【技术实现步骤摘要】
本专利技术涉及无线通信，具体涉及一种基于星地协同传输的卫星联邦边缘学习方法。
技术介绍
1、随着5g通信技术进入商业化阶段，在全球范围内得到了广泛部署，特别是在进入6g时代的背景下，低地球轨道(低轨)卫星网络成为了一个重要的研究方向，且已在全球范围内积极部署。例如starlink、kuiper，以及中国最近宣布的低轨星座项目，其目标是充分利用低延迟和高覆盖率的特点，为遥感、地理信息系统、灾害监测等领域提供了新的解决方案。
2、除了通信能力，现代低轨卫星通常配备有计算和遥感等多种有效载荷。同时，各种卫星机载计算硬件，如机载cpu、gpu和其他在轨计算芯片的迅速发展，使得星载计算能力不断提升。此外，得益于低轨卫星的低高度和合成孔径雷达以及多光谱感测技术等遥感技术的成熟，加上低轨卫星数量的爆炸性增长，大量高分辨率的遥感数据在星上被收集，无疑蕴涵着巨大的信息提取和利用价值。作为当前最主要的数据挖掘方法，机器学习技术已在遥感数据处理中得到广泛应用，包括土地覆盖分类、云检测和降水估计、漏油检测等多种应用。
3、然而，对大量遥感数据进行机器学习模型训练的传统方法主要是：将原始数据从卫星传输到地面站，并在云计算中心执行进一步处理。然而，随着星上数据量的剧增和卫星与地面之间有限且昂贵的频谱资源，这种方法导致了巨大的通信成本。此外，星上原始数据的利用涉及严重的数据隐私问题，特别是对于高分辨率卫星图像的使用会受到相关法规的严格限制。
4、鉴于通信瓶颈和数据隐私的这两个挑战，利用卫星端的计算能力进行在轨模型训练正成为
5、为了解决这个问题，大多数现有工作都集中在设计异步机制以减少星地链路的等待时间，却会导致全局模型收敛较慢。另一个研究方向是利用成熟的激光星间链路技术进行卫星中继，以减少星地链路中断期间的等待时间。但是这些相关研究都忽略了卫星联邦边缘学习的拓扑特性，且缺乏一种星地之间的协同传输机制。
技术实现思路
1、本专利技术的目的是：进一步提升卫星联邦边缘学习的效率，有效解决通信窗口短和星地链路零星等问题。
2、本专利技术的技术方案是提供了一种基于星地协同传输的卫星联邦边缘学习方法，包括以下步骤：
3、步骤1：在训练初始，第m个轨道的第k颗卫星使用第k颗卫星相对应的本地数据集，从同一初始点开始，进行多轮本地模型训练，即：
4、
5、其中，第r轮的本地模型可以表示为η为学习率，为第r轮全局迭代第t轮轨道内迭代时第e次本地训练基于的随机梯度值；
6、步骤2：完成本地训练后，根据本地模型利用基于星间激光链路的环全归约的轨道内模型聚合算法，在同一轨道内的卫星间进行高效的聚合，以获得轨道内的平均模型即：
7、
8、其中，km是每个轨道内卫星的个数；
9、步骤3：轨道m内每颗卫星的本地模型为平均模型采用基于网络流的星地协同传输机制进行全局模型的聚合，并在全局模型得到更新后，地面信号站将其广播回所有卫星，以开始新的全局迭代轮次。
10、优选地，所述步骤1中采用随机梯度下降法从同一初始点开始进行多轮本地模型训练。
11、优选地，所述轨道内模型聚合算法包括以下步骤：
12、步骤201：确定轨道中卫星的数量km和联邦边缘学习的模型参数的维度d；
13、步骤202：轨道m中的卫星将本地模型等分成2km个等大小的模型块，即模型块被表示为：
14、
15、其中，u＝0,1,...,km-1，表示向上取整；
16、步骤203：在第i次迭代，轨道m内第k颗卫星将发送给第(k+1)％km颗卫星，将发送给第(k-1)％km颗卫星，其中％表示求余；
17、当0≤i<km-1时，每颗卫星的模型块更新准则为：
18、
19、
20、当km-1≤i<2km-2时，每颗卫星的模型块更新准则为：
21、
22、
23、经过i次迭代，获得轨道内的平均模型
24、优选地，所述星地协同传输机制包括以下步骤：
25、步骤301：构建网络流问题，并在网络流问题中的每个时隙构建包含节点部分和边部分的图；
26、步骤302：地面参数服务器通过福特-富尔克森算法对步骤1的网络流问题进行求解，得到当前时隙星地协同传输的定量模型并告知与地面信号站建立星地链路的卫星所需传输的模型比例；
27、步骤303：在不同时隙，地面参数服务器根据当前星地链路状态，根据步骤1和2动态协调进行动态协调，从而实现全局模型的聚合。
28、本专利技术的技术方案提出一种基于星地协同传输的卫星联邦边缘学习方法，通过星上本地多轮模型训练达到数据不出本地的目的，并在全局轮次中加入多个轨道内模型平均轮次的方法以减少开销大、窗口短、等待时间长的星地链路的使用，同时加速模型收敛。利用轨道内激光星间链路相比星地链路更高的数据传输率和稳定性，提出了在全局轮次中加入多个轨道内训练轮次的方法以减少星地链路的使用。利用同一低轨卫星轨道内基于激光星间链路形成的稳定的环形拓扑结构，专利技术人基于环全归约算法提出了一个高效的轨道内聚合通信方案。为了快速进行全局模型聚合，还提出了一种基于网络流的星地高效协同模型传输机制，进一步减少了通信总延迟。针对卫星联邦边缘学习的架构和通信机制设计有效降低了卫星联邦边缘学习模型训练的收敛时间并提升了准确率。
本文档来自技高网...【技术保护点】
1.一种基于星地协同传输的卫星联邦边缘学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于星地协同传输的卫星联邦边缘学习方法，其特征在于，所述步骤1中采用随机梯度下降法从同一初始点开始进行多轮本地模型训练。
3.如权利要求1所述的一种基于星地协同传输的卫星联邦边缘学习方法，其特征在于，所述轨道内模型聚合算法包括以下步骤：
4.如权利要求1所述的一种基于星地协同传输的卫星联邦边缘学习方法，其特征在于，所述星地协同传输机制包括以下步骤：
【技术特征摘要】
1.一种基于星地协同传输的卫星联邦边缘学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于星地协同传输的卫星联邦边缘学习方法，其特征在于，所述步骤1中采用随机梯度下降法从同一初始点开始进行多轮本地模型训练。
<...
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。