【技术实现步骤摘要】
本专利技术属于空地协同在线联邦学习，具体涉及不可靠通信条件下多基站协同空地在线联邦学习方法。
技术介绍
1、无人机技术的快速发展凸显了其在物流配送、灾害救援及精准农业等多领域的应用潜力，这主要得益于无人机固有的高度灵活性与机动性。通过搭载嵌入式智能计算系统，无人机现已具备在机上训练机器学习模型的能力。凭借其快速覆盖广阔区域和实时数据处理的优势，无人机有效弥合了地面网络与低空空域网络之间的空白，显著增强了边缘智能系统的整体性能与响应速度。
2、尽管无人机赋能的深度学习技术展现出了广阔的应用前景，机载计算资源和能源的有限性仍然构成关键瓶颈。诸多智能应用场景，如自动驾驶与目标跟踪，通常依赖分布式且异构的数据集，导致集中式数据处理面临复杂性高、带宽受限及隐私风险等挑战。因此，构建一种既稳定又高效的分布式学习框架，有效支持无人机系统在实际复杂环境中的智能决策与协同作业，成为解决上述瓶颈问题的关键所在。联邦学习作为无人机智能系统的理想解决方案，凭借其去中心化的架构，使多个客户端能够在本地数据集上独立训练模型，并通过协同更新共享的全局模型...
【技术保护点】
1.不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，所述步骤1中，无线信道包错误率的计算公式为：
3.根据权利要求1所述的不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，所述步骤2中，上行通信时延TiU、下行通信时延TiD和计算时延TiC的计算公式为：
4.根据权利要求3所述的不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，所述步骤3中，无人机i在一轮联邦学习迭代中的通信与计算总能耗的计算方式为：
<...【技术特征摘要】
1.不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，所述步骤1中，无线信道包错误率的计算公式为：
3.根据权利要求1所述的不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，所述步骤2中，上行通信时延tiu、下行通信时延tid和计算时延tic的计算公式为：
4.根据权利要求3所述的不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，所述步骤3中，无人机i在一轮联邦学习迭代中的通信与计算总能耗的计算方式为：
5.根据权利要求4所述的不可靠通信条件下多基站协同空地在线联邦学习方法，其特征在于，所述步骤4具体包括如下子步骤：
6.根据权利要求5所述的不可靠通信条件下多基站协同空地在线联邦学...
【专利技术属性】
技术研发人员：董超，经宇骞，屈毓锛，朱小军，
申请(专利权)人：南京航空航天大学，
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。