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！

申请/专利权人：南京邮电大学

摘要：本发明公开了一种无人机辅助的联邦学习资源分配方法，针对无人机辅助的联邦学习无线网络场景，考虑到无人机高度对覆盖范围的影响，以实现用户总能耗与联邦学习性能之间的均衡。该方法同时考虑用户总能耗与联邦学习性能，定义了系统总代价函数，其中总代价函数由用户总能耗与参加联邦学习用户数的倒数加权组成，并形成了总代价函数最小化的优化问题，分解为无人机水平位置、本地精度和通信与计算资源三个优化子问题，分别采用逐次凸逼近、DinkelbachMethod方法、二分法与KKT条件对三个子问题进行求解，最终通过三个子问题迭代得到合理的资源分配方案，以实现保障联邦学习性能的同时，降低用户总能耗。

主权项：1.一种无人机辅助的联邦学习资源分配方法，其特征在于，包括：S1.根据参加联邦学习用户的总能耗以及参加学习用户数的倒数确定系统总代价函数及约束条件，构建总代价函数最小化的优化问题P；S2.利用所述优化问题P进行求解，得到最优无人机的水平位置，最优本地精度，最优用户资源分配决策，最优无人机的高度；S3.无人机飞行至求解得到的最优无人机的水平位置和高度，处于无人机范围内的用户按照求解得到最优用户资源分配决策和最优本地精度决策参加联邦学习；其中所述步骤S1中，构建总代价函数最小化的优化问题P，包括：S11.用户的集合表示为无人机m服务范围内的用户用集合表示共Nm个用户；用户i与无人机m的距离为： 其中h表示无人机的高度，qm＝{xm，ym}表示为无人机m的水平位置，qi＝{xi，yi}表示用户i的位置，用户i的信道增益为： 其中g0为d0＝1m时的信道干扰功率，α为路径损耗指数；S12.联邦学习过程中用户终端的能耗包括训练能耗和通信能耗；S13.用Di表示用户i的数据量，fi表示用户i的CPU每秒转的圈数，Ci表示用户i处理一个样本数据CPU转的圈数，Il表示本地精度达到η时当本地训练的轮数； 其中L、γ是关于神经网络损失函数的相关参数，δ是联邦学习训练学习步长；用户i在联邦学习一轮迭代中训练能耗表示为： S14.用户完成当地训练后，通过FDMA的方式将训练完的模型上传到无人机；用bi表示分配给用户i的带宽，pi表示用户i的发送功率，N0表示噪声功率谱密度，根据香农公式，用户i可达到的传输速率Ri为： 假设神经网络模型w数据大小为s，用户i通信能耗为： S15.当要求全局模型精度达到ε0时，通信轮数Ig为： 其中ξ表示本地神经网络训练中的相关参数，所以整个联邦学习过程的总能耗Etotal为： S16.总的代价函数C定义为： 目标函数为： 其中，表示定值，ρ表示加权系数；S17.考虑到用户总能耗与联邦学习的性能，系统的优化问题P为： 约束条件为：C1:0≤fi≤fimaxC2:C3:C4:C5:C6:hmin≤h≤hmaxC7:C8:0≤η≤1其中T为联邦学习完成时间总预算，B表示无人机所拥有的总带宽，fimax表示用户i的最大计算频率，表示用户i的最大传输功率，hmin、hmax分别表示无人机飞行的最低和最高高度；在联邦学习允许最大时延的限制条件下，通过联合优化无人机的位置水平位置qm＝{x,y}和高度h、用户的传输功率计算频率传输带宽传输时间及本地精度η，最小化目标函数；约束C1、C2表示用户计算频率和传输功率的约束；约束C3表示参加联邦学习的用户总时延不能超过预设的最大值；约束C4为对传输时延的约束，即在规定传输时间内必须完成模型的传输，Ri为用户i可达到的传输速率；约束C5表示无人机的位置约束，用户与无人机的距离不能超过无人机的覆盖范围；约束C6限制了无人机的飞行高度范围；约束C7表示分配给无人机覆盖范围内所有用户的带宽总和不能超过总带宽B；约束C8规定了本地训练精度η的约束范围。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种无人机辅助的联邦学习资源分配方法