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！

龙图腾网获悉北京航空航天大学申请的专利一种通过空中计算实现多服务器高效联邦学习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：CN116962406B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202310943612.3，技术领域涉及：H04L67/10；该发明授权一种通过空中计算实现多服务器高效联邦学习的方法是由白琳;韩瑞;马家豪;王佳星设计研发完成，并于2023-07-28向国家知识产权局提交的专利申请。

本一种通过空中计算实现多服务器高效联邦学习的方法在说明书摘要公布了：本发明公开了一种通过空中计算实现多服务器高效联邦学习的方法，属于无线通信技术领域，包括以下步骤：S1：各个用户分别保有一部分数据集，并能收到来自不同服务器接入点的联邦学习模型与对应参数量；S2：各个用户分别采用不同模型在本地数据集进行优化运算，更新每个联邦学习模型的状态参数向量；S3：将更新后的参数向量转化为梯度向量，并发送给对应AP；S4：通过空中计算技术，使得所有用户的发送信号梯度叠加，转化为M个梯度叠加向量；S5：通过同向OTA聚合技术，将M个同向信号叠加在一个信道中；S6：每个服务器根据信道特征和接收到的信号对对应的发送信号进行无偏估计，并根据结果更新联邦学习模型参数，进入新一轮迭代。

本发明授权一种通过空中计算实现多服务器高效联邦学习的方法在权利要求书中公布了：1.一种通过空中计算实现多服务器高效联邦学习的方法，其特征在于：包括以下步骤： S1：各个用户user分别保有一部分数据集dataset，并能收到来自不同服务器接入点AP的联邦学习模型与对应参数量； S2：各个用户分别采用不同联邦学习模型在本地数据集进行优化运算，从而更新每个联邦学习模型的状态参数向量； S3：用户将更新后的不同联邦学习模型的参数向量转化为梯度向量，并将所述梯度向量发送给对应AP； S4：通过空中计算技术，使得所有用户的发送信号能够实现梯度叠加，转化为M个梯度叠加向量，M为联邦学习模型的数量； S5：通过同向OTA聚合技术，将M个同向信号叠加在一个信道中； S6：每个服务器根据信道特征和接收到的信号对对应的发送信号进行无偏估计，并根据结果更新联邦学习模型参数，进入新一轮迭代； M个服务器与它们自身的AP关联，每个服务器都有一个联邦学习模型，服务器m的成本函数用Cm表示，设K表示用户数，Dk表示数据集的用户k，每个用户的数据集|Dk|的大小是相同的，联邦学习模型m的最优参数向量： wm∈RL，其中R表示向量空间，L是参数向量的长度，K＞＞M，即用户的数量远远大于AP的数量； 对于联邦学习，时间被划分为不同时隙，每个时隙被划分为两个子时隙：第一个子时隙从AP向用户传输，第二个子时隙以时分双工的方式从用户向AP传输； 在第一个子时隙中，APm传输其正交导频信号以及更新的参数向量，在时隙t内用 wtm表示，在用户k处得到联邦学习模型m的以下梯度向量： 其中表示函数fx的梯度向量，它将在第二个子时隙中传输； 如果APm可以接收到用户的梯度向量而没有任何失真和误差，则模型m的参数向量更新如下： 其中是聚合向量，μ是步长或学习率； 用hk；mt表示时隙t处用户k与服务器m之间的信道系数；信道系数是对称的瑞利衰落，即： 然后，用户k在当AP在一个子时隙中传输他们的导频时估计hk；mt；在第二子时隙间在APm处接收到的信号表示为： 其中，xkt为用户k传输的信号序列，nmt～CN0,N0I为APm处的背景噪声； 上行信道被划分为M个正交信道，每个服务器都有一个专用的上行信道，通过OTA进行上传；用户k通过通道m传输联邦学习模型m的局部梯度矢量如下： 其中，而表示用户k对信道m的发射功率；在APm处，通过通道m接收到的信号变成： 信道衰落系数的相位是独立且均匀分布的，则信道系数的相关性为零，即： 可用于将M个正交通道简化为一个通道； 每个用户通过一个共享的上行信道传输M个局部梯度向量的叠加，其中要由用户k传输的信号成为： 采用随机传输方法代替码本，用户k向服务器m传输信号的第l位向量的传输概率如下所示： pk；m,l＝min{1,γ|[gk；m]l|} 其中γ0为控制参数； 用户k传输的信号序列的第l个元素变成 其中，Uk；m,l～U0,1是一个均匀的随机变量；让zk；m＝[zk；m,1...xk；m,L]T，如果γ足够小，则 zk；m是gk；m的无偏估，所得到的生成zk；m的方法被称为软增益的随机传输，是一种随机量化； 设κm表示选择模型m的用户的集合，表示κm中能顺利发送信号的用户合集，表示的补集，则APm接收信号表示为： 如果每个用户k均匀随机选择一个联邦学习模型，对于给定的联邦学习模型m，用户k选择联邦学习模型m的概率为1M，rm的平均值为： rmt为的无偏估计； 如果在每次迭代中随机选择Km，使用联邦学习模型选择得到的更新结果将成为SGD方法，所述SGD方法在APm处的更新规则变为： 每次迭代的上行带宽从KM减少到M，再减少到1； zk；m,l∈{-1,0，+1}，传输功率独立于gk；m；如果设置所有的传输功率相同，所有用户k的Pk＝Pmax，即

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航空航天大学，其通讯地址为：100083 北京市海淀区学院路37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。