[发明专利]一种基于无人机的高效通信无线联邦学习架构构建方法

权利要求书

1.一种基于无人机的高效通信无线联邦学习架构构建方法，其特征在于利用无人机的高机动性来提升无线联邦学习系统的整体性能，包括以下步骤：

步骤1、构建无人机轨迹模型及信道模型

设无人机在高度为H的平面内进行移动，每个时刻无人机的位置q(t)表示为0表示无人机任务开始时刻，T表示无人机任务结束时刻；无人机在一个预定位置[x₀,y₀]开始执行任务，同时在任务结束后需要返回该预定位置；利用时间离散技术将总时长为T的任务被平均地分割为N个时间戳，即T＝Nδ，其中，δ为单个时间戳的时长，则无人机的轨迹限制条件表示为下式(1)：

式(1)中，qⁿ表示在时间戳n无人机的位置，qⁿ＝q(nδ)，n＝1,…,N；V_max表示无人机的最大速度；q⁰、q^N分别表示任务执行时无人机的初始位置以及任务结束后无人机的返回位置；

设无人机和边缘设备上均装配单天线，且无人机移动带来的多普勒效应能够被完美的补偿，则在时间戳n，无人机和边缘设备k之间的信道建模为：

式(2)中，表示小尺度衰落信道，其满足表示大尺度衰落信道能量增益，β₀表示基准距离(d₀＝1m)时的信道能量增益，α≥2表示路径衰落指数，表示无人机基站和边缘设备k之间的距离，c_k表示边缘设备k的水平坐标；k＝1,…,K，K表示边缘设备的总数；

步骤2、构建模拟通信场景下的高效通信无线联邦学习架构

考虑包含一个无人机基站和K个边缘设备的多用户联邦学习系统，整个系统旨在去联合地训练一个共同的机器学习模型，优化模拟环境下的多用户联邦学习系统的收敛性间隙来提高联邦学习的训练精度，其在数学上表示为如下式所示的优化问题：

式(3)中，表示边缘设备k在时间戳n的传输功率；P_k表示峰值功率限制；表示平均功率限制；ηⁿ表示无人机基站在时间戳n的去噪因子；Γ表示边缘设备基于接收到的全局模型和本地数据集计算出的梯度信息的方差上界；表示整个多用户联邦学习系统的学习率；

式(3)中，MSEⁿ表示在时间戳n的信号估计的均方误差，且有：

式中，表示期望；表示边缘设备k在时间戳n的传输信号的第j个元素；表示无人机基站在时间戳n的接收信号的第j个元素，表示边缘设备k在时间戳n的传输预编码系数，设置来补偿相位偏移，表示能量为σ²的高斯白噪声；

步骤3、采用块坐标下降和连续凸近似技术求解式(3)所示的优化问题，包括以下步骤：

步骤301、在给定边缘设备端传输功率和无人机轨迹{qⁿ}的条件下优化无人机基站端去噪因子{ηⁿ}，式(3)所示的优化问题等效为：

式(4)所示问题解耦到N个子问题，令则第n个子问题转为凸问题：

通过设置优化目标函数的一阶导数为零，得到最优解(ηⁿ)^★的闭式表达式：

步骤302、在给定无人机基站端去噪因子{ηⁿ}和无人机轨迹{qⁿ}的条件下优化边缘设备端传输功率式(3)所示的优化问题等效为：

式(7)所示问题解耦为K个子问题，第k个子问题是针对第k个边缘设备在时间序列N内的优化

式(8)所示问题是一个线性限制条件的二次规划问题，即凸问题，能够使用标准的优化求解器进行求解；

步骤303、在给定无人机基站端去噪因子{ηⁿ}和边缘设备端传输功率的条件下优化无人机轨迹{qⁿ}，具体包括以下内容：

步骤3031、定义中间量

步骤3032、式(3)所示的优化问题等效为：

步骤3033、为了求解式(10)所示的问题，定义松弛变量则，是关于s的凸函数，即

步骤3034、利用凸函数对在任意点处的一阶泰勒展开均是其线性下界，表示第n轮用户位置的当前优化结果，则有：

式(11)中，表示中的

运用同样的一节泰勒展开技术到凸函数对qⁿ在任意点则有：

步骤304、通过交替地求解式(6)、式(8)以及式(12)所示问题来迭代优化无人机基站端去噪因子{ηⁿ}、边缘设备端传输功率和无人机轨迹{qⁿ}，从而得到式(3)所示的优化问题的解。