[发明专利]一种基于强化联邦学习的电力行业起重作业违章检测方法

说明书

本发明公开了一种基于强化联邦学习的电力行业起重作业违章检测方法，该方法包括以下步骤：S1、使用联邦学习C，对A节点和B节点使用本地数据进行训练并得到模型；S2、将步骤S1中得到的模型输入强化学习模块，使用强化学习DQN进行模型融合，调整A节点和B节点模型的权值；S3、强化学习模块通过强化学习，生成强化融合模型；S4、联邦学习C中心节点使用强化融合模型采用加权平均来对A节点和B节点的模型进行模型融合；S5、将融合后的模型下发到A节点和B节点；S6、重复步骤S1到S5，直至模型训练完成。有益效果：使用强化学习保证联邦学习共同建模效果，选择优质节点共同建立模型，降低异构性问题的影响。

技术领域

本发明涉及电力行业起重作业违章检测方法技术领域，具体来说，涉及一种基于强化联邦学习的电力行业起重作业违章检测方法。

背景技术

联邦学习作为一门新兴技术，其保护个人及组织的隐私数据能力与新基建中的科技助力公共价值理念不谋而合，同时帮助各产业研究的机构组织进行合规的数据价值释放，近年来受到广泛的关注。联邦学习的明显好处是在大量设备上分配知识质量，而无需集中用于优化和训练模型的数据，同时该方法还能够在保持训练数据集的隐私的同时提高集中式机器学习模型的质量。

强化学习(ReinforcementLearning，RL)，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题，非常适合加入联邦学习中来进行模型融合，最接近本发明的技术有：

(1)、分布式机器学习：分布式机器学习是指利用多个计算节点进行机器学习或者深度学习的算法和系统，能扩展至更大规模的数据和更大的模型，与但是其缺乏隐私性，无法保证数据不互传。

(1)、模型平均融合：平均融合即模型融合时对每个节点的设置相同的权值，这样的好处是简单快捷，但是在各个节点数据量不同以及数据分布不同时，各个节点模型效果有好有坏，平均融合并不能很好的解决这个问题。

(2)、加权融合：加权融合即模型融合时根据各个字节的数据量，设备性能设置各个节点的权值，这样会比平均融合得到的模型效果更好，但是缺点是无法定量的去评价各个节点，对于融合哪些节点依靠经验。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于强化联邦学习的电力行业起重作业违章检测方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种基于强化联邦学习的电力行业起重作业违章检测方法，该方法包括以下步骤：

S1、使用联邦学习C，对A节点和B节点使用本地数据进行训练并得到模型；

S2、将步骤S1中得到的模型输入强化学习模块，使用强化学习DQN进行模型融合，调整A节点和B节点模型的权值；

S3、强化学习模块通过强化学习，生成强化融合模型；

S4、联邦学习C中心节点使用强化融合模型采用加权平均来对A节点和B节点的模型进行模型融合；

S5、将融合后的模型下发到A节点和B节点；

S6、重复步骤S1到S5，直至模型训练完成。

进一步的，使用联邦学习C，对A节点和B节点使用本地数据进行训练并得到模型：

S11、联邦学习C把公钥分发给A节点和B节点，用以对训练过程中需要交换的数据进行加密；

S12、A节点和B节点之间以加密形式交互用于计算梯度的中间结果；