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一种无线联邦学习框架及资源优化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：CN116205312B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202310182495.3，技术领域涉及：G06N20/20；该发明授权一种无线联邦学习框架及资源优化方法是由田辉;倪万里;陶仕林;张平设计研发完成，并于2023-03-01向国家知识产权局提交的专利申请。

本一种无线联邦学习框架及资源优化方法在说明书摘要公布了：本发明公开了一种无线联邦学习框架及资源优化方法，解决联邦学习不适用于许多具有少量计算资源的硬件受限物联网设备的问题，在该框架中，计算资源充足的用户将本地训练后的模型参数上传到基站，而计算资源受限的用户则只需将训练数据发送给基站，再经过基站端的数据训练和模型聚合获得全局模型，满足了计算资源受限的用户和计算资源充足的用户协作训练全局模型的需求。另外，为了改善数据传输的速率和减小联邦学习的聚合误差，本发明构建了一个非凸优化问题来联合设计用户的发送功率和基站的接收策略，并使用连续凸近似方法求解该问题。

本发明授权一种无线联邦学习框架及资源优化方法在权利要求书中公布了：1.一种无线联邦学习系统的资源优化方法，其特征在于，所述无线联邦学习系统包括： N个计算资源受限的集中式训练用户，集中式训练用户将训练数据发送到基站进行集中式训练从而参与到联邦学习当中； K个计算资源充足的联邦学习用户，联邦学习用户在本地训练数据获得本地模型，然后再将本地模型参数以聚合模型上传给基站； 基站，作为联邦学习服务器，用于计算全局模型；基站对集中式训练用户累积的训练数据进行集中式训练，获得一个集中式训练模型，并将集中式训练模型与接收到的聚合模型按数据量加权求和获得全局模型； 所述无线联邦学习系统共有T个联邦学习周期，用集合表示为T＝{1,2,...,T}，在第t个联邦学习周期时，第k个联邦学习用户本地模型更新公式为： 基站端集中式更新公式为： 全局模型聚合公式为： 其中，η是随机梯度下降法的学习率，是t个周期基站端累积的训练数据集，Fk·和分别是第k个联邦学习用户的本地损失函数和梯度，F·和分别是基站端集中式训练时的损失函数和梯度，是基站端聚合的全局模型； 所述资源优化方法包括以下步骤： S1、基站初始化训练任务和全局模型，并将全局模型发送给所有用户； S2、在接收到全局模型后，联邦学习用户基于本地数据计算本地损失函数以及梯度值，并更新本地模型； S3、联邦学习用户和集中式训练用户在同一时间采用相同频带分别上传本地模型和发送数据，基站使用非完美连续干扰消除检测接收信号，分离出训练数据和聚合模型；步骤S3的具体过程为： 在用户上传本地模型或发送数据之前，将集中式训练用户的本地训练数据集{Dn}和联邦学习用户的本地模型{wk}分别归一化为通信符号集{sn}和计算符号集{sk}，基站端接收到的叠加信号如下： 其中，hn是第n个用户到基站的信道参数，hk是第k个用户到基站的信道参数，pn是第n个用户的发送功率且取值需在区间[0,Pmax]内，pk是第k个用户的发送功率且取值需在区间[0,Pmax]内，n0～CN0,σ2是信道中的加性噪声； 通过调整用户发送功率，使得不同用户的SIC限制满足： 收到叠加信号y后，基站按顺序分别检测出第1,2,…,N个集中式训练用户的上传信号{sn}；在检测出所有集中式训练用户的信号后，剩余信号如下： 其中，是残余信号的干扰系数，和分别对应于完美SIC和没有SIC的情况； 为了获得平均的联邦学习模型，基站使用一个接收因子a从上述剩余信号中获得聚合模型的估计值再经过反归一化后处理从信号{sn}和中解码出所有集中式训练用户的数据集和聚合模型； S4、获取所有集中式训练用户数据发送速率以及联邦学习用户的聚合模型均方差，按照1,2,…,N的顺序，使用非完美连续干扰消除对所有集中式训练用户信号进行检测； S5、基于数据发送速率和聚合模型均方差构建非凸优化问题； S6、使用连续凸近似方法转化并求解S5中的非凸优化问题，输出用户发送功率和接收策略。

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”。

以上内容由龙图腾AI智能生成。