【技术实现步骤摘要】
本专利技术属于空地协同增量联邦学习领域，具体涉及一种基于无人机位置优化的空地协同增量联邦学习方法。
技术介绍
1、新一代信息技术的最新进展推动了物联网系统中日益复杂和计算密集型任务的发展。在过去的十年中，数据增长趋势凸显了5g在支持大规模物联网部署方面的不足，为了解决这个问题，人们提出了重点关注普及智能的6g用以满足数以百万计的无线连接设备的高速、低延迟的数据传输。为了扩展6g中的应用场景，网络边缘的大量数据集的连续生成将主要由移动设备驱动。这一激增凸显了将人工智能的前沿带到网络边缘的紧迫性，从而释放了6g网络的全部潜力。因此，边缘智已经成为解决这些挑战的颠覆性范式，因为它提倡将计算从云中心转移到边缘设备。
2、建立一个高效可靠的ei系统，将智能注入6g网络至关重要。联邦学习作为分布式学习中的一种方法，已经证明了有希望缓解网络拥塞、减少紧急事件响应时间，以及保护用户隐私。然而，联邦学习对传统地面基站的依赖限制了其在紧急情况下的覆盖范围和响应能力。例如，在偏远山区或远离热点地区，地面网络的覆盖漏洞构成了重大挑战。此外，在节日或...
【技术保护点】
1.基于无人机位置优化的空地协同增量联邦学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于无人机位置优化的空地协同增量联邦学习方法，其特征在于：所述步骤1中，筛选样本的梯度范数上界Ξ(K)的计算过程如下：
3.如权利要求1所述的基于无人机位置优化的空地协同增量联邦学习方法，其特征在于：所述步骤2中，计算能耗的计算过程如下：
4.如权利要求1所述的基于无人机位置优化的空地协同增量联邦学习方法，其特征在于：所述步骤3中，通信能耗的计算过程如下：
5.如权利要求2所述的基于无人机位置优化的空地协同增量联邦学习方法...
【技术特征摘要】
1.基于无人机位置优化的空地协同增量联邦学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于无人机位置优化的空地协同增量联邦学习方法，其特征在于：所述步骤1中，筛选样本的梯度范数上界ξ(k)的计算过程如下：
3.如权利要求1所述的基于无人机位置优化的空地协同增量联邦学习方法，其特征在于：所述步骤2中，计算能耗的计算过程如下：
4.如权利要求1所述的基于无人机位置优化的空地协同增量联邦学习方法，其特征在于：所述步骤3中，通信能耗的计算过程如下：
5.如权利要求2所述的基于无人机位置优化的空地协同增量联邦学习方法，其特征在于：所述步骤4具体包括如下子步骤：
6.如权利要求5所述的基于无人机位置优化...
【专利技术属性】
技术研发人员：屈毓锛，董超，经宇骞，张磊，周福辉，吴启晖，
申请(专利权)人：南京航空航天大学，
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。