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广州研究院申请的专利一种加快全局联邦学习模型收敛的方法及联邦学习系统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：CN116416508B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310262721.9，技术领域涉及：G06V10/82；该发明授权一种加快全局联邦学习模型收敛的方法及联邦学习系统是由杨清海;侯运阳;刘佳宜设计研发完成，并于2023-03-17向国家知识产权局提交的专利申请。

本一种加快全局联邦学习模型收敛的方法及联邦学习系统在说明书摘要公布了：本发明涉及一种加快全局联邦学习模型收敛的方法及联邦学习系统，属于工业物联网技术领域，所述方法包括以下步骤：S1、对联邦学习系统的时延建模分析；S2、对联邦学习系统的能耗建模分析；S3、确定优化目标；S4、构建图像分类网络和强化学习智能体网络；S5、设计图像分类网络的损失函数；S6、将节点选择问题转化为马尔可夫决策过程；S7、训练强化学习智能体网络；S8、使用Q网络指导联邦学习的设备选择。所述联邦学习系统，包括云服务器、多个边缘设备和无线网络。本发明通过强化学习智能体辅助联邦学习系统选择合适的设备参与训练，加速全局联邦学习模型的收敛速度，减少联邦训练所需要的通信轮次，降低通信和能耗成本。

本发明授权一种加快全局联邦学习模型收敛的方法及联邦学习系统在权利要求书中公布了：1.一种加快全局联邦学习模型收敛的方法，其特征在于：包括以下步骤： S1、对联邦学习系统的时延进行建模分析； S2、对联邦学习系统的能耗进行建模分析； S3、确定优化目标； S4、构建图像分类网络和强化学习智能体网络； S5、设计图像分类网络的损失函数； S6、将节点选择问题转化为马尔可夫决策过程； S7、训练强化学习智能体网络； S8、使用Q网络指导联邦学习的设备选择； 所述强化学习智能体网络采用DDQN强化学习算法；所述强化学习智能体网络包括所述Q网络和TargetQ网络，所述Q网络和TargetQ网络采用相同的网络结构； 所述对联邦学习系统的时延进行建模分析，具体包括： 计算设备在第k个通信轮次中执行模型训练消耗的时间： 其中，为设备的样本数量，为训练一个样本需要的cpu周期数，为工作频率，本地迭代的轮次； 计算模型的传输时间： 其中，表示本地模型网络参数的绝对值，单位为Byte，表示设备在第k个通信轮次中的数据传输速率； 计算设备在第k个通信轮次中的本地训练时延： 计算第k次通信过程的训练时延： ； 所述优化目标描述为： 1 2 3 4 5 上式中，表示决策变量，当表示在第k个通信轮次中，设备i被选中参与联邦训练，当表示不选择设备i，为设备工作频率的最小值，为设备工作频率的最大值，为服务器带宽，为设备总量； 其中公式1表示优化目标，它表示以最小化全局模型在测试集上的损失函数，x表示测试集样本，表示全局模型参数，公式2表示对设备工作频率的约束，公式3表示被选设备的总带宽不大于服务器带宽，公式4表示在一个通信轮次中至少有一个设备被选中参与联邦训练，而最大数量不超过设备总量，公式5表示在第k个通信轮次的训练时延Tk不能超过规定的最大时延Tmax； 所述使用Q网络指导联邦学习的设备选择，具体包括： 云服务器向所有参与联邦学习的边缘设备发送全局模型参数并收集联邦学习系统的状态信息； 将状态信息输入Q网络，Q网络输出Q值，所述Q值表示每个动作的价值，并将排名前k个Q值对应的设备作为当前状态下的最佳设备子集； 最佳设备子集使用本地数据训练图像分类网络以更新本地模型，然后将本地模型上传至云服务器； 云服务器执行模型聚合算法，以更新全局模型； 不断执行以上过程，直到全局模型达到目标精度。

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广州研究院，其通讯地址为：510000 广东省广州市黄埔区中新知识城海丝中心B5、B6、B7栋；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。