-
公开(公告)号：CN117313834A
公开(公告)日：2023-12-29
申请号：CN202311239858.9
申请日：2023-09-25
Applicant: 重庆大学
Abstract: 本发明涉及一种群体个性化联邦学习方法，属于无线通信技术领域。该方法包括：建立一个由云节点、边缘节点和设备构成的无线边缘网络，其中与同一边缘节点连接的设备视为一个群组；构建一种适用于本发明所考虑的网络的群体个性化联邦学习算法，建立一个旨在最小化损失和个性化群组模型之间的差异的优化问题数学模型；将原始优化问题分解为云节点求解的梯度下降和边缘节点与群组协作求解的近端算子；设计等效梯度下降的注意力消息传递机制，促进模型相似群组成对协作；设计联邦平均机制，使边缘节点与群组中可用设备协作训练个性化群组模型。本发明能提升无线边缘网络场景下的联邦学习算法性能。
-
公开(公告)号：CN117294689A
公开(公告)日：2023-12-26
申请号：CN202311239854.0
申请日：2023-09-25
Applicant: 重庆大学
IPC: H04L65/80 , G06N3/092 , G06N3/045 , H04L65/60 , H04L41/14 , H04B7/06 , H04B7/0426 , H04B7/08 , H04B7/026
Abstract: 本发明涉及一种面向全息视频传输的联合波束赋形和码率选择方法，属于通信技术领域。该方法包括：步骤一：构建一个基于协作多点和波束赋形技术的视频流传输网络；步骤二：对全息视频进行分块处理和压缩处理，然后同时考虑全息视频的特有属性和用户的播放缓冲区状态，定义一个用户体验质量指标；步骤三：建立一个联合波束赋形和全息视频码率选择从而求解最大化所有用户的累积QoE的数学模型和优化问题；步骤四：将原优化问题分解成波束赋形子问题和分块码率选择子问题；步骤五：设计一种基于分层式架构的深度强化学习算法，最终达到优化目标。本发明最终的累积QoE值显著优于其他代表性基线对比方案。
-
公开(公告)号：CN119440048A
公开(公告)日：2025-02-14
申请号：CN202411558130.7
申请日：2024-11-04
Applicant: 重庆大学
IPC: G05D1/46 , G05D1/633 , G05D1/644 , G05D109/20
Abstract: 本发明涉及一种多功能无人机辅助的异步集群个性化联邦学习方法，属于无线通讯技术领域。该方法包括以下步骤：S1：建立无人机辅助的FL网络系统模型；S2：建立无人机物流运输和辅助FL训练模型；S3：建立无人机与子服务器间的通信时延、模型训练时间和上行时延模型；S4：建立个性化联邦学习机制，内层求解个性化模型，外层求解全局模型，通过异步双层并行优化和组内同步联邦平均机制训练个性化模型；S5：以群组模型陈旧性为优化变量，对无人机飞行路径进行优化；S6：根据模型陈旧性和用户设备训练次数的关系，调整优化变量，提出基于深度强化学习的无人机路径动态优化算法。本发明提供的多功能无人机路径优化算法显著提升整体通信效率。
-
公开(公告)号：CN119277423A
公开(公告)日：2025-01-07
申请号：CN202411558115.2
申请日：2024-11-04
Applicant: 重庆大学
Abstract: 本发明涉及一种基于莫罗包络的群体个性化联邦学习方法，属于无线通信领域。该方法主要包括：构建一个由若干用户节点、其对应的子服务器以及一个边缘服务器组成的无线边缘网络系统，其中与同一子服务器相连接的用户节点称为一个群组；建立一个相互解耦的双层并行联邦学习优化问题，其中第一层是基于莫罗包络改进的边缘群组个性化优化问题，第二层是关于群组内的联邦优化问题；促进群组与关联的子服务器协作训练个性化模型，根据迭代得到的个性化模型更新对应的群组模型。本发明提出的基于莫洛包络的群体个性化联邦学习方法可以有效提升群体层面Non‑IID数据设置下的联邦无线边缘网络模型性能。
-
-
-
Search Results
4
records
(took 0.017 seconds)
