【技术实现步骤摘要】
本专利技术涉及车通信网络，尤其涉及一种面向分布式联邦学习的车联网拓扑优化方法。
技术介绍
1、车联网技术的快速发展为实现车辆间的分布式联邦学习奠定了基础。分布式联邦学习通过在车辆本地训练与车辆间模型共享的方式，达到在保护数据隐私的同时，提高模型精度的目的。然而，由于通信范围的有限性，当车辆驶出通信范围时，车辆间的模型共享传输便会断开，从而会导致模型训练的精度降低。另外，用于进行分布式联邦学习的车辆本地数据存在非独立同分布问题（non-independent identically distributed，non-iid）。由于车辆的数据是由每个独立的用户在不同时段和不同地区产生的，这些数据会涉及用户的个人偏好信息，例如车载摄像头采集的图像数据可能是由不同用户在不同地区采集的，这些因素都是导致车辆间数据集是 non-iid 情况的重要原因。车辆本地的non-iid数据会导致车辆训练的本地模型产生模型偏移，导致车辆间模型存在差异性。从而使得车辆融合不同邻居车辆的模型，会产生不同的精度增益效果。通常，融合的模型相似度越高，精度增益效果越好。因...
【技术保护点】
1.一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，根据场景中各车辆的模型梯度计算车辆的分布式联邦学习模型之间的相似度，根据所述相似度得到模型相似度矩阵包括：
3.根据权利要求1所述的一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，所述根据车辆的行驶状态信息和车辆之间的连接链路信息构建车联网拓扑图包括：
4.根据权利要求3所述的一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，所述边属性矩阵的计算方法包括：
<...【技术特征摘要】
1.一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，根据场景中各车辆的模型梯度计算车辆的分布式联邦学习模型之间的相似度，根据所述相似度得到模型相似度矩阵包括：
3.根据权利要求1所述的一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，所述根据车辆的行驶状态信息和车辆之间的连接链路信息构建车联网拓扑图包括：
4.根据权利要求3所述的一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，所述边属性矩阵的计算方法包括：
5.根据权利要求1所述的一种面向分布式联邦学习的车联网拓扑优化方法，其特征在于，所述图卷积神经网络包括：
6.根据权利要求5所述的一种面向分布式联邦学习的车联网...
【专利技术属性】
技术研发人员：李玉鹏，黄丹阳，田传印，陈晓韦，
申请(专利权)人：中汽智联技术有限公司，
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。