【技术实现步骤摘要】
本专利技术涉及无人机应用，尤其涉及一种联邦学习下无人机系统的簇头选举方法。
技术介绍
1、无人机技术的迅速发展使其逐渐扩展到农业、物流、搜救等民用领域，呈现出多样化和广泛应用的趋势。在这一背景下，无人机群体协同操作应运而生，试图通过多机协同完成更为复杂的任务。在这个背景下，联邦学习作为一种分布式学习方法，通过在设备上进行本地模型训练，从而实现全局模型的更新，为解决无人机群体协同操作中的分散数据、隐私安全等问题提供了新思路。然而，传统的联邦学习在应对无人机系统的特殊性和复杂性时面临一系列挑战，包括通信开销、模型同步和隐私保护等方面的问题。
2、在无人机群体协同操作的发展过程中，簇的分组和簇头选择问题愈加显著。传统的簇头选举方法采用静态的分簇机制，对动态环境和网络攻击缺乏灵活应对能力，且传统的分簇算法如dbscan或层次聚类在小规模系统中效果良好，但在大规模系统中可能面临计算复杂度和可扩展性的问题。因此，无人机的能源管理问题直接影响着系统的续航能力。
3、目前，现有技术中的一种簇头选择方法为固定轮询法，该方法是一种简...
【技术保护点】
1.一种联邦学习下无人机系统的簇头选举方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的基于各个无人机节点的地理位置对所有无人机进行分簇，得到初始化的各个簇和各个簇的质心的位置，包括：
3.根据权利要求2所述的方法，其特征在于，所述的根据每个无人机节点到其所属簇的质心的距离、能耗余量和计算能力计算出每个无人机节点的分数，根据各个无人机节点的分数确定各个簇的簇头，包括：
4.根据权利要求3所述的方法，其特征在于，所述的迭代优化各个簇的簇头的选举过程，得到最终的各个簇，以及各个簇的簇头和质心的位置，包括：
...【技术特征摘要】
1.一种联邦学习下无人机系统的簇头选举方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的基于各个无人机节点的地理位置对所有无人机进行分簇，得到初始化的各个簇和各个簇的质心的位置，包括：
3.根据权利要求2所述的方法，其特征在于，所述的根据每个无人机节点到其所属簇的质心的距离、能耗余量和计算能力计算出每个无人机...
【专利技术属性】
技术研发人员：赵佳，郭悦，刘吉强，郭雅婷，饶欣宇，孟祥雨，杨博凯，王妍淳，
申请(专利权)人：北京交通大学，
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。