【技术实现步骤摘要】
本专利技术属于移动通信，具体的说是涉及一种通感算一体化的空中联邦学习系统及其学习方法。
技术介绍
1、在数字化迅速发展的今天，随着各种移动智能体ma(如移动基站、无人车、手机、智能网关等)的通信计算缓存能力不断攀升，未来无线通信范式正在经历从万物互联到智能互联的范式转变。这有望支持各种人工智能应用和服务的发展。如增强现实和虚拟现实正在逐渐融入人们生活中。同时，智能大模型也逐渐被研究人员所重视。但是训练智能大模型需要收集大量的数据，这使得网络数据的流量也随之呈现指数级的增长。这种趋势为通信网络的效率和稳定性带来了巨大挑战，尤其是在当前对低延迟和隐私保护要求极为严格的环境中。传统的集中式计算框架因其在处理大规模实时数据时的局限性，已逐渐无法满足现代物联网(iot)设备和应用的发展需求。作为一种典型的fl算法，平均联邦学习(fedavg)迭代执行了两个阶段：(1)ma从核心服务器接收全局模型，并更新多步骤的本地模型；(2)ma发送更新后的本地模型到核心服务器进行聚合，以获得新的全局模型。随着ma的计算能力日益增强，这种模型的实用性和适用范围也在不断扩大。尽管联邦学习fl改善了资源短缺并保护了数据隐私，但是在无线网络上传输这些本地模型也需要大量资源，这成为了实际无线网络中运用fl框架的瓶颈之一。因此无线联邦学习(wfl)仍然存在许多优化空间。最近的一些研究考虑了异步机制，用户调度，带宽感知自适应，梯度量化。但是这些方法都忽略了物理层和网络层的问题，单纯考虑了通信和计算方面，并没有考虑通信结合计算的方面。
2、平均联邦学习(f
3、现有大多数研究并没有考虑训练智能大模型需要收集的数据所造成的数据异构性。这导致了本地模型一般具有地理区域性。在一个区域内的数据标签具有偏好性。这是由于不同区域的设备的行为各不相同。地理距离差别大的地区可能会有不同的本地模型的权重。然而现有研究并没有把空中计算和设备感知结合在一起。忽略了空中计算(over theair computation,oac)过程中的叠加信号中隐藏的特征。现有技术中基于深度学习的到达角估计器擅长直接从大量数据中提取高度抽象和具有代表性的特征，这使得其可以自主学习信道状态差异和低信噪比造成的影响。但该研究单纯感知了设备位置，但没有结合通信并计算的功能。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种通感算一体化的空中联邦学习系统及其学习方法。为了解决地区性数据集造成的本地模型梯度偏差，本专利技术提出了一个新的地区选择性的空中联邦学习算法，该算法考虑了全部移动代理的位置信息和信道状态信息以更新对应核心服务器服务范围中的区域性权重矩阵；然后，为了分别获得全部移动代理的位置信息和信道状态信息，本专利技术使用了一个神经网络组对mas进行感知。
2、为了达到上述目的，本专利技术是通过以下技术方案实现的：
3、本专利技术是一种通感算一体化的空中联邦学习系统，该空中联邦学习系统包括：
4、模型学习模块：由区域选择的空中联邦学习方法(air-fedrs)组成；
5、设备感知模块：设备感知模块为nng用户感知器，所述nng用户感知器处理叠加信号来感知上传本地模型移动代理的位置和信号状态；
6、移动代理(mobile agent，ma)：收集数据或在不同区域收集个人设备发送的数据，根据地区代表性权重进行本地模型训练，完成训练后进行本地模型上传核心服务器以聚合全局模型；
7、核心服务器(central server,cs)：感知移动代理的位置和状态信息，更新地区代表性权重并向n个全部移动代理发送对应的功率补偿系数，核心服务器接收到所有本地模型后进行全局模型聚合并广播全局模型，将其输入到模型学习模块中，利用区域选择的空中联邦学习算法(air-fedrs)进行下一轮联邦学习；
8、本专利技术的进一步改进在于：nng用户感知器包括一个分类器和多个回归头，分类器为代理数量感知器，回归头为单代理感知器，双代理感知器，多代理感知器，代理数量感知器是用来估计叠加信号的全部移动代理的数量，单代理感知器，双代理感知器，多代理感知器是用来感知不同全部移动代理的位置和信道状态信息，nng用户感知器是利用空中联邦学习中叠加信号的代表性特征，感知不同移动代理的位置和各自的信道状态，补充了传统的空中联邦学习框架的感知功能。
9、nng用户感知器处理叠加信号来感知本地模型移动代理的位置和信号状态，具体包括如下步骤：
10、接受信号x
11、
12、计算采样协方差矩阵r：
13、
14、其中，v为采样窗口大小，xh为接收信号的共轭转置，l为上传信号数量，l为上传信号索引，a为信道增益，为方向角，n为噪声；
15、把采样协方差矩阵r输入到所述nng用户感知器中进行感知，采样协方差矩阵r先进入代理数量感知器得到全部移动代理的数量nt，然后再把采样协方差矩阵r输入到回归头得到不同全部移动代理的位置和信道状态，如果nt＝1，则使用单代理感知器；nt＝2则使用双代理感知器，如果nt＝3，则使用三代理感知器，如果nt＝x，则使用x代理感知器，以此类推。
16、本专利技术的进一步改进在于：空中联邦学习方法(air-fedrs)具体包括以下步骤：
17、步骤1、根据核心服务器的服务范围和具体要求初始化服务范围权重矩阵m，初始化全局模型并广播给参加空中联邦学习的全部移动代理，确定总损失函数；
18、步骤2、步骤1中的全部移动代理接收到全局模型后根据服务范围权重矩阵m进行本地模型训练，完成本地模型训练后，通过空中计算算法上传测试信号得到功率补偿系数，对本地模型进行预处理和编码后，时频同步通过空中计算算法上传本地模型并聚合全局模型；
19、步骤3、核心服务器得到步骤2的全局模型后计算全局损失，根据全局损失和全部移动代理的位置更新服务范围权重矩阵m，最后广播全局模型。
20、本专利技术的进一步改进在于：步骤1具体包括以下步骤：
21、步骤1.1、确定核心服务器服务范围内的全部移动代理并根据俯仰角确定区域划分即根据不同地区的核心服务器程度进行划分；
22、步骤1.2、初始化服务范围权重矩阵m：定义了对于第t轮更新的第n个移动代理的地区代表性权重为其中m(ρn，θn)为核心服务器对应于位置信息(ρn，θn)的服务范围权重矩阵元素，m为服务范围权重矩阵，为了限制地区代表性权重过于扩大偶发地区数据集造成模型的精度的影响。设置的范围为(1，+∞)，默认以10°为步长划分。所以m矩阵的大小为[36，10]，在开始第一轮聚合之前，服务范围权重矩阵m的所有的元素初始化为1；
23、步骤1.3、确定全局损本文档来自技高网...
【技术保护点】
1.一种通感算一体化的空中联邦学习系统，其特征在于：所述通感算一体化的空中联邦学习系统包括：
2.根据权利要求1所述的一种通感算一体化的空中联邦学习系统，其特征在于：所述NNG用户感知器包括一个分类器和多个回归头，所述分类器为代理数量感知器，回归头为单代理感知器，双代理感知器，多代理感知器，代理数量感知器是用来估计叠加信号的全部移动代理的数量，单代理感知器，双代理感知器，多代理感知器是用来感知不同全部移动代理的位置和信道状态信息。
3.根据权利要求1所述的一种通感算一体化的空中联邦学习系统，其特征在于：所述NNG用户感知器是利用空中联邦学习中叠加信号的代表性特征，感知不同移动代理的位置和各自的信道状态，补充了传统的空中联邦学习框架的感知功能，所述NNG用户感知器处理叠加信号来感知本地模型移动代理的位置和信号状态，具体包括如下步骤：
4.根据权利要求1所述的一种通感算一体化的空中联邦学习系统，其特征在于：所述区域选择的空中联邦学习算法(Air-FedRS)具体包括以下步骤：
5.根据权利要求4所述的一种通感算一体化的空中联邦学习系统，
6.根据权利要求5所述的一种通感算一体化的空中联邦学习系统，其特征在于：步骤2具体包括以下步骤：
7.根据权利要求6所述的一种通感算一体化的空中联邦学习系统，其特征在于：所述步骤3具体包括如下步骤：
8.根据权利要求1-7任一项所述的一种通感算一体化的空中联邦学习系统，其特征在于：该通感算一体化的空中联邦学习系统的空中联邦学习方法具体包括以下步骤：
...【技术特征摘要】
1.一种通感算一体化的空中联邦学习系统，其特征在于：所述通感算一体化的空中联邦学习系统包括：
2.根据权利要求1所述的一种通感算一体化的空中联邦学习系统，其特征在于：所述nng用户感知器包括一个分类器和多个回归头，所述分类器为代理数量感知器，回归头为单代理感知器，双代理感知器，多代理感知器，代理数量感知器是用来估计叠加信号的全部移动代理的数量，单代理感知器，双代理感知器，多代理感知器是用来感知不同全部移动代理的位置和信道状态信息。
3.根据权利要求1所述的一种通感算一体化的空中联邦学习系统，其特征在于：所述nng用户感知器是利用空中联邦学习中叠加信号的代表性特征，感知不同移动代理的位置和各自的信道状态，补充了传统的空中联邦学习框架的感知功能，所述nng用户感知器处理叠加信号来感知...
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。