【技术实现步骤摘要】
本专利技术涉及无人机辅助联邦学习领域，尤其是涉及一种无人机辅助联邦学习中的训练及资源联合优化设计方法。
技术介绍
1、当今的各种应用场景中产生了海量的数据，例如，医疗健康领域的医疗记录、互联网公司的用户行为数据以及物联网设备生成的传感器数据等。传统的集中式机器学习方法要求将这些数据集中到中央服务器进行模型训练，然而这样的做法会导致巨大的通信开销和隐私泄露的风险，为了克服这些问题，联邦学习应运而生。联邦学习允许在分布式环境中进行模型训练，参与者可以在本地设备上保留其数据，并在本地执行模型训练。由于它允许在保持数据隐私的同时利用分散的数据资源进行模型训练，因此避免了集中式数据收集泄露隐私的风险，而且通过仅共享模型的更新而不共享原始数据，显著降低了通信开销。
2、为了达到期望的收敛精度，联邦学习通常需要在设备和中央服务器之间进行多次通信，然而，在无线网络中，联邦学习的服务器，如基站，通常是固定不动的，这导致了边缘设备可能会受到严重的掉队效应影响。而无人机作为移动的中央服务器，为联邦学习带来了新的优势。通过将模型参数从参与方设备直接...
【技术保护点】
1.一种无人机辅助联邦学习中的训练及资源联合优化设计方法，其特征在于该方法应用于无人机辅助的联邦学习网络场景中，该方法包括以下步骤：
2.根据权利要求1所述的无人机辅助联邦学习中的训练及资源联合优化设计方法，其特征在于在无人机辅助的联邦学习网络场景中，设定场景中有K个随机分布在地面上的用户设备，每个用户设备都需计算多个数据样本，将第k个用户设备在其所在水平二维坐标系上的固定位置记为qk，将第k个用户设备需计算的数据样本的数量记为Dk；设定联邦学习的任务完成时间为T，采用时间离散化技术将T划分为N个不相等的通信时隙，将第n个通信时隙的持续时间记为δ[n]；设...
【技术特征摘要】
1.一种无人机辅助联邦学习中的训练及资源联合优化设计方法，其特征在于该方法应用于无人机辅助的联邦学习网络场景中，该方法包括以下步骤：
2.根据权利要求1所述的无人机辅助联邦学习中的训练及资源联合优化设计方法，其特征在于在无人机辅助的联邦学习网络场景中，设定场景中有k个随机分布在地面上的用户设备，每个用户设备都需计算多个数据样本，将第k个用户设备在其所在水平二维坐标系上的固定位置记为qk，将第k个用户设备需计算的数据样本的数量记为dk；设定联邦学习的任务完成时间为t，采用时间离散化技术将t划分为n个不相等的通信时隙，将第n个通信时隙的持续时间记为δ[n]；设定无人机始终飞行于离地面固定高度h处，将在第n个通信时隙内无人机在其所在水平二维坐标系上的固定位置记为q[n]；其中，k＝...
【专利技术属性】
技术研发人员：付振宇，刘娟，谢玲富，屈龙，王刚，
申请(专利权)人：宁波大学，
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。