自适应蜂窝基站联邦形成方法、联邦学习方法及装置制造方法及图纸

本发明专利技术提供一种自适应蜂窝基站联邦形成方法、联邦学习方法及装置，根据基站数据的分布进行初始聚类形成初始联邦，采用中心性原则在初始联邦选取联邦领导者基站，由联邦领导者基站通过粒子群优化算法动态选择联邦参与者基站，通过引入联邦学习任务指定过程中的性能参数计算适应度值进行求解，能够实现选择得到的联邦参与者基站能够实现联邦学习性能整体最优，使得移动通信中蜂窝基站之间非独立分布的数据也能实现高效利用，完成联邦学习任务。完成联邦学习任务。完成联邦学习任务。

【技术实现步骤摘要】
自适应蜂窝基站联邦形成方法、联邦学习方法及装置


[0001]本专利技术涉及无线通信
，尤其涉及一种自适应蜂窝基站联邦形成方法、联邦学习方法及装置。

技术介绍

[0002]随着移动通信技术的高度发展，以智能手机和智能应用为代表的移动通信市场爆发式增长，通信网络的负载量将保持高速增长。近年来，随着大数据技术的兴起与广泛应用，移动通信网络大数据分析中受到广泛关注，联邦学习逐渐被应用到移动通信网络中，用来提高移动通信服务质量并实现更为智能的应用。
[0003]现有研究将联邦学习应用到移动通信领域，联邦学习是一种能够具有隐私保护的分布式机器学习训练框架，多个客户端在一个中心服务器的协同之下共同训练一个数据模型。联邦学习所提出来的分布式算法架构对协同大范围的基站进行并行化的建模(信道估计、流量预测、缓存预测等)，这将带来如下优势：首先，大范围的基站协同进行建模，数据集增多可以提高预测精度；其次，联邦学习并行化的训练架构可以保持，同时也不会出现复杂度高实时性低的难题。
[0004]然而，将联邦学习应用到移动通信领域，在模型参数融合时可能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应蜂窝基站联邦形成方法，其特征在于，包括：根据设定空间范围内各基站的空间距离，按照预设标准初始化为第一蜂窝基站网络拓扑；引入散度定义各基站之间数据分布的差异性，构建散度矩阵，将所述第一蜂窝基站网络拓扑和所述散度矩阵做哈达玛乘积，以更新为第二蜂窝基站网络拓扑；采用预设聚类算法对所述第二蜂窝基站网络拓扑进行聚类，将数据分布特征相似的基站进行聚类得到基站初始联邦簇，所述基站初始联邦簇中包含第一设定数量个基站初始联邦；每个基站初始联邦按照中心性原则中的多种原则逐轮推选出的各个基站初始联邦的联邦领导者基站；在各个基站初始联邦中，由相应轮次的联邦领导者基站基于粒子群算法中的粒子的当前状态选择可行的联邦参与者基站执行联邦学习任务，并获取所述联邦学习任务的性能参数，所述性能参数用于计算所述粒子的适应度来更新所述粒子的状态，以搜索到相应轮次的联邦领导者基站的最优的联邦参与者基站；在各个基站初始联邦中，比较各轮联邦领导者基站以及最优的联邦参与者基站的整体性能，确定最优的联邦领导者基站以及最优的联邦参与者基站。2.根据权利要求1所述的自适应蜂窝基站联邦形成方法，其特征在于，根据设定空间范围内各基站的空间距离，按照预设标准初始化为第一蜂窝基站网络拓扑，包括：将蜂窝基站地理分布映射为其中，V＝(v1，
…
，v
i
，v
j
，
…
，v
N
)表示所述设定空间范围的通信网络中各基站对应的节点；构建各基站对应节点之间边的权重矩阵E，表达式为：其中，e
ij
表示节点v
i
与v
j
之间边的权重；d
ij
表示v
i
与v
j
之间的距离；当d
ij
小于门限值，则e
ij
＝1/d
ij
，表示两个节点之间有连边；否则，若e
ij
＝0，表示两个节点之间无连边。3.根据权利要求1所述的自适应蜂窝基站联邦形成方法，其特征在于，引入散度定义各基站之间数据分布的差异性，构建散度矩阵，将所述第一蜂窝基站网络拓扑和所述散度矩阵做哈达玛乘积，以更新为第二蜂窝基站网络拓扑，包括：采用JS散度定义各基站之间数据分布的差异性；对于无线流量数据，基站i的每小时的无线流量X
traffic
是一个连续性随机变量，将其进行量化，转化成离散型随机变量基站i每小时的无线流量的概率分布为P
i
＝[p
i
(x1)，...，p
i
(x
s
)，...，p
i
(x
S
)]，其中，)]，其中，表示基站i每小时的无线流量取值x
s
的概率，且基站j每小时的无线流量Y
traffic
是一个连续性随机变量，将其进行量化，转化成离散型随机变量基站j每小时的无线流量的概率分布为P
j
＝[p
j
(x1)，...，p
j
(x
s
)，...，p
j
(x
S
)]，其中，表示基站j每小时的无限流量取值x
s
的概率，且
将基站i每小时无线流量概率分布P
i
与基站j每小时无线流量概率分布P
j
的差异用JS散度来度量：对于缓存内容数量，基站i每小时缓存内容数量是一个随机变量，取值为X
cach
＝{x1，...，x
n
，...，x
I
}，基站i每小时缓存内容数量的概率密度分布为P
i
＝[p
i
(x1)，...，p
i
(x
n
)，...，p
i
(x
I
)]，其中，p
i
(x
n
)＝P(X
cach
＝x
n
)表示基站i的缓存内容数量取值x
n
的概率，并且基站j每小时缓存内容数量是一个随机变量，取值为Y
cach
＝{x1，...，x
n
，...，x
I
}，基站j每小时缓存内容数量的概率分布为P
j
＝[p
j
(x1)，...，p
j
(x
n
)，...，p
j
(x
I
)]，其中，p
j
(x
n
)＝P(Y
cach
＝x
n
)表示基站j每小时缓存内容数量取值x
n
的概率，且将基站i每小时缓存内容数量概率分布P
i
与基站j每小时缓存内容数量概率分布P
j
的差异用JS散度来度量：所述散度矩阵的表达式为：所述第二蜂窝基站网络拓扑的表达式为：其...

【专利技术属性】
技术研发人员：林尚静，李子怡，庄琲，李月颖，张春红，朱新宁，胡铮，陈远祥，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：