈值例如可以是25%。

[0097] 在与地面站对应的优先级概率大于预先设置的优先级概率阈值的情况下，将该地面站确定为目标地面站；在与地面站对应的优先级概率阈值小于或等于预先设置的优先级概率阈值的情况下，剔除该地面站。从而终端设备10在地面站栏620中显示与各个地面站301 303对应的地面站标识621 623。
~ ~

[0098] 从而，本实施例的技术方案根据各个地面站的运行参数，将优先级概率大于预定阈值的地面站作为目标地面站。从而避免用户将运行状态不良的地面站与人工智能模型关联，从而保证了为用户提供人工智能服务的质量。

[0099] 可选地，方法还包括：终端设备响应于用户对人工智能模型进行训练的触发操作，将对人工智能模型进行训练的训练指令通过卫星发送至地面站；地面站根据训练指令获取用于对人工智能模型进行训练的训练样本；以及地面站利用训练样本对人工智能模型进行训练。

[0100] 具体地，参考图7D，在将人工智能模型530加载至地面站301 303之后，用户可以点~击“模型训练”从而对人工智能模型530进行训练。

[0101] 具体地，从而终端设备10的客户端100通过卫星通信模块140将训练指令发送至地面站301 303。~

[0102] 从而地面站301 303从数据库400获取用于对人工智能模型530进行训练的样本~集。例如样本集如下面表2所示：

[0103] 表2

[0104]样本序号 输入图像1 输入图像2 输出向量
1 Imga1 Imgb1 V1
2 Imga2 Imgb2 V2
3 Imga3 Imgb3 V3
... ... ... ...
4 Imgan Imgbn Vn

[0105] 其中输入图像1用于输入模型单元531，输入图像2用于输入模型单元532。输出向量用于与模型单元533输出的向量进行比较，并根据预设的损失函数计算损失。

[0106] 从而在进行人工智能模型530的训练过程中，地面站301从数据库400获取样本集，并将与输入图像1对应的样本Ima1~Iman输入至第一模型单元531。从而生成与样本Ima1~Iman对应的特征图，并将生成的特征图发送至地面站303。

[0107] 地面站302从数据库400获取样本集，并将与输入图像2对应的样本Imb1~Imbn输入至第二模型单元532。从而生成与样本Imb1~Imbn对应的特征图，并将生成的特征图发送至地面站303。

[0108] 地面站303将从地面站301和地面站302接收的特征图输入至第三模型单元533。从而第三模型单元533输出相应的类别向量。并且地面站303进一步将输出的类别向量与相应的样本的向量进行比较并利用预设的损失函数计算损失。

[0109] 然后地面站303通过反向传播的方法将模型单元533的参数进行调节，然后将调节后的参数发送至地面站301和地面站302。从而地面站301和地面站302根据接收的参数继续进行反向传播，从而完成人工智能模型的训练。

[0110] 其中图9示出了对人工智能模型进行训练的流程图。

[0111] 可选地，方法还包括：终端设备响应于用户确定待处理数据对象的触发操作，确定待处理数据对象；终端设备通过卫星将待处理数据对象发送至地面站；以及地面站利用人工智能模型对待处理数据对象进行处理。

[0112] 具体地，例如用户可以通过终端设备10的客户端100选定待处理数据对象，例如在本实施例中，用户在终端设备10选择第一图像和第二图像，从而客户端100通过卫星通信模块140将第一图像和第二图像通过卫星201 203传输至地面站301 303。~ ~

[0113] 然后，地面站301将第一图像输入至第一模型单元531生成相应的特征图，并将生成的特征图发送至地面站303；地面站302将第二图像输入至第二模型单元532生成相应的特征图，并将生成的特征图发送至地面站303。

[0114] 地面站303将从地面站301和地面站302接收的特征图输入第三模型单元533，得到相应的类别向量，并通过卫星通信模块310将该类别向量通过卫星201 203传输至终端设备~10，从而可以在终端设备10的客户端100展示。

[0115] 其中图10示出了使用人工智能模型对数据对象进行处理的流程图。

[0116] 此外，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。

[0117] 根据本申请的实施例，提供了一种基于卫星的分布式运算系统，该分布式运算系统利用通过卫星与终端设备通信的地面站实现分布式运算。从而相对于利用卫星进行运算来说，地面站由于设置于地面，因此能够承受大运算量所带来的电能损耗，因此能够为人工智能服务提供能源方面的保证。此外，根据本申请的实施例，可以将用户构建的人工智能模型划分为多个不同的模型单元，并将各个模型单元分别与不同的地面站关联，从而使得人工智能模型的不同模型单元在不同的地面站加载。从而可以利用地面站的数量优势提供能够满足人工智能模型所需的运算资源。从而通过以上方式，可以为位于偏远地区且无法与互联网建立连接的用户也提供人工智能服务。从而解决了现有技术中存在的位于偏远地区无法连接互联网的用户，不能便利地获得人工智能服务的技术问题。

[0118] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

[0119] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

[0120] 实施例2

[0121] 图11示出了根据本实施例所述的基于卫星通信分布式运算系统的人工智能装置1100，该装置1100与根据实施例1的第一个方面所述的方法相对应。参考11所示，该装置
1100包括：模型信息生成模块1110，用于通过终端设备响应于用户构建人工智能模型的操作，生成与人工智能模型对应的模型信息；运算配置信息生成模块1120，用于通过终端设备响应于用户在各个地面站之间进行运算配置的操作，将人工智能模型单元划分为多个人工智能模型单元，并生成相应的运算配置信息，其中地面站通过卫星与终端设备交互，并且运算配置信息指示人工智能模型单元在各个地面站之间的分配；配置信息发送模块1130，用于通过终端设备将运算配置信息通过卫星发送至地面站；以及模型单元构建模块1140，用于通过地面站根据接收的运算配置信息，构建与运算配置信息对应的人工智能模型单元。

[0122] 可选地，模型信息生成模块1110，包括：第一图形用户界面子模块，用于通过终端设备显示用于构建和编辑人工智能模型的第一图形用户界面；以及模型信息生成子模块，用于通过终端设备响应于用户在第一图形用户界面构建人工智能模型的操作，生成与人工智能模型对应的模型信息。

[0123] 可选地，运算配置信息生成模块1120，包括：第二图形用户界面子模块，用于通过终端设备显示用于进行运算配置的第二图形用户界面；模型单元信息生成子模块，用于通过终端设备响应于用户在第二图形用户界面将人工智能模型划分为多个模型单元的操作，生成与模型单元对应的模型单元信息；以及运算配置信息生成子模块，用于通过终端设备响应于用户在第二图形用户界面将所划分的模型单元与相应的地面站关联的配置操作，生成运算配置信息。

[0124] 可选地，装置1100还包括：运行参数获取模块，用于通过终端设备从卫星获取与各个地面站对应的运行参数；目标地面站确定模块，用于通过终端设备利用预先设置的神经网络模型，根据运行参数，确定能够承接与人工智能模型相关的运算任务的目标地面站；以及第二图形用户界面生成模块，用于通过终端设备将与目标地面站关联的标识显示在第二图形用户界面。

[0125] 可选地，装置1100还包括：训练指令传输模块，用于通过终端设备响应于用户对人工智能模型进行训练的触发操作，将对人工智能模型进行训练的训练指令通过卫星发送至地面站；样本获取模块，用于通过地面站根据训练指令获取用于对人工智能模型进行训练的训练样本；以及训练模块，用于通过地面站利用训练样本对人工智能模型进行训练。

[0126] 可选地，装置1100还包括：待处理数据对象确定模块，用于通过终端设备响应于用户确定待处理数据对象的触发操作，确定待处理数据对象；数据对象发送模块，用于通过终端设备通过卫星将待处理数据对象发送至地面站；以及数据处理模块，用于通过地面站利用人工智能模型对待处理数据对象进行处理。

[0127] 根据本申请的实施例，提供了一种基于卫星的分布式运算系统，该分布式运算系统利用通过卫星与终端设备通信的地面站实现分布式运算。从而相对于利用卫星进行运算来说，地面站由于设置于地面，因此能够承受大运算量所带来的电能损耗，因此能够为人工智能服务提供能源方面的保证。此外，根据本申请的实施例，可以将用户构建的人工智能模型划分为多个不同的模型单元，并将各个模型单元分别与不同的地面站关联，从而使得人工智能模型的不同模型单元在不同的地面站加载。从而可以利用地面站的数量优势提供能够满足人工智能模型所需的运算资源。从而通过以上方式，可以为位于偏远地区且无法与互联网建立连接的用户也提供人工智能服务。从而解决了现有技术中存在的位于偏远地区无法连接互联网的用户，不能便利地获得人工智能服务的技术问题。

[0128] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

[0129] 在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0130] 在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

[0131] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0132] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0133] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0134] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。