一种基于无线携能通信的空中联邦学习智能资源分配方法组成比例

一种基于无线携能通信的空中联邦学习智能资源分配方法，属于无线通信领域，本发明专利技术中基站获取每个用户的能源总量信息，确定资源分配方案，基站采用无线携能通信技术广播全局模型，同时发送射频能量为用户充电；用户接收全局模型后利用所采集的环境数据进行多轮迭代的本地学习，利用随机梯度下降方法得到更新后的本地模型；利用空中计算技术所有用户同时同频上传更新后的本地模型，在空中实现模型传输与聚合。本发明专利技术支持在用户电池容量不足、分布位置不可达的情况下为用户充能，能在确保联邦学习收敛性的条件下得到近似最优的资源分配和波束赋形方案，实现系统能量效率的最大化；本发明专利技术能有效减小通信时延，提高频谱效率。提高频谱效率。提高频谱效率。

【技术实现步骤摘要】
一种基于无线携能通信的空中联邦学习智能资源分配方法


[0001]本专利技术属于无线通信
，具体涉及一种基于无线携能通信的空中联邦学习智能资源分配方法。

技术介绍

[0002]联邦学习作为典型的分布式学习已广泛应用于智慧城市、医疗监测、智能工厂等各个物联网应用场景中，空中联邦学习将空中计算技术应用于联邦学习的模型聚合过程中，以减小联邦学习的通信时延，提高频谱利用率。
[0003]在实际的联邦学习场景中，物联网用户的电池容量往往有限，有可能分布在水下、建筑高处、无人机等地理位置，这使得无法频繁为用户进行人工充电，导致某些用户难以持续参与到联邦学习过程中，进而影响联邦学习的准确性和收敛性。为了在能量有限的情况下实现可持续的空中联邦学习，有必要探索新的联邦学习方法，高效分配能量、时间等资源，设计合理的波束赋形方案，以实现联邦学习系统能量效率的优化。
[0004]目前，现有的联邦学习存在以下技术问题：
[0005](1)物联网用户能量不足，导致系统不可持续运行。物联网场景下的联邦学习用户电池容量往往有限，而联邦学习需要周期性地进行本地大规模神经网络训练和高维模型参数上传，这个过程需要消耗大量能量，因此本地用户的能量往往不能满足需求。而目前人为频繁为大量用户充电的办法成本过高，尤其联邦学习用户分布在野外、有毒区域、无人机等地理位置，使得替换电池或充电更加困难。而本地用户的能量不足会使得上传模型的发送功率不足，甚至导致某些本地用户因能量缺乏而无法参与联邦学习，进而导致联邦学习的准确率较低、收敛性较差。
[0006](2)现有技术如基于无线携能通信的联邦学习和空中联邦学习，往往通过牺牲基站的发送功率来满足下行信号的无差错接收，导致系统总功率消耗过大，能量效率低。
[0007](3)能量、波束、时间资源联合优化问题过于复杂。由于能量、波束、时间等资源分配的联合优化问题是一个变量耦合的长期非凸优化问题，传统优化方法的时间复杂度过高，并难以得到最优解。
[0008]综上，亟需一种空中联邦学习智能资源分配方法，来满足联邦学习用户庞大的能量需求，同时保证高效的通信和可靠的信息传输，实现高效的能量、波束、时间等资源分配，提高能量效率以及高效地优化高维连续变量，加速学习收敛。

技术实现思路

[0009]本专利技术提供了一种基于无线携能通信的空中联邦学习智能资源分配方法，以解决现有技术存在的问题。
[0010]本专利技术为解决技术问题所采用的技术方案如下：
[0011]本专利技术的一种基于无线携能通信的空中联邦学习智能资源分配方法，包括以下步骤：
[0012]步骤S1：在第一阶段，基站获取每个用户的能源总量信息，确定资源分配方案，然后基站采用无线携能通信技术广播全局模型，同时发送射频能量，为用户充电；
[0013]步骤S2：在第二阶段，用户接收全局模型后，利用所采集的环境数据进行多轮迭代的本地学习，然后利用随机梯度下降方法得到更新后的本地模型；
[0014]步骤S3：在第三阶段，利用空中计算技术，所有用户同时同频上传更新后的本地模型，在空中实现模型传输与聚合。
[0015]进一步的，步骤S1的具体操作流程如下：
[0016]设基站与用户k之间的信道为h
k,t
∈￡
M
×1，M为基站天线数量，基站通过接收导频获取每个用户的能源总量信息；在第t个通信周期，基站利用无线携能通信技术发送一个承载全局模型信息和射频能量的信号s
0,t
，用户k接收到的信号表示为：v
j,t
∈￡
M
×1为基站发送波束赋形向量，为用户k方差为的高斯白噪声，K为用户数量；首先进行功率分割，即用户k根据功率分配比λ
k,t
将接收信号中的λ
k,t
部分作为有用信息进行信息解码，得到：用信息进行信息解码，得到：为用户k接收的承载全局模型的有用信号，为信息解码引入的高斯白噪声，为高斯白噪声的方差；同时进行能量收集，即用户k将接收信号中的1
‑
λ
k,t
部分转化为收集的能量，该能量表示为：τ
1,t
为无线携能通信的时间，为能量转化效率。
[0017]进一步的，步骤S2的具体操作流程如下：
[0018]用户接收全局模型后，利用所采集的环境数据进行τ轮迭代的本地学习，然后利用随机梯度下降方法得到更新后的本地模型，更新后的本地模型表示为：随机梯度下降方法得到更新后的本地模型，更新后的本地模型表示为：为用户k接收的全局模型，为本地损失函数，为第l∈{0,
…
,τ
‑
1}轮迭代得到的本地模型，为本地数据集的采样集合，η为学习率，τ为本地学习的迭代轮数；
[0019]本地学习消耗的能量表示为：C
k
为用户k处理一比特数据的CPU循环次数，Z
k
为采样集合的比特数，f
k
为用户k的CPU频率，κ为有效电容系数；
[0020]本地学习消耗的时间表示为：τ
2,k
＝τC
k
Z
k
/f
k
；由于需要满足空中计算的时间同步特性，本地学习消耗的时间取所有用户花费的最长时间，为τ2＝max
k
(τ
2,k
)。
[0021]进一步的，步骤S3的具体操作流程如下：
[0022]利用空中计算技术，用户将归一化的信号s
k,t
以功率p
k,t
进行上传，所述空中计算技术利用无线信道的叠加特性在进行通信的同时进行模型聚合；基站收到的信号为：a
t
∈￡
M
×1为基站接收波束赋形向量，n
0,t
～CN(0,σ2I)为基站
的高斯白噪声，σ2为基站高斯白噪声的方差，I为M
×
M维的单位矩阵；
[0023]聚合模型均方差表示为：
[0024]空中计算速率表示为：
[0025]其中，为完美聚合的信号，σ2为基站高斯白噪声的方差，为叠加信号的总功率，B为带宽；
[0026]用户k上传本地模型消耗的能量表示为：为空中计算时间，W为用户k上传模型的比特数；在第t个通信周期结束后，用户k剩余的能源总量表示为：为：为用户k在第i个通信周期收获的能量，)为用户k在第i个通信周期上传本地模型消耗的能量，E
max
为用户k的电池容量。
[0027]进一步的，步骤S1中，所述确定资源分配方案的方法针对的优化问题如下：
[0028]系统在第t个通信周期的能量效率定义为空中计算速率与系统消耗总功率之比，即系统在第t个通信周期消耗的总功率定义为：P
c
为基站信号处理电路消耗的功率，v
k,t
为基站对用户k的发送波束赋形向量；
[0029]将系统能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无线携能通信的空中联邦学习智能资源分配方法，其特征在于，包括以下步骤：步骤S1：在第一阶段，基站获取每个用户的能源总量信息，确定资源分配方案，然后基站采用无线携能通信技术广播全局模型，同时发送射频能量，为用户充电；步骤S2：在第二阶段，用户接收全局模型后，利用所采集的环境数据进行多轮迭代的本地学习，然后利用随机梯度下降方法得到更新后的本地模型；步骤S3：在第三阶段，利用空中计算技术，所有用户同时同频上传更新后的本地模型，在空中实现模型传输与聚合。2.根据权利要求1所述的一种基于无线携能通信的空中联邦学习智能资源分配方法，其特征在于，步骤S1的具体操作流程如下：设基站与用户k之间的信道为M为基站天线数量，基站通过接收导频获取每个用户的能源总量信息；在第t个通信周期，基站利用无线携能通信技术发送一个承载全局模型信息和射频能量的信号s
0,t
，用户k接收到的信号表示为：为基站发送波束赋形向量，为用户k方差为的高斯白噪声，K为用户数量；首先进行功率分割，即用户k根据功率分配比λ
k,t
将接收信号中的λ
k,t
部分作为有用信息进行信息解码，得到：行信息解码，得到：为用户k接收的承载全局模型的有用信号，为信息解码引入的高斯白噪声，为高斯白噪声的方差；同时进行能量收集，即用户k将接收信号中的1
‑
λ
k,t
部分转化为收集的能量，该能量表示为：τ
1,t
为无线携能通信的时间，为能量转化效率。3.根据权利要求1所述的一种基于无线携能通信的空中联邦学习智能资源分配方法，其特征在于，步骤S2的具体操作流程如下：用户接收全局模型后，利用所采集的环境数据进行τ轮迭代的本地学习，然后利用随机梯度下降方法得到更新后的本地模型，更新后的本地模型表示为：梯度下降方法得到更新后的本地模型，更新后的本地模型表示为：为用户k接收的全局模型，为本地损失函数，为第l∈{0,
…
,τ
‑
1}轮迭代得到的本地模型，为本地数据集的采样集合，η为学习率，τ为本地学习的迭代轮数；本地学习消耗的能量表示为：C
k
为用户k处理一比特数据的CPU循环次数，Z
k
为采样集合的比特数，f
k
为用户k的CPU频率，κ为有效电容系数；本地学习消耗的时间表示为：τ
2,k
＝τC
k
Z
k
/f
k
；由于需要满足空中计算的时间同步特性，本地学习消耗的时间取所有用户花费的最长时间，为τ2＝max
k
(τ
2,k
)。4.根据权利要求1所述的一种基于无线携能通信的空中联邦学习智能资源分配方法，其特征在于，步骤S3的具体操作流程如下：
利用空中计算技术，用户将归一化的信号s
k,t
以功率p
k,t
进行上传，所述空中计算技术利用无线信道的叠加特性在进行通信的同时进行模型聚合；基站收到的信号为：为基站接收波束赋形向量，n
0,t
～CN(0,σ2I)为基站的高斯白噪声，σ2为基站高斯白噪声的方差，I为M
×
M维的单位矩阵；聚合模型均方差表示为：空中计算速率表示为：其中，为完美聚合的信号，σ2为基站高斯白噪声的方差，为叠加信号的总功率，B为带宽；用户k上传本地模型消耗的能量表示为：为空中计算时间，W为用户k上传模型的比特数；在第t个通信周期结束后，用户k剩余的能源总量表示为：W为用户k上传模型的比特数；在第t个通信周期结束后，用户k剩余的能源总量表示为：为用户k在第i个通信周期收获的能量，)为用户k在第i个通信周期上传本地模型消耗的能量，E
max
为用户k的电池容量。5.根据权利要求1所述的一种基于无线携能通信的空中联邦学习智能资源分配方法，其特征在于，步骤S1中，所述确定资源分配方案的方法针对的优化问题如下：系统在第t个通信周期的能量效率定义为空中计算速率与系统消耗总功率之比，即系统在第t个通信周期消耗的总功率定义为：P
c
为基站信号处理电路消耗的功率，v
k,t
为基站对用户k的发送波束赋形向量；将系统能量效率对时间进行求和平均，得到系统的优化方程及完整的优化问题如下：将系统能量效率对时间进行求和平均，得到系统的优化方程及完整的优化问题如下：将系统能量效率对时间进行求和平均，得到系统的优化方程及完整的优化问题如下：将系统能量效率对时间进行求和平均，得到系统的优化方程及完整的优化问题如下：将系统能量效率对时间进行求和平均，得到系统的优化方程及完整的优化问题如下：将系统能量效率对时间进行求和平均，得到系统的优化方程及完整...

【专利技术属性】
技术研发人员：李国鹏，郑安，张馨然，张集，赵耀忠，袁金祥，张波，张安萍，房圆武，刘强，鹿超，张满，
申请(专利权)人：华能伊敏煤电有限责任公司，
类型：发明
国别省市：