科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对环境监测领域边缘设备资源不平衡、通信延迟以及模型质量不高的问题，本文提出一种基于边缘计算的环境监测自适应联邦学习算法.该算法旨在利用边缘设备进行数据处理，并根据各个设备的资源限制调整全局模型的聚合频率，以更好地适应不同的监测环境.通过考虑边缘设备之间的资源差异，算法采用了动态优化迭代频率的策略，以提升模型的训练效果.与传统的固定迭代频率相比，该算法的调整策略更加灵活，能够更好地适应不同的数据分布和参与方特征.通过大量实验评估，并利用与同类算法CNN-FL(Convolutional Neural Networks-Federated Learning),FedAvg(Federated Averaging)和HFEL(Hierarchical Federated Edge Learning)的比较，本文提出的算法在算法性能和经济成本方面具有显著优势，这种算法为环境监测提供了一种高效、安全和可扩展的数据分析和模型建立方法，有助于推动环境监测能力的提升.
- 出版日期2023
- 单位武汉理工大学; 湖南工商大学
