[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

说明书

本发明针对模拟通信系统，提出了一种基于无人机的高效通信无线联邦学习架构构建方法。本发明基于模拟通信场景下的无线联邦学习的收敛性分析结论，构建基于无人机的高效通信无线联邦学习架构的资源调度机制，实现了无人机基站端去噪因子、边缘设备端传输功率和无人机轨迹的联合优化，从而降低了整个无线联邦学习系统的训练损失以及提高了整个无线联邦学习系统的训练精度。由于传输距离的限制，传统的地面基站的无线信道环境通常较差，进而导致了模型训练精度的下降。本发明通过无人机基站端去噪因子、边缘设备端传输功率和无人机轨迹的联合优化来提升整个无线联邦学习系统的性能。

技术领域

本发明针对模拟通信系统，提出了一种基于无人机的高效通信无线联邦学习架构构建方法，属于通信工程领域。

背景技术

基于大数据应用的未来物联网要求机器学习架构能够实现低延时的数据收集和高有效的数据分析，然而传统机器学习架构在实际部署中的缺陷也愈发明显，其要求一个云处理中心去储存和处理收集来自边缘设备的原始数据。为了打破数据孤岛和保障数据隐私，一种新型的架构——联邦学习架构得到了越来越多的关注。在联邦学习架构中，边缘设备基于本地的数据来计算更新信息，云处理中心只需要对边缘设备的更新信息进行聚合以迭代更新全局模型。

在实际复杂动态的无线通信环境中，联邦学习的部署依然面临着许多艰巨的挑战。其中，随着边缘设备计算能力突飞猛进地发展，无线通信延时已经成为联邦学习实际落地的主要瓶颈。最近的研究工作将无人机视为协助地面无线网络通信的一种充满前景的替代方案。相比于传统的地面基站，无人机是低成本的并且可以灵活地部署在地面基站难以覆盖到的范围，从而缓解长距离传输带来的信道衰落。由于其天然的高度优势，无人机可以与边缘设备建立视线(Line-of-Sight)连接，从而减少路径遮挡和反射带来的性能损失。由于其可控的高机动性，无人机可以跟踪设备的移动轨迹，从而降低系统对边缘设备传输功率的要求。

发明内容

本发明的目的是：本发明基于模拟通信场景下的无线联邦学习架构的收敛性分析结论，构建基于无人机的高效通信无线联邦学习架构的资源调度机制，从而优化整个联邦学习的整体性能。

为了达到上述目的，本发明的技术方案是提供了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