【技术实现步骤摘要】
本公开涉及智能工业制造及模型估值，具体涉及基于主成分分析的工业物联网联邦学习方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、随着机器学习的发展和对个人数据需求的增大，对数据收集的范围也在逐渐扩大，而传统的先收集数据再统一训练的机器学习框架随着人们对数据隐私保护的需要的增长受到了越来越大的限制。因此，联邦学习这种分布式的机器学习框架应运而生。联邦学习通过在参与者本地使用本地数据分布式训练并上传训练后模型在中心服务器进行聚合，最终在多次迭代后向参与者下发全局模型，并根据参与者的贡献给予回报。在传统联邦学习中，参与者贡献由参与者上报的数据量决定，然而，由于参与者的本地训练过程是高度自主的，其上报数据量无法保证是真实的。如何确定参与者真实的贡献是当前联邦学习应用中的一个技术难题。
3、联邦学习方法可用于工业物联网，根据来自多个工厂的数据训练机器学习模型，实现预测性维护或识别常见模式和趋势，以优化所有工厂的运营。对于在其组织内的工厂来说，这些数据可能存在隐私问题，不...
【技术保护点】
1.基于主成分分析的工业物联网联邦学习方法，其特征在于，包括：
2.如权利要求1所述的基于主成分分析的工业物联网联邦学习方法，其特征在于，用主成分分析法对特定模型参数矩阵进行数据降维，计算其协方差矩阵为：
3.如权利要求2所述的基于主成分分析的工业物联网联邦学习方法，其特征在于，对于其他工厂参与者上传的模型参数构建的模型参数矩阵，依次计算协方差矩阵，然后计算协方差矩阵在特定主成分向量方向上的特征值大小。
4.如权利要求1所述的基于主成分分析的工业物联网联邦学习方法，其特征在于，基于模型参数矩阵的主成分计算特定本地模型与其他本地模型之...
【技术特征摘要】
1.基于主成分分析的工业物联网联邦学习方法，其特征在于，包括：
2.如权利要求1所述的基于主成分分析的工业物联网联邦学习方法，其特征在于，用主成分分析法对特定模型参数矩阵进行数据降维，计算其协方差矩阵为：
3.如权利要求2所述的基于主成分分析的工业物联网联邦学习方法，其特征在于，对于其他工厂参与者上传的模型参数构建的模型参数矩阵，依次计算协方差矩阵，然后计算协方差矩阵在特定主成分向量方向上的特征值大小。
4.如权利要求1所述的基于主成分分析的工业物联网联邦学习方法，其特征在于，基于模型参数矩阵的主成分计算特定本地模型与其他本地模型之间的相似度和差异度，包括：计算其他模型参数矩阵的协方差矩阵在特定模型参数矩阵每个主成分上的向量及其特征值大小，将特定本地模型与其他本地模型的特征值两两比较，计算相似度和差异度，将特征向量的相交部分之积作为相似度，相差部分之积作为差异度。
5.如权利要求4所述的基于主成分分析的工业物联网联邦学习方法，其特征在于，将特征向量的相交部分之积作为相似度，为：
...【专利技术属性】
技术研发人员：吕洪涛，刘之恒，刘磊，崔立真，郭伟，
申请(专利权)人：山东大学，
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。