本发明专利技术涉及一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，包括：采集SAR图像数据并进行预处理，生成相应的目标识别标签，得到带标签数据集；搭建半去中心化联邦学习框架，初始化全局模型参数；各客户端使用本地私有数据进行模型训练，通过设备间通信获得本地参数共识；服务器随机选择客户端进行参数传输，聚合模型参数并更新全局模型参数，将更新后的全局模型参数广播给所有客户端；迭代训练，直至全局模型参数达到收敛状态，得到训练好的全局模型；对训练好的全局模型进行测试，选用通过测试的全局模型进行SAR图像目标识别。与现有技术相比，本发明专利技术在保证模型性能和数据隐私保护的前提下，能有效降低服务器和客户端之间的通信开销。
【技术实现步骤摘要】
本专利技术涉及遥感合成孔径雷达目标识别应用领域，尤其是涉及基于半去中心化架构的多客户端协同sar图像目标识别方法。
技术介绍
1、合成孔径雷达(sar)具有全天候、全天时工作的能力，在军事监视、灾害监测和环境保护等领域具有重要应用。然而，sar数据采集成本高昂且难以获取，数据共享又涉及敏感信息的隐私问题。sar自动目标识别(atr)的有效实现面临数据稀缺和隐私保护的重大挑战。为了解决这些问题，联邦学习(fl)技术被提出，通过在参与方之间传递模型参数而非原始数据，实现了多个机构在不共享数据的前提下共同训练模型，确保数据隐私。
2、然而，传统fl架构仍存在高通信开销的问题。传统fl架构采用星型拓扑结构，主服务器连接多个客户端，每轮训练包括本地更新和全局参数聚合。这样的集中式fl架构存在一些局限性，如长延迟、大带宽利用率和高功耗，导致高通信开销。而且，一旦中心服务器出现故障，整个训练过程将受到严重影响。
3、随着通信技术的进步，卫星间通信成本大幅降低，实现了高可靠性、低延迟的卫星间连接。这使得用卫星间通信替代尽可能多的卫星与服务器间通信成为可能，从而显著降低系统的整体通信成本。因此，在确保数据隐私的前提下，结合卫星间通信技术，降低服务器与卫星之间的通信成本，实现共同训练模型成为关键挑战。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在fl架构中服务器与卫星之间高通信开销的缺陷而提供一种基于半去中心化架构的多客户端协同sar图像目标识别方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于半去中心化架构的多客户端协同sar图像目标识别方法，包括以下步骤：
4、s1：采集sar图像数据并进行预处理，生成相应的目标识别标签，得到带标签数据集；
5、s2：搭建半去中心化联邦学习框架，该半去中心化联邦学习框架包括服务器和集群的多个客户端，集群内的客户端之间进行设备间通信；构建用于目标识别的神经网络模型，并初始化全局模型参数；
6、s3：根据所述带标签数据集为每个客户端分配本地私有数据，各客户端使用本地私有数据进行模型训练，通过设备间通信获得本地参数共识，准备将更新后的本地模型参数上传至服务器；
7、s4：服务器随机选择客户端进行参数传输，聚合模型参数并更新全局模型参数，将更新后的全局模型参数广播给所有客户端；
8、s5：重复步骤s3和步骤s4，直至全局模型参数达到收敛状态，得到训练好的全局模型；
9、s6：对训练好的全局模型进行测试，选用通过测试的全局模型进行sar图像目标识别。
10、进一步地，步骤s1具体包括以下步骤：
11、s101：通过卫星机构采集sar图像数据；
12、s102：对采集的sar图像数据进行预处理，该预处理包括去噪、校正和增强；
13、s103：根据预处理后的sar图像数据生成相应的目标识别标签。
14、进一步地，步骤s2具体包括以下步骤：
15、s201：建立半去中心化联邦学习框架，确定参与的客户端和服务器，以及客户端的数量；客户端之间进行设备间通信，服务器通过卫星链路与各个客户端通信，并负责聚合全局模型参数；
16、s202：预先构建用于目标识别的神经网络模型，初始化全局模型参数；
17、s203：服务器将初始化的全局模型参数分发给各个客户端。
18、进一步地，所述用于目标识别的神经网络模型包括用于特征提取的主干网络和用于分类的由全连接层组成的分类器；
19、所述主干网络通过一系列卷积层逐步从输入的sar图像中提取高层次特征；
20、所述分类器将主干网络提取的高层次特征映射到最终的输出类别。
21、进一步地，步骤s3具体包括以下步骤：
22、s301：各个客户端均持有一个基于所述带标签数据集分配后的本地数据集，各客户端基于被分配的全局模型参数进行本地训练，优化本地模型参数，以最小化本地交叉熵损失函数，所述本地模型参数的优化计算表达式为：
23、
24、式中，为客户端n在k次迭代时的本地模型参数，为客户端n的第i个sar图像，为客户端n的第i个目标识别标签，d(n)为本地数据集；
25、s302：每个客户端与其集群内的其它客户端进行t(k)轮d2d通信，进行本地参数的迭代更新，第k轮迭代时，客户端n与邻居客户端m交换参数的更新表达式为：
26、
27、式中，为客户端n更新后的t+1轮的本地参数，为第k轮迭代时客户端n与邻居客户端m之间的共识参数，为第k轮迭代时客户端n自身的共识参数，为客户端n在t轮的本地参数，ζ(k)(n)为第k轮迭代时客户端n的邻居集合，为客户端m在t轮的本地参数；
28、s303：各个客户端将其本地聚合后的共识参数准备上传至服务器。
29、进一步地，步骤s303中，采用优化后的客户端模型参数聚合表达式进行参数更新，所述优化后的客户端模型参数聚合表达式为：
30、
31、式中，d(k)为第k轮迭代时集群内客户端邻居的最大数量。
32、进一步地，步骤s4具体包括以下步骤：
33、s401：服务器随机选择一个客户端m进行参数传输；
34、s402：服务器从选定的客户端m中获取当前迭代次数k下的本地参数共识
35、s403：服务器将接收到的本地参数共识作为新的全局模型参数该全局模型参数的计算表达式为：
36、
37、式中，为第k轮更新后的全局模型参数；
38、s404：服务器将更新后的全局模型参数广播给所有客户端，各个客户端的本地参数的更新表达式为：
39、
40、式中，为第k+1轮开始时客户端n的模型参数。
41、进一步地，步骤s5具体包括以下步骤：
42、s501：各客户端接收服务器发送的全局模型参数，并进行本地模型参数更新；
43、s502：各客户端使用本地数据集进行模型训练，以最小化本地损失函数，所述本地损失函数的计算表达式为：
44、
45、式中，ln(θ)为客户端n的本地损失函数，dn为本地数据集，l为交叉熵损失函数，f(xi；θ)为模型的预测值，yi为目标识别标签；
46、s503：各个客户端使用梯度下降算法更新本地模型参数，对应的更新表达式为：
47、
48、式中，为客户端n在k次迭代时的本地模型参数，为客户端n在k+1次迭代时的本地模型参数，η为学习率，为第k轮的本地损失函数的梯度；
49、s504：客户端之间进行设备间通信；
50、s505：客户端通过多轮设备间通信迭代，获得本地参数共识；
51、s506：客户端获得最终的本地参数共识本文档来自技高网
...
【技术保护点】
1.一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S1具体包括以下步骤：
3.根据权利要求1所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S2具体包括以下步骤：
4.根据权利要求1所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，所述用于目标识别的神经网络模型包括用于特征提取的主干网络和用于分类的由全连接层组成的分类器；
5.根据权利要求1所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S3具体包括以下步骤：
6.根据权利要求5所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S303中，采用优化后的客户端模型参数聚合表达式进行参数更新，所述优化后的客户端模型参数聚合表达式为：
7.根据权利要求1所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S4具体包括以下步骤：
8.根据权利要求1所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S5具体包括以下步骤：
9.根据权利要求1所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S6具体包括以下步骤：
10.根据权利要求9所述的一种基于半去中心化架构的多客户端协同SAR图像目标识别方法，其特征在于，步骤S605还包括：
...
【技术特征摘要】
1.一种基于半去中心化架构的多客户端协同sar图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于半去中心化架构的多客户端协同sar图像目标识别方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求1所述的一种基于半去中心化架构的多客户端协同sar图像目标识别方法，其特征在于，步骤s2具体包括以下步骤：
4.根据权利要求1所述的一种基于半去中心化架构的多客户端协同sar图像目标识别方法，其特征在于，所述用于目标识别的神经网络模型包括用于特征提取的主干网络和用于分类的由全连接层组成的分类器；
5.根据权利要求1所述的一种基于半去中心化架构的多客户端协同sar图像目标识别方法，其特征在于，步骤s3具体包括以下步骤：
6.根据权利要...
【专利技术属性】
技术研发人员：王峰，金晶，
申请(专利权)人：复旦大学，
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。