(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111503756.4 (22)申请日 2021.12.10 (71)申请人 东南大学 地址 211102 江苏省南京市江宁区东 南大 学路2号 (72)发明人 刘升恒　黄永明　徐春梅　傅凝宁　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 孙建朋 (51)Int.Cl. H04W 24/06(2009.01) H04B 7/06(2006.01) H04B 7/08(2006.01) G06N 20/00(2019.01) H04L 41/14(2022.01)H04L 41/142(2022.01) (54)发明名称 一种基于随机聚合波束成形的用户设备选 择方法 (57)摘要 本发明公开了一种基于随机聚合波束成形 的用户设备选择方法， 在联邦学习聚合模型时， 采用空中计算技术提高通信效率， 由此产生的聚 合误差对最终学习性能存在影 响。 问题的目标是 通过选择用户设备和设计聚合波束成形矢量实 现聚合误差最小化和用户设备数最大化两个目 标。 然后提出了一种基于随机聚合波束成形的用 户设备选择方法。 在用户设备数量增大时， 本发 明的算法与原有算法相比能取得更低的聚合误 差和选择更多的用户设备， 进而获得更好的学习 性能。 权利要求书4页 说明书10页 附图7页 CN 114189899 A 2022.03.15 CN 114189899 A 1.一种基于随机聚合波 束成形的用户设备选择 方法， 其特 征在于， 包括以下步骤： 步骤1、 构建联邦学习 系统模型； 步骤1.1、 在一个边缘智能系 统中， 有K个配备了一根天线的边缘用户设备和一个配备 了N根天线的中心节 点， 其中N小于K； 所有用户设备构成的集合记作 每个用户设备k拥有 自己的本地数据集 而全局数据集则由这些本地数据集组合而成 这些用 户设备共同实现一个智能应用； 步骤1.2、 采用联邦学习分布式学习框架； 步骤2、 训练步骤1中构建的分布式联邦学习模型， 并使用空中计算技术来提高通信效 率， 确定因采用该空中计算 技术产生的聚合 误差； 步骤3、 根据步骤2中确定的聚合误差， 构建两个优化问题， 其一是在用户设备选择数固 定的情况下最小化均方误差的问题， 其二是保证均方误差在低水平的情况下， 最大化可选 择的用户设备 数的问题； 步骤4、 针对步骤3中构建的两个优化问题， 分别提出了基于随机聚合波束成形的最小 化均方误差算法和基于随机聚合波 束成形的最大化用户设备选择算法去求 解； 所述基于随机聚合波 束成形的最小化均方误差算法包括以下步骤： 步骤A、 确定要选择的用户设备数 一个随机采样次数Nm， 每次循环都会产生一 个辅助变量tmp， tmpmax是记录循环到当前回合为止的最大的tmp的一个变量， 并初始化 tmpmax＝0； 从1到Nm， 不断循环以下步骤B至步骤D三个步骤， 即一共执 行Nm次； 步骤B、 从复高斯分布 中随机采样 一次得到mr， 其中I是N ×N维的单位矩阵， 并 对mr进行归一 化mr＝mr/||mr||； 步骤C、 对每一个用户设备k， 计算等效信道功率 然后将所有的等 效信道功率进行降序排列， 选出其中的第S个值记为tmp； 步骤D、 若tmp＞tmpmax， 则令tmpmax＝tmp， 然后该回合要选择的参与更新的用户设备子 集确定为 而m＝mr； 步骤E、 循环执行完成后， 得到所求的参与更新的用户设备子集 和中心节点的波束成 形矢量m； 所述基于随机聚合波 束成形的最大化用户设备选择算法包括以下步骤： 步骤a、 首先确定限制 MSE的阈值 一个随机采样的次数Nm； 并且将可选择的最 大用户设备子集初始化为空集， 即 从1到Nm， 不断循环步骤b至步骤e这四个步 骤， 即一共循环Nm次； 步骤b、 从复高斯分布 中随机采样 一次得到mr， 其中I是N ×N维的单位矩阵， 并 对mr进行归一 化， 即mr＝mr/||mr||； 步骤c、 对每一个用户设备k， 计算 步骤d、 确定参与更新的用户设备的子集 为 步骤e、 若 那么令 m＝mr；权　利　要　求　书 1/4 页 2 CN 114189899 A 2步骤f、 循环过程执行完成后， 得到可选择的最大用户设备子集 和中心节点 的最 优波束成形矢量m。 2.根据权利要求1所述的基于随机聚合波束成形的用户设备选择方法， 其特征在于， 所 述步骤1.2中采用联邦学习分布式学习框架包括以下步骤： 步骤1.2.1、 在所有的用户设备中选择一个子集 来参与该回合的训练； 步骤1.2.2、 被选中的用户设备根据自己的本地数据集对本地模型参数更新E次， 然后 将这些参数 上传给中心 节点； 步骤1.2.3、 中心 节点根据收到的参数来更新全局模型。 3.根据权利要求2所述的权利要求1所述的基于随机聚合波束成形的用户设备选择方 法， 其特征在于， 步骤1.2.2中第k个用户设备的本地模 型参数在第n个回合的具体更新公式 为： 其 中 累 积 梯 度 表 示 为 而 μi是第i步的学习率； 是平均损失函数， 其中 是在样本 的第j个数据上的损失值； 令每个用户设备都有相同大小的本地数据集， 那么在第 n个回合， 中心节点的全局模型 参数就可以由下式得到： 4.根据权利要求3所述的基于随机聚合波束成形的用户设备选择方法， 其特征在于， 步 骤2的具体步骤为： 在第n个回合， 用户设备k传输的符号矩阵定义为 并用单位 方差进行了归一化， 即 其中I表示单位矩阵； 和gk的第d个元素 简写为sk， wk和gk； 将被选中的用户设备的集 合表示为 中心节点得到的理想信号表示 为： sk经过模拟调制后再由传输系数bk进行预编码， bk的幅度表示用户设备k的传输功率， 它的相位可以用来帮助中心节点校准收到的信号； 之后， 这些信号在空中叠加， 并和中心节 点的波束成形矢量相乘； 最后经过一个比例因子η进行放大； 由于无线信道存在衰落和噪 声， 中心节点实际收到的信号y表示 为： 其中hk是从用户设备k到中心节点的信道向量， 服从单位功率的复高斯分布， 即 信道服从独立同分布； 向量n是加性高斯白噪声， 即 mH表示 波束成形矢量的共 轭转置， 因此， 由空中计算 技术产生的聚合 误差表示 为： 权　利　要　求　书 2/4 页 3 CN 114189899 A 3