-
公开(公告)号：CN113902021A
公开(公告)日：2022-01-07
申请号：CN202111191599.8
申请日：2021-10-13
Abstract: 本发明公开了一种高能效的聚类联邦边缘学习策略生成方法和装置，方法包括以下步骤：S1、云中心初始化边缘接入策略；S2、边缘基站求解其接入设备的带宽资源分配策略，将其初始化模型发送给接入设备；S3、设备计算接收到的全局模型的精度，根据全局模型和本地数据采用分层迁移策略训练本地模型，计算上传本地模型花费的能量，将测试精度与能耗的差值作为本地收益，将本地模型和本地收益上传到所接入的边缘基站；S4、边缘基站分层聚合本地模型，通过平均所有接入设备的本地收益，计算边缘收益，将边缘收益上传到云中心；S5、云中心根据收到的边缘基站的反馈信息，计算系统收益，采用深度强化学习算法调整边缘接入策略；S6、重复上述过程直至收敛。
-
公开(公告)号：CN118425940A
公开(公告)日：2024-08-02
申请号：CN202410593729.8
申请日：2024-05-14
Applicant: 北京邮电大学
Abstract: 本发明提供一种多点协同被动感知方法、装置、接收节点及介质，涉及协同感知技术领域。所述多点协同被动感知方法包括：接收多个发射节点发送的感知信号，包括经过目标反射的NLoS径信号和未经过目标反射的LoS径信号；根据感知信号，获取每个发射节点的经过通信信息剥离后的NLoS径信号和LoS径信号；对经过通信信息剥离后的NLoS径信号和LoS径信号进行互相关处理，获得每个发射节点的互相关结果；根据每个发射节点的互相关结果，获取每个发射节点对应的目标的距离特征向量和速度特征向量；根据每个发射节点对应的目标的距离特征向量和速度特征向量，获取目标的位置感知结果和速度感知结果。本发明的方案，能够提高目标感知精度。
-
公开(公告)号：CN113902021B
公开(公告)日：2024-06-21
申请号：CN202111191599.8
申请日：2021-10-13
Abstract: 本发明公开了一种高能效的聚类联邦边缘学习策略生成方法和装置，方法包括以下步骤：S1、云中心初始化边缘接入策略；S2、边缘基站求解其接入设备的带宽资源分配策略，将其初始化模型发送给接入设备；S3、设备计算接收到的全局模型的精度，根据全局模型和本地数据采用分层迁移策略训练本地模型，计算上传本地模型花费的能量，将测试精度与能耗的差值作为本地收益，将本地模型和本地收益上传到所接入的边缘基站；S4、边缘基站分层聚合本地模型，通过平均所有接入设备的本地收益，计算边缘收益，将边缘收益上传到云中心；S5、云中心根据收到的边缘基站的反馈信息，计算系统收益，采用深度强化学习算法调整边缘接入策略；S6、重复上述过程直至收敛。
-
公开(公告)号：CN116341679A
公开(公告)日：2023-06-27
申请号：CN202310284944.5
申请日：2023-03-22
Applicant: 北京邮电大学
Abstract: 本发明公开了一种高时效的联邦边缘学习调度策略设计方法，首先从理论上推导了优化变量与收敛性能之间的关系，在收敛分析的基础上，提出了在每个设备平均能量和梯度年龄约束下的最小化收敛误差与时间加权和的优化问题。其次采用李雅普诺夫优化方法将长期随机优化问题转化为了在线优化问题，以便在每一轮训练中在线求解。然后提出了一种自适应的数据辅助调度策略，并证明了该算法具有多项式的算法复杂度，同时保持渐近最优性。最后通过实验观察，研究了设备不同的异构性对训练效率的影响。结果表明本发明能够综合考虑设备选择、训练数据量和梯度量化级别等因素，在设备的统计、计算资源和通信资源三重异构下，提高联邦边缘学习的训练效率。
-
-
-
Search Results
4
records
(took 0.021 seconds)
