一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法技术方案

本发明专利技术涉及无线通信技术领域，特别涉及一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，该方法构建了一个联合优化用户调度和功率分配的混合整数混合时间尺度的随机非凸问题，旨在最小化系统执行一个完整FL过程的总时间消耗；其中解决调度问题时制定了双准则，定义两个分别能反映用户通信资源和计算资源丰富程度的指标，根据双准则进行两次用户选择，确保被调度的用户既能为系统通信性能作出较大贡献的同时也能保证学习性能的提升；将功率分配问题解耦为两个不同方向的子问题，采用低复杂度的二分法进行交替优化求解最优功率分配方案；本发明专利技术能够在较低的复杂度下获得系统吞吐量的显著提升，并且同时保证联邦学习性能和收敛速度。

【技术实现步骤摘要】

本专利技术涉及无线通信系统资源分配与优化，特别涉及一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法。

技术介绍

1、联邦学习(fl,federated learning)的核心思想是在本地设备上进行模型训练，只将模型参数上传至中央服务器进行聚合，从而避免了原始数据的共享。这种方法不仅保护了用户隐私，还能够充分利用分散在各个设备上的数据资源，提高模型的泛化能力和效率，同时降低了通信开销和能耗。然而，在无线网络中进行fl算法模型训练时，有限的无线资源和无线链路的不可靠性成为了性能提升的瓶颈。无蜂窝大规模mimo(cf mmimo,cell-free massive multiple inputs and multiple outputs)网络通过在有限的区域内部署大量的网络接入点(ap,access point)来提供高质量的通信链路。与此同时，cf mmimo能够提供高分集、多路复用和宏分集增益，为所有ue提供统一的高质量服务。这种特性保证了在大范围连续时间内fl迭代过程通信链路的稳定性和可靠性。然而，在cf mmimo网络中存在大量的ap和ue，增大本文档来自技高网...

【技术保护点】

1.一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，步骤S3具体包括：

3.根据权利要求2所述的一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，步骤S31中，UE的持有数据重要度计算公式为：

4.根据权利要求2所述的一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，UE的中断概率计算公式为：

5.根据权利要求1所述的一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征...

【技术特征摘要】

1.一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，步骤s3具体包括：

3.根据权利要求2所述的一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，步骤s31中，ue的持有数据重要度计算公式为：

4.根据权利要求2所述的一种基于联邦学习的无蜂窝网络系统用户调度与功率分配方法，其特征在于，ue的中断概率计算公式为：

5.根据权利要求1...

【专利技术属性】
技术研发人员：王华华，黄烨霞，李玲，王丹，陈发堂，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：