买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京邮电大学申请的专利基于联邦学习的框架训练无人机集群的神经网络建模方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116847379B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310810049.2，技术领域涉及：H04W24/02；该发明授权基于联邦学习的框架训练无人机集群的神经网络建模方法是由刘宜明;张春雨;张治设计研发完成，并于2023-07-04向国家知识产权局提交的专利申请。

本基于联邦学习的框架训练无人机集群的神经网络建模方法在说明书摘要公布了：本发明公开了一种基于联邦学习的框架训练无人机集群的神经网络建模方法，建立一个顶层无人机和一组底层无人机的双层无人机通信架构，考虑无人机执行任务时其轨迹是跟随目标变化、具有较强随机性的，采用随机游走模型来表示底层无人机的轨迹，适合目标追踪、侦察探测等轨迹未知的多数场景。同时考虑到移动场景下无人机飞行能耗远大于计算能耗和传输能耗，将每一轮划分为不等长时隙和不固定的时隙个数，在联邦学习模型性能和收敛速度的约束下，通过联合优化顶层无人机的速度和飞行方向与局部迭代次数，建立顶层无人机的飞行能耗最小化问题，并采用了深度强化学习算法来求解，简化状态空间和动作空间设计，可以直接部署在算力、能量受限的无人平台。

本发明授权基于联邦学习的框架训练无人机集群的神经网络建模方法在权利要求书中公布了：1.一种基于联邦学习的框架训练无人机集群的神经网络建模方法，其特征在于，包括以下步骤： S1、建立由一个顶层无人机和一组底层无人机组成的双层无人机通信架构，其中顶层无人机用于完成联邦学习模型的参数聚合和全局模型训练控制，一组底层无人机用于完成局部模型训练以及执行智能化任务，每个底层无人机的移动模型建模为随机游走模型； S2、建立包含传输模型、计算模型和飞行模型的系统模型，基于系统模型构建顶层无人机飞行能耗最小化问题，在全局模型收敛时间和收敛精度约束下，通过联合优化顶层无人机速度和方向与局部模型迭代精度和迭代次数来最小化顶层无人机的飞行能耗； S3、采用了深度强化学习算法来解决所提出的顶层无人机飞行能耗最小化问题，该问题为非凸混合整数优化问题； 步骤S2中的系统模型建立过程为： 将整个联邦学习过程划分为N个时隙，每个时隙代表每个全局轮，时隙数目和时隙长度不固定，在每个时隙里所有无人机位置和飞行速度是固定的，将时隙i里顶层无人机的位置记为qTi＝Xi,Yi,H，速度记为vi；底层无人机k的位置记为qki＝xki,yki,h； 1传输模型 假设顶层无人机和底层无人机之间的通信链路以具有视距特性的无线链路为主，其中信道质量仅取决于顶层无人机和底层无人机k当前通信距离根据香农公式，顶层无人机和底层无人机k上、下行传输时间为： 其中S1是底层无人机传给顶层无人机的数据量，S2是顶层无人机传给底层无人机数据量；Bsub是子信道带宽，M是子信道数量；如果第m个子信道分配给底层无人机k，那么指示因子χk,m＝1，否则χk,m＝0；B是顶层无人机的广播带宽；pT,pk分别为顶层无人机和底层无人机k发射功率；lT,k是顶层无人机和底层无人机k的路径损失，与通信距离和载频有关；σ2为噪声功率； 2计算模型 当局部迭代次数Ii确定后，底层无人机k的计算时间为： 其中，C为训练每个样本数据所需要的CPU周期数，Dk,fk分别为底层无人机k的数据量和计算频率； 3飞行模型 顶层无人机的飞行功耗在飞行速度大于5ms时，为飞行速度的一元函数，具体建模为： 其中，P0,P1表示悬停状态下的叶片轮廓功率和诱导功率，Utip为旋翼叶尖速度，v0为悬停时的平均旋翼诱导速度，ζ和s分别为机身阻力比和旋翼固体度，ρ和A分别是空气密度和旋翼盘面积。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。