【技术实现步骤摘要】
本专利技术属于联邦学习，具体涉及一种基于非正交多址接入的无人机联邦学习方法及装置。
技术介绍
1、联邦学习作为新一代机器学习技术，在保护用户隐私、提高数据利用率等方面有着显著优势。而无人机联邦学习则可以借助无人机的空中优势，显著优化无线数据传输的信道条件。在无人机联邦学习中，参与训练的设备数量将成为影响模型性能和收敛速度的重要因素。更多设备的参与能够使模型从更广泛的数据中学习先验知识，显著提升模型的泛化能力，加速模型的收敛速度。但与此同时，这也势必会导致无人机与基站之间频繁的数据交换，且需要足够的通信资源来承载大量设备的接入。
2、目前大多数研究仅考虑了无人机联邦学习中的无线信道优势，并未关注设备接入数量和动态环境约束对联邦学习的影响。如何在动态约束下，优化设备的接入方式，从而加快模型收敛，提高模型性能是一个关键问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于非正交多址接入的无人机联邦学习方法及装置，以满足在动态约束下，优化设备的接入方式，从而加快模型收敛的
本文档来自技高网...
【技术保护点】
1.一种基于非正交多址接入的无人机联邦学习方法，其特征在于，应用于无人机与地面基站组成的系统，无人机存储有本地模型，地面基站存储有全局模型，包括：
2.根据权利要求1所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，选择本次联邦学习的参与者的方式为：
3.根据权利要求1所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，预先训练好的演员评论家模型奖励函数如下：
4.根据权利要求2所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，确定多个无人机的信息新鲜度，包括：
5.根据权利要求1所述的...
【技术特征摘要】
1.一种基于非正交多址接入的无人机联邦学习方法，其特征在于，应用于无人机与地面基站组成的系统，无人机存储有本地模型，地面基站存储有全局模型，包括：
2.根据权利要求1所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，选择本次联邦学习的参与者的方式为：
3.根据权利要求1所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，预先训练好的演员评论家模型奖励函数如下：
4.根据权利要求2所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，确定多个无人机的信息新鲜度，包括：
5.根据权利要求1所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，还包括：
6.根据权利要求1所述的一种基于非正交多址接入的无人机联邦学习方法，其特征在于，获取无人机当前...
【专利技术属性】
技术研发人员：王景璟，任鹏飞，陈健瑞，王智伟，张家玮，王佳星，
申请(专利权)人：北京航空航天大学，
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。