基于轻量化分布式学习的自动调制分类方法

为了解决集中式学习存在的问题,提出了一种基于轻量化网络的分布式学习方法。分布式学习利用边缘设备进行本地训练和模型权重共享的方法训练同一个全局模型,既充分利用了各边缘设备的训练数据,又避免了边缘设备数据泄露。轻量化网络是一种由多个轻量化神经网络块堆叠而成的深度学习模型,相较于传统的深度学习模型,轻量化网络以较低的空间复杂度和时间复杂度实现较高的调制分类性能,有效地解决了分布式学习在实际部署中存在的边缘设备算力不足、存储空间有限及通信开销较高的问题。实验结果表明,基于分布式学习的自动调制信号分类技术在RadioML.2016.10A数据集的分类准确率为62.41%,相比于集中式学习,分类准确率仅降低了0.68%,训练效率提高了近5倍。实验结果也证明了在分布式学习下,部署轻量化网络可以有效降低通信开销。     

无线通信中的边缘智能

本文综述了机器学习(Machine learning, ML)在无线边缘网络的主要应用、典型学习方法、以及性能潜力。首先分析了无线边缘智能与传统人工智能的区别。而后讨论了两种降低训练ML复杂度的思路,一种是从学习方法角度研究知识与数据联合驱动的ML,另一种是从无线系统角度设计合适的训练和决策方法,分析了集中式决策和分布式决策、集中式训练和分布式训练的优缺点。进一步介绍了联邦学习在无线边缘网络中的应用现状和适用场景,总结了在降低通信开销和个性化学习方面的研究进展与存在的问题。最后对全文进行了总结。      

边缘计算下的联邦学习挑战及进展

<正>近年来，边缘计算和联邦学习技术受到了学术界和工业界的广泛关注。边缘计算充分利用位于边缘设备、边缘节点及边缘服务器上的计算和存储资源，减少对通信资源的消耗，提供了分布式计算和数据处理的能力。联邦学习作为一种分布式的机器学习方法，通过在本地进行模型训练，以达到保护数据隐私安全的目的。边缘计算和联邦学习这两项技术的结合，不仅可以实现边缘端的智能决策，还能减少通信开销，保护用户数据隐私安全。     

基于5G边缘计算的深度学习架构与应用

针对深度神经模型在网络边缘难以训练的问题,构建了一种基于5G边缘计算的深度学习模型训练架构。架构利用5G边缘计算接入网打通边缘智能设备与边缘计算层的数据通信,模型训练过程采用各边缘计算节点利用本地数据进行全模型训练,再由中心服务器进行模型参数汇集和更新的分布式训练模式,既保证了模型训练的数据集多样性,又减少了网络压力和保障了本地数据隐私,是一种非常具有潜力的深度学习边缘计算架构。     

叠加训练序列设计及其高效传输技术研究

采用训练序列与信息数据叠加的传输方案由于消除训练序列占用的频带开销而受到广泛关注。然而,如何高效的分离叠加信号是实现高效信道估计和可靠检测的基础。通过叠加周期训练序列,研究了基于数据依赖的叠加训练(DDST)方案的高效信道估计和检测方案。并结合信道编码技术,研究了编码条件下DDST方案与传统时分复用(TDM)方案的性能。仿真结果表明,在消除训练带宽开销的情况下,获得DDST方案与TDM的误码率基本保持一致。     

OBS边缘节点接收设备的研究

光突发交换(OBS)网络边缘节点的接收设备具有与普通光网络接收设备不同的要求和特点.首先,光突发接收要求有快速的信号同步时间,以减少前导字节所占用的开销;其次,特有的帧结构要求有相应的解封装操作和业务数据的快速交换能力.本文设计和测试了光突发接收电路,同时利用大容量FPGA完成了信号的解封装和IP数据的快速交换,并以此开发了OBS边缘节点接收设备,在系统测试中证明该设备符合光突发交换系统的要求.     

无线传感器网络簇内数据汇聚方法

数据汇聚是降低传感器网络传输能耗的重要手段。分簇传感网数据汇聚通常包括簇内汇聚及汇聚结果传输,现有方案大多关注簇构造或簇内汇聚结果传递到基站的效率。文章提出一种分簇传感网簇内数据汇聚方法,通过位置信息选择代理点,仅与代理点有不同测量值的节点进行数据发送,减少了簇内数据汇聚中的数据传输量。分析与试验表明,与相关方案比较,文章方案簇内汇聚的数据传输量较小,降低了通信开销。     

边缘环境下基于无证书公钥密码的数据完整性审计方案

边缘环境下,当数据传输到云端时需途经边缘节点这一新的实体,这使数据安全问题变得更加复杂,数据的机密性和完整性很难得到保证,传统的数据完整性审计方案不适用于设备繁多的边缘环境。基于此,提出了一种边缘环境下基于无证书公钥密码的数据完整性审计方案,结合在线/离线签名思想,在边缘节点半可信的情况下,用户设备只需在上传数据时进行轻量级的计算,其余计算量交由离线阶段执行。该方案利用边缘节点进行审计工作,同时支持不同存储状态下的审计和隐私保护等特性。安全性分析表明,所提方案在随机预言模型下能有效应对三类敌手攻击,证明该方案是安全的。与其他方案进行实验对比,结果显示所提方案时间开销最低。     

动态时间规正与差别子空间相结合变异语音识别的在线训练方法

应力影响下的变异语音(由于说话人受到重力加速度变化而产生)可以用动态时间规正与差别子空间相结合的方法进行识别,但是该方法空间开销很大,而且训练算法极为复杂。针对该方法提出特征矢量替换法和特征矢量求平均法两种基于聚类思想的简单在线训练方法,取一个较小的初始训练集,然后用在线训练的方法使系统识别率达到最大。实验结果表明,其中特征矢量求平均的在线训练方法非常有效,保证系统整体识别率的同时,大大减小了系统的空间开销,适合于训练数据有限的变异语音识别。     

窄带干扰对多载波系统定时同步影响的分析

 S&;C算法是基于数据辅助的常用定时同步算法,该算法仅需要一个训练符号,既可用于定时恢复,也可用于载波频率捕获,额外开销小,广泛应用于多载波通信系统中.一般来说,定时估计的性能会受到干扰(如窄带干扰)的影响.分析了窄带干扰信号对多载波系统定时同步的影响,重点分析了窄带干扰情况下S&;C定时估计器的性能、训练数据的漏警概率和虚警概率.     

基于同态加密的高效安全联邦学习聚合框架

为了解决联邦学习数据安全以及加密后通信开销大等问题，提出了一种基于同态加密的高效安全联邦聚合框架。在联邦学习过程中，用户数据的隐私安全问题亟须解决，然而在训练过程中采用加密方案带来的计算和通信开销又会影响训练效率。在既要保护数据安全又要保证训练效率的情况下，首先，采用Top-K梯度选择方法对模型梯度进行筛选，减少了需要上传的梯度数量，提出适合多边缘节点的候选量化协议和安全候选索引合并算法，进一步降低通信开销、加速同态加密计算。其次，由于神经网络每层模型参数具有高斯分布的特性，对选择的模型梯度进行裁剪量化，并采用梯度无符号量化协议以加速同态加密计算。最后，实验结果表明，在联邦学习的场景下，所提框架既保证了数据隐私安全，又具有较高的准确率和高效的性能。     

一种基于深度学习的异常数据清洗算法

在物联网(IoT)中采用合适的异常数据清洗算法能极大地提升数据质量.许多研究人员采用统计学方法或分类聚类等方法对时-空相关数据进行清洗.但这些方法需要额外的先验知识,会给汇聚节点带来额外的计算开销.该文根据低秩-稀疏矩阵分解模型,提出一种基于深度神经网络的快速异常数据清洗算法,来解决物联网中时-空相关数据的清洗问题.结...     

面向边缘智能的空中计算

边缘智能模型训练中的无线通信开销已成为系统性能瓶颈,空中计算是解决该问题的重要技术。利用无线多址接入信道的信号叠加特性,空中计算技术能够在多终端无线信号传输的同时,对参数汇总计算,从而实现通信计算一体化设计,降低无线通信开销,提高边缘智能系统性能。通过实例介绍了空中计算的基本原理及其在边缘智能中的应用,并展望了未来研究方向。     

基于人工智能的雷达设备虚拟维修训练仿真模型

雷达设备是重要的电子设备,但在工作过程中可能会出现各种故障。通过开发虚拟维修训练仿真模型,可以提供一个实际环境下的虚拟场景,使维修人员能够在虚拟的情境下进行维修训练,以此提高维修人员的操作技能和判断能力,在面对实际故障时能更高效和准确地进行维修,提升雷达设备维修效果。为此,文中设计一种基于人工智能的雷达设备虚拟维修训练仿真模型。依据用户输入的雷达设备虚拟维修训练的相关设计参数,以及线性激光扫描仪采集的点云数据,采用人工智能中的三维重建技术构建雷达设备和维修场景三维模型。利用人工智能中的粒子群算法对仿真过程进行碰撞检测,得到维修训练路径规划结果。对仿真过程展开维修性检验,判断雷达设备是否符合维修性要求,并利用投影仪呈现虚拟维修训练仿真过程的相关数据,显示雷达设备虚拟维修训练结果。实验结果表明：所设计模型可有效实现雷达设备的三维点云重建,得到雷达设备三维模型,完成雷达设备虚拟维修训练仿真。     

毫米波混合波束形成系统的多波束训练方法

针对毫米波通信系统方向性强的特点,提出一种快速波束训练方法。该方法首先建立了二维面阵天线系统模型,推导了多波束预编码矩阵,并在原分层训练协议的基础上,利用混合波束形成系统使发射端同时产生多个并行训练波束并在接收端将训练结果进行反馈。仿真表明,相较于以往单一波束训练算法,该并行多波束训练方法能够有效地减少训练开销,提高训练效率。     

火炮声探测装备辅助训练系统

针对火炮声探测系统在日常训练中受声源限制等问题,研制了火炮声探测装备辅助训练系统。该系统由数据交换机模拟设备和目标模拟机组成（平板电脑）,监控软件加装在数据综合处理终端设备,用来监控数据综合处理终端的功能和操作,数据交换机模拟设备用于模拟实装数据交换机设备的功能和操作,目标模拟机用于构建声测作业的虚拟战场环境,为数据综合处理终端设备提供虚拟的炮位或者炸点信号,用于完成火炮声探测系统信号处理设备的模拟操作训练。     

基于粗糙集理论的训练器材消耗影响因素分析

训练器材是教学施训的基础和保障,是关系到教学训练单位建设发展和提高教学施训水平的重要因素.找到影响训练器材消耗的因素,能够在平时的教学施训中制定相应的保障措施,更好的利用教学训练经费.对影响训练器材消耗的因素进行分析及数据挖掘,找出造成训练器材消耗的主要因素.通过运用粗糙集理论对采集到的数据进行属性分析,对不必要的数据进行属性约简,从中得到影响训练器材消耗发生的关键因素.     

一种基于正则化的边缘定向插值算法

针对传统的基于线性回归模型插值算法不能对变化剧烈的边缘进行有效插值的问题,该文提出一种基于正则化的边缘定向插值算法。算法主要分为两部分:参数估计部分与数据估计部分。在参数估计部分,为了更加准确地描述图像局部结构,把已估计的高分辨率像素作为训练像素的一部分,用以进行回归模型参数的估计。在数据估计部分,引入像素平滑方向作为正则化项,以降低参数的误估计引起的数据估计偏差。实验结果表明,该算法能很好地保持图像的边缘特征,尤其在变化比较剧烈的边缘区域;与双三次插值算法及基于正则化的局部线性回归插值算法(Regularized Local Linear Regression, RLLR)相比,该算法能取得更好的视觉效果及较高的PSNR值。     

面向大规模MIMO下行多用户迫零预编码的交替训练研究

为解决频分双工大规模MIMO的信道获取开销问题,针对服务质量保障与基站采用迫零（ZF）预编码的典型场景,引入对信干噪比（SINR）的监督机制,设计多用户逐根天线交替训练方案。进而考虑交替训练引入的时间开销,设计基于天线分组的多用户交替训练方案。然后推导了2种方案的平均训练长度、传输成功率以及平均有效和频谱效率闭合表达式。理论与仿真揭示了发射功率、SINR阈值、用户数、分组长度与信道误差水平等参数的影响,并证明相比全训练与部分训练,所提方案可显著降低导频开销,提升传输成功率。     

基于EWC算法的DDoS攻击检测模型参数更新方法

针对现有基于多层线性感知器(Multi-Layer Perceptron,MLP)神经网络的DDoS攻击检测模型参数更新方法(MLP-UD)易遗忘模型训练原参数所用的DDoS攻击数据集(原数据集)知识、时间空间开销大的问题,该文提出一种基于弹性权重保持(Elastic Weight Consolidation,EWC)算法的模型参数更新方法(EWC-UD).首先,使用K-Means算法计算原数据集聚类簇中心点作为费雪信息矩阵计算样本,有效提升计算样本均匀度与聚类覆盖率,大幅减少费雪信息矩阵计算量,提升参数更新效率.其次,基于费雪信息矩阵,对模型参数更新过程中的损失函数增加2次惩罚项,限制MLP神经网络中重要权重与偏置参数的变化,在保持对原数据集检测性能的基础上,提升对新DDoS攻击数据集的检测准确率.然后基于概率论对EWC-UD方法进行正确性证明,并分析时间复杂度.实验表明,针对构建的测试数据集,EWC-UD方法相较于MLP-UD仅训练新DDoS攻击数据集的更新方法,检测准确率提升37.05％,相较于MLP-UD同时训练新旧DDoS攻击数据集的更新方法,时间开销下降80.65％,内存开销降低33.18％.