本文介绍了联邦边缘学习框架（FEEL），通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。同时，提出了节能策略和移动策略以提高学习性能。实验结果表明，该策略在节能方面有显著提升。

本研究介绍了一种通过建筑信息模型（BIM）方法自动填充能源模型，应用节能策略的灯具检测、识别和定位方法。该方法使用灰度图像和灯具几何和亮度，以低计算需求获得准确结果，实现几乎实时处理。方法的创新在于焦点在概括灯具特征的有限区域中，信息用于自动生成BIM数据。

本文介绍了联邦边缘学习框架（FEEL），通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。同时，提出了节能策略和移动策略，以提高学习性能和节能效果。实验结果表明，该策略在节能方面有显著提升。

本文讨论了Linux电力优化的策略，建议使用专业工具如powertop或依赖Linux自带的优化策略。列举了禁用未使用的服务、硬件设备和延长延迟活动生命周期等节能策略，并介绍了命令和配置文件的修改方法。提到了tuned和powertop工具，以及调频模式和调优策略。最后，介绍了PowerTOP工具的使用方法。