-
公开(公告)号：CN118675134A
公开(公告)日：2024-09-20
申请号：CN202410823442.X
申请日：2024-06-25
申请人： 无锡职业技术学院
IPC分类号： G06V20/56 , G06V10/774 , G06N3/0895 , G06N3/094 , G06N3/098
摘要： 本发明涉及一种对抗车辆运动模糊的联邦自监督学习方法，B‑FLSimCo方法Kmax个片段，每个片段k包括Rmax个轮次，开始阶段，基站收集训练车辆的初始位置并初始化一个全局模型，对于每一轮次迭代，基站通过聚合上一轮接收到的本地模型来获取一个全局模型，每辆训练车辆从基站下载全局模型并进行本地训练得到本地模型，在本地训练的过程中捕获新的图像以供下一轮使用；当本地训练完成，每辆车辆将其本地模型和基于移动模型收集本地数据时的行驶速度传输到基站以进行聚合得到新的全局模型；重复该过程直到达到片段Kmax的Rmax轮次；本发明提供的B‑FLSimCo方法有效解决了现有技术中联邦学习平均聚合、车辆运动导致收集图像模糊引起的全局模型准确性不高、收敛性不好的问题。
-
公开(公告)号：CN118278544B
公开(公告)日：2024-09-20
申请号：CN202410535066.4
申请日：2024-04-30
申请人： 无锡职业技术学院
IPC分类号： G06N20/00 , G06N3/092 , G06N3/0464 , G16Y10/40
摘要： 本发明公开了基于多智能体联邦强化学习的时效优化方法，包括以下步骤：S1、车辆ci进入路侧单元RSU覆盖范围后，从路侧单元RSU下载最新的强化学习模型；S2、对强化学习模型进行本地训练；S3、采用图神经网络GNN捕捉车辆之间的关系得到GNN模型，并对GNN模型进行局部聚合；S4、车辆ci行驶出路侧单元RSU覆盖范围之前，将训练的最新的本地模型上传到路侧单元RSU；S5、路侧单元RSU在接收到所有即将离开其覆盖范围的车辆的本地模型后，路侧单元RSU执行异步的联邦聚合得到全局模型；S6、路侧单元RSU将更新的全局模型发送给新进入路侧单元RSU覆盖区域内的所有车辆，以进行每一辆车的训练。提升了整个系统的运行效率，同时解决了车辆信息泄露的问题。
-
公开(公告)号：CN118278544A
公开(公告)日：2024-07-02
申请号：CN202410535066.4
申请日：2024-04-30
申请人： 无锡职业技术学院
IPC分类号： G06N20/00 , G06N3/092 , G06N3/0464 , G16Y10/40
摘要： 本发明公开了基于多智能体联邦强化学习的时效优化方法，包括以下步骤：S1、车辆ci进入路侧单元RSU覆盖范围后，从路侧单元RSU下载最新的强化学习模型；S2、对强化学习模型进行本地训练；S3、采用图神经网络GNN捕捉车辆之间的关系得到GNN模型，并对GNN模型进行局部聚合；S4、车辆ci行驶出路侧单元RSU覆盖范围之前，将训练的最新的本地模型上传到路侧单元RSU；S5、路侧单元RSU在接收到所有即将离开其覆盖范围的车辆的本地模型后，路侧单元RSU执行异步的联邦聚合得到全局模型；S6、路侧单元RSU将更新的全局模型发送给新进入路侧单元RSU覆盖区域内的所有车辆，以进行每一辆车的训练。提升了整个系统的运行效率，同时解决了车辆信息泄露的问题。
-
公开(公告)号：CN118586446A
公开(公告)日：2024-09-03
申请号：CN202410640352.7
申请日：2024-05-22
申请人： 无锡职业技术学院
IPC分类号： G06N3/0455 , G06N3/084 , G06F16/27 , G06F21/55
摘要： 本申请公开了一种信息处理方法、终端及介质，方法包括以下步骤：配置若干用户设备及若干服务器，在用户设备部署具有神经网络的编码器，在服务器部署具有神经网络的解码器；训练迭代：编码器通过训练数据生成编码数据，并发送给通信范围内的服务器，服务器通过解码器对编码数据进行解码，估计数据的标签，计算准确性和互信息界，然后采用反向传播方法对编码器和解码器进行迭代训练；测试：通过测试数据对训练后的编码器和解码器进行测试。本申请优点是能够减轻物联网的网络设备计算负担。
-
-
-
搜索结果
4 条记录 (耗时 0.076 秒)
