System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于数据处理,尤其涉及基于联邦ai计算的物联网模型训练方法。
技术介绍
1、随着物联网(iot)技术的快速发展,各种智能设备,如智能家居设备、门锁传感器和家居监控装置,被广泛应用,并生成大量的数据,这些数据对于训练机器学习模型和提高设备的智能化水平具有巨大的价值。
2、物联网设备产生的数据具有其特殊性,各用户端的数据来源于物联网设备通过传感器在多种环境中收集数据,智能家居设备、门锁传感器、家居监控装置等,这些数据是由众多的传感器在多种环境中收集而来,这些设备每秒生成大量数据,这些数据可能具有多种属性,且大多数数据是未标注的,而未标注的数据无法用于参数模型的训练。
技术实现思路
1、本申请针对上述技术问题提出基于联邦ai计算的物联网模型训练方法及装置,具体技术方案如下:
2、本专利技术提出一种基于联邦ai计算的物联网模型训练方法,其中,采用联邦学习分布式框架进行模型的训练方法,由中心服务器和若干用户组成,可以实现物联网设备安全防护任务中每个参与训练的用户在不用共享数据的情况下,训练在全局数据集上的模型。
3、基于联邦ai计算的物联网模型训练方法,包括如下步骤:
4、设置中央服务器及与中央服务器通信连接的分布式用户端;
5、用户端利用数据训练参数模型后发送至中央服务器;
6、中央服务器判断迭代是否结束,若是则执行结束,否则执行聚合参数模型,并于执行聚合参数模型后判断损失函数是否收敛,若是则执行结束;
>7、中央服务器执行聚合参数模型后同时将执行聚合参数模型后获得的全局模型发送至用户端,用户端接收全局模型后更新参数模型;
8、用户端训练参数模型所用的数据通过下式进行标注:
9、
10、上式中,是中央服务器为某数据样本确定的标签,yi是第i个设备为该样本伪标记的标签,wi是第i个设备的权重,n是参与伪标记的设备数量,是指示函数。
11、优选的,完成标注的数据通过如下方法进行处理:
12、确定数据向量x=[x1,x2,...,xn],n为数据属性的个数;
13、确定阈值向量t=[t1,t2,...,tn];
14、采用下式进行数据清洗
15、
16、上式中,x'i为清洗后的数据,tmin,i和tmax,i分别为属性i的最小和最大阈值;采用下式对数据清洗后的缺失值进行填充
17、xj=f(x1,x2,...,xj-1,xj+1,...,xn);
18、采用下式定义权重函数
19、
20、上式中,h是带宽参数,j是数据点x'i的一个缺失属性;
21、采用下式进行数据标准化
22、
23、上式中,μi和σi分别是属性i的均值和标准差。
24、优选的,通过如下方法对数据集进行扩充:
25、对真实的数据样本xa进行量子编码
26、q(xa)=α|0>+β|1>;
27、上式中,α和β是复数,且满足|α|2+|β|2=1;
28、确定生成对抗网络的目标函数为
29、
30、上式中,g为生成对抗网络的生成器,d为生成对抗网络的判别器,pdata(xa)是真实数据的分布,pz(z)是噪声的分布,q是量子编码函数;
31、确定生成对抗网络的损失函数为
32、
33、上式中,q(xa)是真实数据的量子编码,||·||2表示l2范数,λ是预设的超参数;
34、重复执行步骤(1)~(4),直至收敛:
35、(1)训练判别器
36、使用真实的量子编码样本训练判别器,并将其标记为1;使用生成的量子编码样本训练判别器,并将其标记为0;更新判别器的权重以最大化以下目标函数:
37、
38、(2)训练生成器
39、使用随机噪声生成量子编码样本,以欺骗判别器为目标,更新生成器的权重,使得生成的样本被判别器判断为真实样本的概率增大,使用负反馈调整生成器的权重,使得生成的样本与真实数据更为接近,更新生成器的权重以最小化以下目标函数:
40、
41、(3)进行负反馈调整
42、根据基于量子编码的生成对抗网络算法的总体目标函数进行训练,即
43、
44、上式中,λ是预设的负反馈的权重;
45、(4)生成新样本
46、通过量子解码将生成的量子编码样本转化为物联网数据格式。
47、优选的,用户端利用数据训练参数模型的过程中,采用如下方法进行特征提取:
48、定义特征提取模型包括输入层、隐藏层和输出层;
49、定义wij为第i个神经元和第j个神经元之间的权重,bi为第i个神经元的偏置;
50、重复执行步骤(2)~(6),直至达到预设的迭代次数或满足停止条件:
51、(1)初始化权重和偏置
52、wij=random(-∈,∈);
53、bi=random(-∈,∈);
54、上式中,∈是一个小的正数;
55、(2)定义能量函数,所述能量函数表示神经网络的输出与期望输出之间的误差
56、
57、上式中,n是数据点的数量,yi和分别表示期望的输出和网络的实际输出;
58、(3)局部探索相变模拟,定义变量“温度”参数t,在每次调整时,权重和偏置的更新公式为:
59、
60、
61、上式中,δwij和δbi是根据能量函数e(w,b)计算出的权重和偏置的调整量,random()为随机取值函数,wij为更新前的权重;为更新后的权重,bi为更新前的偏置;为更新后的偏置,aij为权重活跃度,ai为偏置活跃度;
62、δwij和δbi的计算方式为:
63、
64、
65、上式中,α是预设的学习率参数;
66、(4)全局探索相变模拟,参数更新如下:
67、
68、
69、上式中,β是因子,γ控制随机扰动的范围,为更新前的权重;为更新后的权重,为更新前的偏置;为更新后的偏置,aij为权重活跃度,ai为偏置活跃度;
70、(5)引入一个衰减机制,定义如下:
71、t=t×ρ;
72、γ=γ×ρ;
73、上式中,ρ是衰减因子,随着迭代次数的增加逐渐减小;
74、(6)通过下式调整活跃度
75、
76、
77、上式中,ζ为预设的常数,aij为更新前的权重活跃度;为更新后的权重活跃度,ai为更新前的偏置活跃度;为更新后的偏置活跃度;
78、优选的,将特征提取后的数据输本文档来自技高网...
【技术保护点】
1.基于联邦AI计算的物联网模型训练方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于联邦AI计算的物联网模型训练方法,其特征在于,完成标注的数据通过如下方法进行处理:
3.根据权利要求1或2所述的基于联邦AI计算的物联网模型训练方法,其特征在于,通过如下方法对数据集进行扩充:
4.根据权利要求1所述的基于联邦AI计算的物联网模型训练方法,其特征在于,用户端利用数据训练参数模型的过程中,采用如下方法进行特征提取:
5.根据权利要求4所述的基于联邦AI计算的物联网模型训练方法,其特征在于,将特征提取后的数据输入到分类器中进行数据分类,数据分类的方法为:
6.根据权利要求1所述的基于联邦AI计算的物联网模型训练方法,其特征在于,中央服务器与用户端通信过程中采用如下方法加密:
7.根据权利要求6所述的基于联邦AI计算的物联网模型训练方法,其特征在于,使用密钥k对参数模型M进行加密的方法为:
8.根据权利要求7所述的基于联邦AI计算的物联网模型训练方法,其特征在于,解密方法为:
【技术特征摘要】
1.基于联邦ai计算的物联网模型训练方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于联邦ai计算的物联网模型训练方法,其特征在于,完成标注的数据通过如下方法进行处理:
3.根据权利要求1或2所述的基于联邦ai计算的物联网模型训练方法,其特征在于,通过如下方法对数据集进行扩充:
4.根据权利要求1所述的基于联邦ai计算的物联网模型训练方法,其特征在于,用户端利用数据训练参数模型的过程中,采用如下方法进行特征提取:
5.根据权利...
【专利技术属性】
技术研发人员:金城,
申请(专利权)人:江苏新巢天诚智能技术有限公司,
类型:发明
国别省市:
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。