“袁进良”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种基于非可靠传输协议的联邦训练加速方法-CN202310719831.3在审
发明人：徐梦炜;袁进良;王仕和;张乙然;周傲;王尚广;李瑞东;赵坤 -专利权人：北京邮电大学深圳研究院
申请日： 2023-06-17 - 公布日： 2023-09-05 - 主分类号： H04L41/14 文献下载
摘要：本发明涉及机器学习和计算机网络技术领域，且公开了一种基于非可靠传输协议的联邦训练加速方法，通过设计基于拥塞反馈的非可靠层传输算法解决不确定性丢包下如何最大化完整层的接收率；通过设计一个基于层参数的联邦冻结训练框架保证在参数丢失下联邦训练的模型精度无损。该基于非可靠传输协议的联邦训练加速方法，设计了一种基于非可靠传输协议的可穿戴联邦训练加速技术。其关键思想是直接忽略这些网络侧丢失的参数，而不是对网络传输协议进行复杂的检测和重传操作，从而大大提高端到端网络吞吐量；然后，基于机器学习训练的参数冗余特性，接收端用前一轮参数替换网络丢包，并采用层冻结训练技术实现联邦学习在参数丢失下的高精度训练。
一种基于可靠传输协议联邦训练加速方法

[发明专利]一种分层联邦学习场景下的网络拓扑构建方法及系统-CN202210100788.8有效
发明人：徐梦炜;孙嘉星;袁进良;周傲;马骁;孙其博;王尚广 -专利权人：北京邮电大学
申请日： 2022-01-27 - 公布日： 2023-08-18 - 主分类号： H04L41/12 文献下载
摘要：本发明提供了一种分层联邦学习场景下的网络拓扑构建算法，包括以下步骤：云服务器初始化，获取参与训练的局域网信息、初始全局模型以及多个终端设备，根据局域网信息对多个终端设备进行分组，并选择参与训练的终端设备；对终端设备计算不同的分布式通信架构的单轮聚合预测时长，选取最短时长的架构作为最优拓扑结构；云服务器将当前全局模型下发给每个分组，并基于最优拓扑结构对全局模型进行训练，得到全局模型更新量并经多次聚合后上报给云服务器；云服务器根据每个分组上报的训练结果更新全局模型；本发明能够减少全局模型上传云服务器的通信次数，通过在局域网内进行部分聚合和本地更新的方式，加速联邦学习的收敛并减少了通信成本。
一种分层联邦学习场景网络拓扑构建方法系统

[发明专利]边缘网络下的任务可靠性保证方法及系统-CN202210872704.2在审
发明人：周傲;马骁;袁进良;徐梦炜;张紫慧;孙其博;王尚广 -专利权人：北京邮电大学
申请日： 2022-07-21 - 公布日： 2022-11-04 - 主分类号： G06F9/50 文献下载
摘要：本发明提供了一种边缘网络下的任务可靠性保证方法及系统，涉及边缘网络技术领域。方法包括：首先，基于终端设备的移动性要求，电量监控要求以及CPU使用率要求，择出目标终端设备。然后，每个目标终端设备接收目标边缘服务器下发的初始模型，并根据本地存储的样本数据集，对初始模型进行本地训练。最后目标边缘服务器接收每个目标终端设备上传的经过本地训练得到的模型参数，已对目标边缘服务器中的全局参数进行更新。在本申请中，通过选择在设备选取过程中，基于多种要求选择出具有最大可靠性的目标终端设备，并在模型参数上传的过程进行监控和约束，从而保证了边缘网络下执行的任务的可靠性。
边缘网络任务可靠性保证方法系统

[发明专利]一种基于联邦学习方式训练神经网络模型的方法及系统-CN202110249146.X有效
发明人：徐梦炜;袁进良;周傲;马骁;王尚广 -专利权人：北京邮电大学
申请日： 2021-03-08 - 公布日： 2022-09-23 - 主分类号： H04L41/12 文献下载
摘要：本发明实施例公开了一种基于联邦学习方式训练神经网络模型的方法及系统，本发明实施例在训练神经网络模型时，云服务器选取广域网内已有的至少一个局域网，云服务器将当前神经网络模型发送给所述局域网，由所述局域网在局域网内对该神经网络模型进行多个本地参与设备的联邦学习，并聚合为所述局域网改进的神经网络模型后，提供给云服务器；云服务器将接收到的局域网改进的神经网络模型进行聚合后，得到全局改进的该神经网络模型。这样，本发明实施例就可以在减少跨广域网通信量的前提下，实现基于联邦学习方式训练神经网络模型，提高训练速度及节省成本。
一种基于联邦学习方式训练神经网络模型方法系统

[发明专利]一种低精度整型表示下的联邦学习方法及系统-CN202210100881.9在审
发明人：徐梦炜;袁进良;周傲;马骁;孙其博;王尚广 -专利权人：北京邮电大学
申请日： 2022-01-27 - 公布日： 2022-06-10 - 主分类号： G06N3/08 文献下载
摘要：本发明提供了一种低精度整型表示下的联邦学习方法，包括：服务器对全局浮点数模型进行初始化，并选择终端；将全局浮点数模型量化为整型的全局整型模型；服务器将全局整型模型发送至终端；终端利用训练数据对获取的全局整型模型进行训练，得到整型的低精度模型；终端将低精度模型传输至服务器；服务器对全局整型模型以及低精度模型反量化，利用反量化后的全局整型模型以及反量化后的低精度模型更新全局浮点数模型；重复上述初始化之后的步骤直至所述全局浮点数模型收敛或达到预设的训练次数；本发明通过设计一个全整型表示的神经网络训练算法解决终端浮点数运算的能耗问题并通过设计一个低精度模型聚合算法解决低精度联邦学习的精度问题。
一种精度整型表示联邦学习方法系统

[发明专利]一种高架匝道智能信号调控方法-CN201610858545.5有效
发明人：李建元;王辉;李丹;蒋伶华;陈涛;应康平;范鸿俊;袁进良 -专利权人：银江股份有限公司
申请日： 2016-09-28 - 公布日： 2019-02-12 - 主分类号： G08G1/08 文献下载
摘要：一种高架匝道智能信号调控方法，包括如下步骤：步骤1：高架桥面交通状态数据采集：采集高架桥面的实时交通流量数据；步骤2：对采集的高架桥面流量与设定的流量阈值进行对比，若实时流量超过阈值，判断桥面堵塞；否则桥面处于未堵塞状态；步骤3：创建出口截面；步骤4：计算出口截面上游各段可变限制速度及各入口匝道控制率，设高架可分为多个路段，每个路段带一个入口匝道，出口匝道数不限；TTS为关于r_k(t),k＝1,…,K的函数，最小化TTS，即计算r_k(t),k＝1,…,K的组合使得TTS最小，通过线性规划方法计算r_k(t),k＝1,…,K，则得到各入口匝道控制率。本发明简单有效、成本较低、实时性良好。
一种匝道智能信号调控方法