[发明专利]O-RAN系统中基于联邦学习的人工智能模型处理方法和装置有效
| 申请号： | 202010147497.5 | 申请日： | 2020-03-05 |
| 公开（公告）号： | CN111242304B | 公开（公告）日： | 2021-01-29 |
| 发明（设计）人： | 韩丽华 | 申请（专利权）人： | 北京物资学院 |
| 主分类号： | G06N5/04 | 分类号： | G06N5/04;G06N20/20 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 101149 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | ran 系统 基于 联邦 学习 人工智能 模型 处理 方法 装置 | ||
1.一种O-RAN系统中的基于联邦学习的人工智能模型处理方法，应用于O-RAN系统中的智能处理单元，其特征包括：
非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的人工智能模型参数以及学习后的性能统计结果；
特定应用包括：波束优化、负载均衡、业务体验水平、无线资源管理；
性能统计包括以下量纲之一或者任意组合：时延，吞吐量，可靠性，连接密度，业务体验满意度；
非实时智能处理单元将自己评估的性能和实时智能处理单元反馈的性能进行比对，基于性能差值的最大比算法和反馈时延对模型参数进行合并；
最大比算法包括：按照实时智能处理单元反馈的性能和非实时智能处理单元评估的性能的差值，确定合并的权重，差值越大，合并的权重越大；
非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用。
2.根据权利要求1所述的人工智能模型处理方法，其特征在于，所述的反馈时延包括：如果模型反馈的时延大于特定门限，不合并此模型参数。
3.根据权利要求1所述的人工智能模型处理方法，其特征在于，所述的在本地进行学习包括：利用本地采集的数据进行加强学习。
4.根据权利要求1所述的人工智能模型处理方法，其特征在于，所述的智能处理单元为利用人工智能技术处理数据的单元，包括O-RAN定义的非实时RIC和近实时RIC。
5.一种O-RAN系统中的基于联邦学习的人工智能模型处理装置，应用于O-RAN系统中的智能处理单元，其特征包括：
非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的人工智能模型参数以及学习后的性能统计结果；
特定应用包括：波束优化、负载均衡、业务体验水平、无线资源管理；
性能统计包括以下量纲之一或者任意组合：时延，吞吐量，可靠性，连接密度，业务体验满意度；
非实时智能处理单元将自己评估的性能和实时智能处理单元反馈的性能进行比对，基于性能差值的最大比算法和反馈时延对模型参数进行合并；
最大比算法包括：按照实时智能处理单元反馈的性能和非实时智能处理单元评估的性能的差值，确定合并的权重，差值越大，合并的权重越大；非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京物资学院，未经北京物资学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010147497.5/1.html，转载请声明来源钻瓜专利网。
