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！

摘要：本公开实施例中提供了一种高速车联网场景下的分层联邦学习聚合频率优化方法，属于数据处理技术领域，具体包括：初始化全局机器学习模型权重，并初始化云端服务器训练时间；下载全局机器学习模型权重,并获取云端服务器训练时间；每个边缘端通过数字孪生技术获取区域内车辆客户端的状态信息，并通过边缘端聚合频率优化算法选择最优聚合频率；每个车辆客户端从边缘端服务器下载机器学习模型的权重,并获取最优聚合频率；在训练时间内，客户端的机器学习模型根据最优聚合频率向边缘端服务器聚合；聚合成全局机器学习模型权重；通过DDPG模型计算其对应的函数并输出最优动作。通过本公开的方案，优化了通信次数和节约通信资源。

主权项：1.一种高速车联网场景下的分层联邦学习聚合频率优化方法，其特征在于，包括：步骤1，云端服务器初始化全局机器学习模型权重并初始化云端服务器训练时间RE；步骤2，每个边缘端服务器从云端服务器下载全局机器学习模型权重ωglobal，并获取云端服务器训练时间RE；步骤3，每个边缘端通过数字孪生技术获取区域内车辆客户端的状态信息，并通过边缘端聚合频率优化算法选择最优聚合频率τ*；所述步骤3具体包括：步骤3.1，建立边缘端聚合频率优化模型和时间消耗约束，其中，所述边缘端聚合频率优化模型的表达式为 其中，wQ和wQ-1是第Q轮次和第Q-1轮次的云端全局联邦学习的参数，在第Q轮次的全局联邦学习过程中参数wQ-1是一个固定值，F·代表在该参数下的损失值；所述时间消耗约束的表达式为 其中，表示车辆客户端机器学习模型训练所花费的时间，代表车辆客户端机器学习模型参数通信所花费的时间，RE表示训练时间，k·τ代表更新频率的策略，τ表示每隔τ轮车辆客户端机器学习模型向边缘端聚合一次，K表示边缘端机器学习模型聚合的总数；步骤3.2，通过三阶段法找到边缘端聚合频率优化模型与约束之间的联系，并简化边缘端聚合频率优化模型；所述步骤3.2具体包括：步骤3.2.1，规定Fw函数的性质，并找到边缘端联邦学习的参数向量wt和集中式梯度下降的参数向量V[k]t之间的差距，其中，k∈{1，2，…，K}；步骤3.2.2，计算V[k]t的收敛界，并结合第一阶段的结果，得到wt的收敛界；步骤3.2.3，基于步骤3.2.1和步骤3.2.2的结果转换边缘端聚合频率优化模型，并进一步简化边缘端聚合频率优化模型；步骤3.3，根据简化后的边缘端聚合频率优化模型计算最优聚合频率，其中，所述简化后的边缘端聚合频率优化模型的表达式为 其中，η表示学习率，ρ为Fw的Lipschitz常数，β为Fw的smooth常数；步骤4，每个车辆客户端从边缘端服务器下载机器学习模型的权重ωedge，并获取最优聚合频率τ*；步骤5，在训练时间内，客户端的机器学习模型根据最优聚合频率向边缘端服务器聚合，若达到训练时间RE，则进行步骤6，否则将边缘端机器学习模型传输至移动设备以替代旧机器学习模型，并重复步骤4至步骤5；步骤6，云端服务器通过FedAvg算法聚合成全局机器学习模型权重ωglobal，若达到目标精度，则停止联邦学习过程，否则转到步骤7；步骤7，通过DDPG模型计算其对应的函数μθs并输出最优动作a，a代表本轮云端联邦学习的训练时间RE，然后返回步骤2进入下一轮云端联邦学习。

全文数据：

权利要求：

百度查询： 湖南工商大学 高速车联网场景下的分层联邦学习聚合频率优化方法