[发明专利]基于SVD算法的异构联邦学习矿井电磁辐射趋势跟踪方法

权利要求书

1.一种基于SVD算法的异构模型联邦学习矿井电磁辐射趋势跟踪方法，其特征在于：包括如下步骤：

S1，利用K个传感器采集得到矿井的K个电磁辐射强度数据集；

S2，将用于采集数据的传感器作为联邦学习框架中的客户端，调度室内用于处理数据的设备作为联邦学习框架中的中央服务器；采用异构模型联邦学习框架，在该框架内的中央服务器设置若干个异构的中央模型，各客户端根据存储在本地的数据集规模或任务需求从中央服务器内选取中央模型作为客户端本地模型；

S3，客户端根据采集到的电磁辐射强度数据集对本地模型进行训练，同时采用SVD算法对客户端内本地模型参数矩阵进行降维，并结合FedAVG算法得到更新后的客户端本地模型；

S4，利用更新后的客户端本地模型提取客户端内本地数据集的特征表示，即提取电磁辐射强度数据特征；

S5，分别将所提取的特征表示作为训练样本，特征表示所对应的真实数据值作为训练标签，训练ESN网络；利用训练完成的ESN网络预测电磁辐射强度数据值；

S6，计算电磁辐射信号强度预测值的均值指标以及预测值间对数变化标准差，作为电磁辐射时序数据趋势跟踪指标。

2.根据权利要求1所述的一种基于SVD算法的异构模型联邦学习矿井电磁辐射趋势跟踪方法，其特征在于：客户端的本地模型根据所需完成的任务选定为机器模型或深度学习模型；在中央服务器设置长短期记忆网络和门控循环网络以供具备不同规模数据集的客户端选择。

3.根据权利要求1所述的一种基于SVD算法的异构模型联邦学习矿井电磁辐射趋势跟踪方法，其特征在于：所述步骤S3，客户端根据采集到的电磁辐射强度数据集对本地模型进行训练，同时采用SVD算法对客户端内本地模型参数矩阵进行降维，并结合FedAVG算法得到更新后的客户端本地模型；具体如下：

S3.1，设置异构模型联邦学习框架中客户端与中央服务器通讯轮次总数C.R；

S3.2，客户端根据采集到的电磁辐射强度数据集对本地模型进行第t轮次训练；

S3.3，利用SVD算法对本地模型参数矩阵进行分解，得到奇异值矩阵以及左/右奇异矩阵；

S3.4，将奇异值矩阵上传至中央服务器进行聚合，得到聚合的中央模型参数，对应的左/右奇异矩阵保留在客户端内；

S3.5，客户端从中央服务器下载对应的聚合中央模型参数，并利用存储在客户端内的左/右奇异矩阵进行逆分解得到新的参数矩阵，作为客户端本地模型的参数，该参数作为t+1轮次本地模型训练的初始参数，t＝t+1；

S3.6，重复执行步骤S3.2-S3.5，直至达到设置的通讯轮次总数，得到更新后的客户端本地模型。