一种基于联邦强化学习的边缘计算模型训练方法,涉及无线通信和信息安全。1)检测信号覆盖范围内的移动设备数量,构建卷积神经网络,初始化参数;2)将各移动设备的参数组成状态向量输入卷积神经网络中,得选择的移动设备和训练数据量;3)将全局模型参数和选择的数据量发送给移动设备,接收移动设备的本地模型参数,更新全局模型参数;4)根据各移动设备的训练时间、目标识别精度和能量消耗作为奖励值,更新状态向量、存储向量;5)从内存中随机选取存储的向量更新卷积神经网络的权重参数;6)重复2)~5)至移动设备反馈的目标识别精度的平均值大于所需的目标识别精度。提高T秒内目标识别精度,减少训练时间和移动设备能量消耗。
声明:
“基于联邦强化学习的边缘计算模型训练方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)