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！

龙图腾网获悉西安电子科技大学申请的专利基于联盟博弈解决联邦学习中数据异质性问题的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：CN116259057B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202310167065.4，技术领域涉及：G06V30/18；该发明授权基于联盟博弈解决联邦学习中数据异质性问题的方法是由惠一龙;胡洁;赵高升;麻小晴;杨宇燊设计研发完成，并于2023-02-27向国家知识产权局提交的专利申请。

本基于联盟博弈解决联邦学习中数据异质性问题的方法在说明书摘要公布了：本发明公开一种基于联盟博弈解决联邦学习中数据异质性问题的方法，其步骤为：1构建卷积神经网络；2生成每个客户端的训练集；3每个客户端将自己的标签类别集合和迭代时间通过基站通信发送给服务器；4服务器得到最优联盟分区；5服务器为最优联盟分区中的每个联盟分组；6对卷积神经网络利用联邦学习进行协同训练。本发明能解决数据联邦学习中数据异质性导致的本地模型和全局模型的权重散度过大的问题，提升了联邦学习模型的性能，并利用客户端计算资源的差异化改进联邦学习算法，加快了联邦学习的收敛速度，可用于解决联邦学习中数据异质性问题。

本发明授权基于联盟博弈解决联邦学习中数据异质性问题的方法在权利要求书中公布了：1.一种基于联盟博弈解决联邦学习中数据异质性问题的方法，其特征在于，利用联邦学习在服务器和客户端协同训练卷积神经网络；该方法的具体步骤包括如下： 步骤1，构建卷积神经网络： 步骤1.1，为每个客户端搭建一个结构相同的卷积神经网络，该网络的各层串联组成，其结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，全连接层； 步骤1.2，设置卷积神经网络的超参数：将输入层神经元的个数设置为28×28；将第一、第二卷积层的卷积核分别设置为5×5，3×3，卷积核个数均设置为64，滑动步长均设置为1；将第一、第二池化层的池化窗口尺寸均设置为2×2，滑动步长均设置为2；激活函数均采用ReLU实现；将全连接层输出神经元的个数设置为10，激活函数采用Softmax实现； 步骤2，生成每个客户端的训练集： 步骤2.1，将每个客户端自己的手写数字图片组成该客户端的样本集；对每个客户端样本集的每张手写数字图片标注上标签； 步骤2.2，对每个样本集标注后的每张图片进行均值方差归一化处理，处理后的数据符合标准正太分布，将每个样本集归一化后的图片组成该客户端的训练集； 步骤3，每个客户端将自己的标签类别集合和迭代时间通过基站通信发送给服务器； 步骤4，服务器得到最优联盟分区： 步骤4.1，将每个客户端作为一个联盟，所有联盟形成一个联盟分区； 步骤4.2，计算联盟分区中每个联盟的效益； 步骤4.3，利用联盟博弈形成算法，不断地让客户端离开原有联盟，加入其他联盟，当两个联盟的效益之和增大，所有联盟形成一个新的联盟分区； 步骤4.4，当任意一个客户端加入任何联盟都无法使原有联盟和新加入的联盟的效益之和变大，不再产生新的联盟分区时，联盟博弈形成算法停止迭代；删除联盟分区中空的联盟，将剩余联盟组成最优联盟分区； 步骤5，服务器为最优联盟分区中的每个联盟分组： 步骤5.1，服务器根据每个客户端上传的迭代时间，找到每个联盟中迭代时间最短的客户端，作为每个联盟的联盟领导者； 步骤5.2，服务器计算每个客户端的本地训练轮次； 步骤5.3，将每个联盟内本地训练轮次相同的客户端组成一个小组； 步骤6，对卷积神经网络利用联邦学习进行协同训练： 步骤6.1，服务器向最优联盟分区中的每个客户端下发一个相同的卷积神经网络参数矩阵； 步骤6.2，每个客户端用接收到的卷积神经网络参数矩阵，更新自己的卷积神经网络； 步骤6.3，每个客户端将每个训练集输入到其对应的卷积神经网络中，使用SGD梯度下降算法，计算每个客户端的卷积神经网络迭代更新10次后的卷积神经网络参数矩阵，并将该卷积神经网络参数矩阵上传到联盟领导者； 步骤6.4，每个联盟的联盟领导者收到客户端的卷积神经网络参数矩阵，对其接收的具有不同特征的卷积神经网络的参数矩阵取平均值； 步骤6.5，每个联盟的联盟领导者判断是否接收到了所有小组的客户端的卷积神经网络的参数矩阵，若是，将卷积神经网络的参数矩阵平均值发送给服务器后执行步骤6.6；否则，将卷积神经网络的参数矩阵平均值发送给客户端后执行步骤6.2； 步骤6.6，服务器对其接收的所有联盟的具有不同特征的卷积神经网络的参数矩阵取平均值，再将该平均值下发给每个联盟领导者，每个联盟领导者再将参数矩阵平均值下发给每个联盟的客户端； 步骤6.7，判断服务器是否已经执行步骤6.6中取平均值操作5000次，若是，则结束协同训练，用参数矩阵平均值更新服务器的卷积神经网络，执行步骤7.1；否则，执行步骤6.2； 步骤7，预测服务器的手写数字图片的类别： 步骤7.1，采用与步骤2相同的预处理方法，对服务器的手写数字图片进行处理，得到服务器的测试集； 步骤7.2，将服务器测试集的所有图像输入到服务器的卷积神经网络中，输出预测的手写数字识别结果。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。

以上内容由龙图腾AI智能生成。