-
公开(公告)号：CN114758784B
公开(公告)日：2024-05-28
申请号：CN202210314514.9
申请日：2022-03-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于聚类算法分配联邦学习中参与者权重的方法，具体为：各参与者接收全局模型参数，使用本地数据集进行训练，完成本地训练的将本地模型参数上传至中央服务器，未完成的继续进行本地训练；中央服务器接收至少50%的参与者上传的本地模型后，对所收到的模型参数向量化处理并使用聚类算法进行聚类，选取打分最高的聚类结果，度量每个类内中心与类间中心的距离，使用距离的倒数作为每一类参与者的权重值，聚合得到全局模型并下发给对应的参与者，参与者继续进行本地训练；中央服务器持续接收参与者上传的本地模型，继续进行聚类直至全局模型收敛。本发明能够加快全局模型的收敛速度，同时提升全局模型对于各参与者数据的测试精度。
-
公开(公告)号：CN114912705A
公开(公告)日：2022-08-16
申请号：CN202210615296.2
申请日：2022-06-01
Applicant: 南京理工大学
Abstract: 本发明公开了一种联邦学习中异质模型融合的优化方法，该方法包括：在联邦学习系统中，客户端上传本地模型，同时上传客户端自身本地迭代次数；服务器根据客户端上传的迭代次数对联邦学习中的异质模型聚合过程进行优化：服务器根据收集到的客户端上传的本地迭代次数，对全局聚合时各个客户端对应的聚合权重进行优化，包括线性权重优化、平方权重优化、差分线性权重优化。所述异质模型是指在联邦学习系统中，由于各个客户端之间计算能力和拥有的数据量大小之间具有差异性，导致本地训练后生成具有异质性的模型；本地迭代次数是指本地客户端在进行本地的模型训练时，在规定的训练时间内共迭代的本地训练的次数。本发明提高了联邦学习系统的学习性能。
-
公开(公告)号：CN110267193B
公开(公告)日：2021-02-12
申请号：CN201910458141.0
申请日：2019-05-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于马尔科夫决策过程模型的车辆位置跟踪方法，包括以下步骤：建立二维道路网络模型；定义传感器簇的状态、动作以及奖励，建立马尔可夫决策过程模型，利用强化学习得到传感器簇的最优动作序列以实现初步跟踪；利用基于RSSI的高斯权重定位算法进行目标车辆的精确跟踪。本发明实现了车辆的精确定位，为车辆位置跟踪的有效实施提供帮助。
-
公开(公告)号：CN113627619B
公开(公告)日：2024-06-07
申请号：CN202110770971.4
申请日：2021-07-07
Applicant: 南京理工大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于伪噪声序列的保障联邦学习系统的公平性的方法，包括以下步骤：在联邦学习系统中欲保护的学习模型上添加伪噪声序列；收集各个用户上传的学习模型；对已上传的学习模型进行伪噪声序列自相关检测和模型精度预检测；惩罚作假用户，补偿其影响，维护系统公平性。本发明实现了在联邦学习架构中检测作假用户的不公平行为，并且通过相应的惩罚和补偿机制，减小这些行为产生的影响，提高用户之间的公平性，营造良好的学习环境。
-
公开(公告)号：CN114781598A
公开(公告)日：2022-07-22
申请号：CN202210314534.6
申请日：2022-03-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于分层神经网络分布式训练的故障预测方法，具体为：将卷积神经网络划分为不同的网络层，得到每层均可输出模型参数和模型训练精度的模型训练网络；使用分层的卷积神经网络和设备能够训练的最大网络层数，对输入数据进行特征提取，输入数据在每一层网络中均训练至收敛，得到的模型参数传至下一层网络进行训练，在完成规定训练的最大网络层数后，得到相应的故障检测模型；将卷积神经网络分为三个子层卷积神经网络，分别部署在设备端、边缘端和云端，每层均输出对输入数据是否含有故障的预测值，得到一个故障预测网络，对未含有故障标签和非故障标签的数据进行故障预测。本发明能够合理利用设备的计算资源以及存储空间。
-
Patent Agency Ranking
公开(公告)号：CN110267193A
公开(公告)日：2019-09-20
申请号：CN201910458141.0
申请日：2019-05-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于马尔科夫决策过程模型的车辆位置跟踪方法，包括以下步骤：建立二维道路网络模型；定义传感器簇的状态、动作以及奖励，建立马尔可夫决策过程模型，利用强化学习得到传感器簇的最优动作序列以实现初步跟踪；利用基于RSSI的高斯权重定位算法进行目标车辆的精确跟踪。本发明实现了车辆的精确定位，为车辆位置跟踪的有效实施提供帮助。
-
公开(公告)号：CN119294555A
公开(公告)日：2025-01-10
申请号：CN202411323885.9
申请日：2024-09-23
IPC: G06N20/00
Abstract: 本发明公开了一种基于多模态的个性化联邦学习聚合方法，涉及机器学习领域，包括将模型按模态类型分类为个性化部分和公共部分；客户端对个性化部分和公共部分都进行本地训练得到个性化模型和公告模型，客户端的公共模型在本地训练完成后上传到服务器；不同客户端模型的公共模型进行聚合得到全局模型，将聚合后的模型广播回客户端，使用更新后的全局模型更新客户端模型的公共模型；本发明采用上述的一种基于多模态的个性化联邦学习聚合方法，旨在解决联邦学习中的非独立相同分布下多模态数据问题，通过特征提取和融合策略处理多模态数据，通过个性化方案，缓解了非独立同分布问题，增强了模型的泛化能力。
-
公开(公告)号：CN116304809A
公开(公告)日：2023-06-23
申请号：CN202310163681.2
申请日：2023-02-24
Applicant: 南京理工大学
IPC: G06F18/24 , G06F18/214 , G06N3/08 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/048
Abstract: 本发明公开了一种基于TimeGAN模型的智能工厂设备故障诊断方法，该方法为：采集智能工厂设备的不平衡时序故障数据集，进行预处理作为原始数据，将其划分为样本量大的故障类别和样本量小的故障类别；用所有原始数据预训练出一个辅助生成的故障分类器；对样本量小的故障类别所对应数据进行处理得到样本集，将样本集划分为训练集和测试集，训练集送入TimeGAN模型进行训练，生成足够平衡原始数据的样本数据；将该样本数据与原始数据进行混合，得到平衡后的故障数据集，送入CNN网络进行训练，然后对测试集进行故障诊断。本发明充分考虑了生成样本的准确性、多样性和故障分类的准确度，从而获得了高效准确的智能工厂设备故障诊断结果。
-
公开(公告)号：CN116244640A
公开(公告)日：2023-06-09
申请号：CN202310194574.6
申请日：2023-03-03
Applicant: 南京理工大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/044 , G06N3/0475 , G06N3/098 , G06N3/096 , G01M13/04 , H04L67/12
Abstract: 本发明公开了一种基于联邦学习的非平衡轴承故障诊断方法及系统，该方法运行于多个本地用户节点与一个服务端聚合节点；每个用户对不平衡轴承故障数据集进行预处理，并预训练本地分类器，送入服务端聚合为全局分类器后下发给用户继续预训练，持续预训练N1轮；每个用户收到预训练完毕的全局分类器作为本地分类器，联合训练本地分类器和数据增强器，并送入聚合节点进行加权和聚合，得到全局分类器和数据增强器，然后广播到参与的本地用户节点继续进行加权和聚合，持续N2轮；训练完成后，每个用户使用得到的本地分类器和数据增强器，对测试数据进行轴承故障检测。本发明解决了联邦学习情况下轴承故障诊断的非平衡问题，可获得精准的故障诊断结果。
-
公开(公告)号：CN114758784A
公开(公告)日：2022-07-15
申请号：CN202210314514.9
申请日：2022-03-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于聚类算法分配联邦学习中参与者权重的方法，具体为：各参与者接收全局模型参数，使用本地数据集进行训练，完成本地训练的将本地模型参数上传至中央服务器，未完成的继续进行本地训练；中央服务器接收至少50%的参与者上传的本地模型后，对所收到的模型参数向量化处理并使用聚类算法进行聚类，选取打分最高的聚类结果，度量每个类内中心与类间中心的距离，使用距离的倒数作为每一类参与者的权重值，聚合得到全局模型并下发给对应的参与者，参与者继续进行本地训练；中央服务器持续接收参与者上传的本地模型，继续进行聚类直至全局模型收敛。本发明能够加快全局模型的收敛速度，同时提升全局模型对于各参与者数据的测试精度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.014 seconds)
