一种适用于车联网联邦学习环境的模型训练方法技术

本发明专利技术公开了一种适用于车联网联邦学习环境的模型训练方法，属于车辆物联网边缘计算技术领域，包括S1、中心节点得到相对应的联邦学习全局模型，并加载深度强化学习决策模块；S2、初始化联邦学习全局模型，并将该模型分发给区域内的边缘节点；S3、每一个参与联邦学习计算的边缘节点训练完模型后，将模型发送给中心节点；S4、决定聚合的模型；S5、重复步骤S3和S4，直至中心节点将训练好的模型上传到云端；S6、云端训练和优化深度强化学习决策模块。本发明专利技术采用上述一种适用于车联网联邦学习环境的模型训练方法，实现了对参与聚合的客户端模型的有效筛选，在降低总聚合时间的同时，提高了车辆物联网联邦学习的可用性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及车辆物联网边缘计算，尤其是涉及一种适用于车联网联邦学习环境的模型训练方法。

技术介绍

1、随着网络基础设施的发展，在车辆物联网领域，边缘计算技术越来越受到重视，其将数据处理和分析推向网络边缘，更靠近数据源，可以减少延迟，提高数据处理速度，并增强系统的实时响应能力。联邦学习作为一种分布式机器学习的范式，近年来在边缘计算领域越来越受到了重视。它允许多个参与方协作训练模型，同时保持数据的本地化。其只需聚合模型而无需将训练数据收集到云端的特性，显著的提高了信息安全和保护了用户隐私。在边缘计算和联邦学习的结合应用中，边缘设备不仅可以进行数据的预处理和分析，还可以作为联邦学习的参与者，贡献其计算能力和本地数据来共同训练更准确的模型。这种结合利用了边缘计算的低延迟和高效率，以及联邦学习的数据隐私保护和分布式协作的优势，为车辆物联网提供了强大的数据分析和模型训练能力。

2、深度强化学习是将深度学习的感知能力与强化学习的决策能力相结合的一种技术。它通过智能体与环境的不断交互来获得奖励，优化自身动作策略，以期待最大化长期收益。深度强化学习特别适合序贯本文档来自技高网...

【技术保护点】

1.一种适用于车联网联邦学习环境的模型训练方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种适用于车联网联邦学习环境的模型训练方法，其特征在于，步骤S4具体为：

3.根据权利要求2所述的一种适用于车联网联邦学习环境的模型训练方法，其特征在于，步骤S41的状态信息定义为：

4.根据权利要求2所述的一种适用于车联网联邦学习环境的模型训练方法，其特征在于，步骤S42的主成分分析具体为：首先计算模型参数的协方差矩阵，表示为其中n为模型数量；然后对协方差矩阵∑进行特征值分解，得到特征值λi和特征向量vi；通过协方差矩阵的特征向量组成转换矩阵W，转换矩...

【技术特征摘要】

1.一种适用于车联网联邦学习环境的模型训练方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种适用于车联网联邦学习环境的模型训练方法，其特征在于，步骤s4具体为：

3.根据权利要求2所述的一种适用于车联网联邦学习环境的模型训练方法，其特征在于，步骤s41的状态信息定义为：

4.根据权利要求2所述的一种适用于车联网联邦学习环境的模型训练方法，其特征在于，步骤s42的主成分分析具体为：首先计算模型参数的协方差矩阵，表示为其中n为模型数量；然后对协方差矩阵∑进行特征值分解，得到特征值λi和特征向量vi；通过协方差矩阵的特征向量组成转换矩阵w，转换...

【专利技术属性】
技术研发人员：朱超，张若羿，周怡航，王添润，康思远，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：