公开(公告)号：CN113364543B

公开(公告)日：2022-03-15

申请号：CN202110620727.X

申请日：2021-06-03

Applicant: 厦门大学

Inventor： 肖亮 ,  许诗雨 ,  洪思愿 ,  林紫涵 ,  冯玮

IPC: H04B17/391 ,  H04B17/345 ,  H04W16/22 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于联邦强化学习的边缘计算模型训练方法，涉及无线通信和信息安全。1)检测信号覆盖范围内的移动设备数量，构建卷积神经网络，初始化参数；2)将各移动设备的参数组成状态向量输入卷积神经网络中，得选择的移动设备和训练数据量；3)将全局模型参数和选择的数据量发送给移动设备，接收移动设备的本地模型参数，更新全局模型参数；4)根据各移动设备的训练时间、目标识别精度和能量消耗作为奖励值，更新状态向量、存储向量；5)从内存中随机选取存储的向量更新卷积神经网络的权重参数；6)重复2)～5)至移动设备反馈的目标识别精度的平均值大于所需的目标识别精度。提高T秒内目标识别精度，减少训练时间和移动设备能量消耗。

公开(公告)号：CN113364543A

公开(公告)日：2021-09-07

申请号：CN202110620727.X

申请日：2021-06-03

Applicant: 厦门大学

Inventor： 肖亮 ,  许诗雨 ,  洪思愿 ,  林紫涵 ,  冯玮

IPC: H04B17/391 ,  H04B17/345 ,  H04W16/22 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于联邦强化学习的边缘计算模型训练方法，涉及无线通信和信息安全。1)检测信号覆盖范围内的移动设备数量，构建卷积神经网络，初始化参数；2)将各移动设备的参数组成状态向量输入卷积神经网络中，得选择的移动设备和训练数据量；3)将全局模型参数和选择的数据量发送给移动设备，接收移动设备的本地模型参数，更新全局模型参数；4)根据各移动设备的训练时间、目标识别精度和能量消耗作为奖励值，更新状态向量、存储向量；5)从内存中随机选取存储的向量更新卷积神经网络的权重参数；6)重复2)～5)至移动设备反馈的目标识别精度的平均值大于所需的目标识别精度。提高T秒内目标识别精度，减少训练时间和移动设备能量消耗。