【技术实现步骤摘要】
本专利技术属于联邦学习，特别涉及低轨卫星网络中基于服务器跳转的联邦学习方法及系统。
技术介绍
1、针对地面网络的固有限制，如偏远地区覆盖有限和容易发生网络拥塞，低轨卫星网络扩大了覆盖范围，支持实时通信，超越了传统地面网络的限制，促进各类实际应用。最近，由于其数据隐私、能力和效率，在低轨卫星网络中利用联合学习解决任务引起了极大关注。然而，在联邦学习中，服务器需要等待接收完所有用户的模型参数才能进入新一轮。由于产生时延最大的用户(掉队者)的存在，严重影响了联邦学习的整体效率，明显降低系统性能。低轨卫星网络因卫星轨道低、通信时延较小备受青睐。然而，这些优势伴随着卫星在地球上空快速移动，导致网络拓扑随时间变化，尤其是在大型星座中。卫星从一个地理位置移动到另一地，卫星之间通信距离会变化，掉队者也可能在不断变换，影响联邦学习的整体性能。随着对支持大量低时延应用的需求逐渐增加，解决这一问题变得至关重要。
2、针对低轨卫星的动态拓扑问题，现有研究考虑进行部分聚合以降低通信成本，加速模型收敛过程。同时，也有学者提出了周期聚合来减少低轨卫星稀疏...
【技术保护点】
1.低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，将选定的服务器卫星和备选服务器卫星的信息发送至用户卫星：
3.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，采用随机梯度下降算法基于本地数据集对本地模型进行训练。
4.根据权利要求3所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，使用MNIST数据集作为训练数据，以完成手写体数字图像的识别任务，该数据集包含10000张手写体数字图像，数字范围从...
【技术特征摘要】
1.低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，将选定的服务器卫星和备选服务器卫星的信息发送至用户卫星：
3.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，采用随机梯度下降算法基于本地数据集对本地模型进行训练。
4.根据权利要求3所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，使用mnist数据集作为训练数据，以完成手写体数字图像的识别任务，该数据集包含10000张手写体数字图像，数字范围从0到9，每种数字图像个数均为1000；将数字0到9的图像数据分别分配给了10个地面设备同时对应10个用户卫星；训练集由700个图像组成，其余图像用于验证与测试，服务器卫星中的测试集与验证集由所有用户卫星的测试集组成；所有用户卫星均利用具有动量的小批量随机梯度下降法进行训练，学习因子为0.001，不随训练次数改变，训练次数epoch为10，小批量大小为100，且每轮训练前对训练集进行随机排列，整个联邦学习进行300轮。
5.根据权利要求3所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。