本發(fā)明專利技術(shù)涉及一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，包括：采集SAR圖像數(shù)據(jù)并進行預(yù)處理，生成相應(yīng)的目標識別標簽，得到帶標簽數(shù)據(jù)集；搭建半去中心化聯(lián)邦學(xué)習(xí)框架，初始化全局模型參數(shù)；各客戶端使用本地私有數(shù)據(jù)進行模型訓(xùn)練，通過設(shè)備間通信獲得本地參數(shù)共識；服務(wù)器隨機選擇客戶端進行參數(shù)傳輸，聚合模型參數(shù)并更新全局模型參數(shù)，將更新后的全局模型參數(shù)廣播給所有客戶端；迭代訓(xùn)練，直至全局模型參數(shù)達到收斂狀態(tài)，得到訓(xùn)練好的全局模型；對訓(xùn)練好的全局模型進行測試，選用通過測試的全局模型進行SAR圖像目標識別。與現(xiàn)有技術(shù)相比，本發(fā)明專利技術(shù)在保證模型性能和數(shù)據(jù)隱私保護的前提下，能有效降低服務(wù)器和客戶端之間的通信開銷。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及遙感合成孔徑雷達目標識別應(yīng)用領(lǐng)域，尤其是涉及基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法。
技術(shù)介紹
1、合成孔徑雷達(sar)具有全天候、全天時工作的能力，在軍事監(jiān)視、災(zāi)害監(jiān)測和環(huán)境保護等領(lǐng)域具有重要應(yīng)用。然而，sar數(shù)據(jù)采集成本高昂且難以獲取，數(shù)據(jù)共享又涉及敏感信息的隱私問題。sar自動目標識別(atr)的有效實現(xiàn)面臨數(shù)據(jù)稀缺和隱私保護的重大挑戰(zhàn)。為了解決這些問題，聯(lián)邦學(xué)習(xí)(fl)技術(shù)被提出，通過在參與方之間傳遞模型參數(shù)而非原始數(shù)據(jù)，實現(xiàn)了多個機構(gòu)在不共享數(shù)據(jù)的前提下共同訓(xùn)練模型，確保數(shù)據(jù)隱私。
2、然而，傳統(tǒng)fl架構(gòu)仍存在高通信開銷的問題。傳統(tǒng)fl架構(gòu)采用星型拓撲結(jié)構(gòu)，主服務(wù)器連接多個客戶端，每輪訓(xùn)練包括本地更新和全局參數(shù)聚合。這樣的集中式fl架構(gòu)存在一些局限性，如長延遲、大帶寬利用率和高功耗，導(dǎo)致高通信開銷。而且，一旦中心服務(wù)器出現(xiàn)故障，整個訓(xùn)練過程將受到嚴重影響。
3、隨著通信技術(shù)的進步，衛(wèi)星間通信成本大幅降低，實現(xiàn)了高可靠性、低延遲的衛(wèi)星間連接。這使得用衛(wèi)星間通信替代盡可能多的衛(wèi)星與服務(wù)器間通信成為可能，從而顯著降低系統(tǒng)的整體通信成本。因此，在確保數(shù)據(jù)隱私的前提下，結(jié)合衛(wèi)星間通信技術(shù)，降低服務(wù)器與衛(wèi)星之間的通信成本，實現(xiàn)共同訓(xùn)練模型成為關(guān)鍵挑戰(zhàn)。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的就是為了克服上述現(xiàn)有技術(shù)存在fl架構(gòu)中服務(wù)器與衛(wèi)星之間高通信開銷的缺陷而提供一種基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法。
2、本專利技術(shù)的目的可以通過以下技術(shù)方案來實現(xiàn)：
3、一種基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法，包括以下步驟：
4、s1：采集sar圖像數(shù)據(jù)并進行預(yù)處理，生成相應(yīng)的目標識別標簽，得到帶標簽數(shù)據(jù)集；
5、s2：搭建半去中心化聯(lián)邦學(xué)習(xí)框架，該半去中心化聯(lián)邦學(xué)習(xí)框架包括服務(wù)器和集群的多個客戶端，集群內(nèi)的客戶端之間進行設(shè)備間通信；構(gòu)建用于目標識別的神經(jīng)網(wǎng)絡(luò)模型，并初始化全局模型參數(shù)；
6、s3：根據(jù)所述帶標簽數(shù)據(jù)集為每個客戶端分配本地私有數(shù)據(jù)，各客戶端使用本地私有數(shù)據(jù)進行模型訓(xùn)練，通過設(shè)備間通信獲得本地參數(shù)共識，準備將更新后的本地模型參數(shù)上傳至服務(wù)器；
7、s4：服務(wù)器隨機選擇客戶端進行參數(shù)傳輸，聚合模型參數(shù)并更新全局模型參數(shù)，將更新后的全局模型參數(shù)廣播給所有客戶端；
8、s5：重復(fù)步驟s3和步驟s4，直至全局模型參數(shù)達到收斂狀態(tài)，得到訓(xùn)練好的全局模型；
9、s6：對訓(xùn)練好的全局模型進行測試，選用通過測試的全局模型進行sar圖像目標識別。
10、進一步地，步驟s1具體包括以下步驟：
11、s101：通過衛(wèi)星機構(gòu)采集sar圖像數(shù)據(jù)；
12、s102：對采集的sar圖像數(shù)據(jù)進行預(yù)處理，該預(yù)處理包括去噪、校正和增強；
13、s103：根據(jù)預(yù)處理后的sar圖像數(shù)據(jù)生成相應(yīng)的目標識別標簽。
14、進一步地，步驟s2具體包括以下步驟：
15、s201：建立半去中心化聯(lián)邦學(xué)習(xí)框架，確定參與的客戶端和服務(wù)器，以及客戶端的數(shù)量；客戶端之間進行設(shè)備間通信，服務(wù)器通過衛(wèi)星鏈路與各個客戶端通信，并負責聚合全局模型參數(shù)；
16、s202：預(yù)先構(gòu)建用于目標識別的神經(jīng)網(wǎng)絡(luò)模型，初始化全局模型參數(shù)；
17、s203：服務(wù)器將初始化的全局模型參數(shù)分發(fā)給各個客戶端。
18、進一步地，所述用于目標識別的神經(jīng)網(wǎng)絡(luò)模型包括用于特征提取的主干網(wǎng)絡(luò)和用于分類的由全連接層組成的分類器；
19、所述主干網(wǎng)絡(luò)通過一系列卷積層逐步從輸入的sar圖像中提取高層次特征；
20、所述分類器將主干網(wǎng)絡(luò)提取的高層次特征映射到最終的輸出類別。
21、進一步地，步驟s3具體包括以下步驟：
22、s301：各個客戶端均持有一個基于所述帶標簽數(shù)據(jù)集分配后的本地數(shù)據(jù)集，各客戶端基于被分配的全局模型參數(shù)進行本地訓(xùn)練，優(yōu)化本地模型參數(shù)，以最小化本地交叉熵損失函數(shù)，所述本地模型參數(shù)的優(yōu)化計算表達式為：
23、
24、式中，為客戶端n在k次迭代時的本地模型參數(shù)，為客戶端n的第i個sar圖像，為客戶端n的第i個目標識別標簽，d(n)為本地數(shù)據(jù)集；
25、s302：每個客戶端與其集群內(nèi)的其它客戶端進行t(k)輪d2d通信，進行本地參數(shù)的迭代更新，第k輪迭代時，客戶端n與鄰居客戶端m交換參數(shù)的更新表達式為：
26、
27、式中，為客戶端n更新后的t+1輪的本地參數(shù)，為第k輪迭代時客戶端n與鄰居客戶端m之間的共識參數(shù)，為第k輪迭代時客戶端n自身的共識參數(shù)，為客戶端n在t輪的本地參數(shù)，ζ(k)(n)為第k輪迭代時客戶端n的鄰居集合，為客戶端m在t輪的本地參數(shù)；
28、s303：各個客戶端將其本地聚合后的共識參數(shù)準備上傳至服務(wù)器。
29、進一步地，步驟s303中，采用優(yōu)化后的客戶端模型參數(shù)聚合表達式進行參數(shù)更新，所述優(yōu)化后的客戶端模型參數(shù)聚合表達式為：
30、
31、式中，d(k)為第k輪迭代時集群內(nèi)客戶端鄰居的最大數(shù)量。
32、進一步地，步驟s4具體包括以下步驟：
33、s401：服務(wù)器隨機選擇一個客戶端m進行參數(shù)傳輸；
34、s402：服務(wù)器從選定的客戶端m中獲取當前迭代次數(shù)k下的本地參數(shù)共識
35、s403：服務(wù)器將接收到的本地參數(shù)共識作為新的全局模型參數(shù)該全局模型參數(shù)的計算表達式為：
36、
37、式中，為第k輪更新后的全局模型參數(shù)；
38、s404：服務(wù)器將更新后的全局模型參數(shù)廣播給所有客戶端，各個客戶端的本地參數(shù)的更新表達式為：
39、
40、式中，為第k+1輪開始時客戶端n的模型參數(shù)。
41、進一步地，步驟s5具體包括以下步驟：
42、s501：各客戶端接收服務(wù)器發(fā)送的全局模型參數(shù)，并進行本地模型參數(shù)更新；
43、s502：各客戶端使用本地數(shù)據(jù)集進行模型訓(xùn)練，以最小化本地損失函數(shù)，所述本地損失函數(shù)的計算表達式為：
44、
45、式中，ln(θ)為客戶端n的本地損失函數(shù)，dn為本地數(shù)據(jù)集，l為交叉熵損失函數(shù)，f(xi；θ)為模型的預(yù)測值，yi為目標識別標簽；
46、s503：各個客戶端使用梯度下降算法更新本地模型參數(shù)，對應(yīng)的更新表達式為：
47、
48、式中，為客戶端n在k次迭代時的本地模型參數(shù)，為客戶端n在k+1次迭代時的本地模型參數(shù)，η為學(xué)習(xí)率，為第k輪的本地損失函數(shù)的梯度；
49、s504：客戶端之間進行設(shè)備間通信；
50、s505：客戶端通過多輪設(shè)備間通信迭代，獲得本地參數(shù)共識；
51、s506：客戶端獲得最終的本地參數(shù)共識本文檔來自技高網(wǎng)
...
【技術(shù)保護點】
1.一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S1具體包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S2具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，所述用于目標識別的神經(jīng)網(wǎng)絡(luò)模型包括用于特征提取的主干網(wǎng)絡(luò)和用于分類的由全連接層組成的分類器；
5.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S3具體包括以下步驟：
6.根據(jù)權(quán)利要求5所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S303中，采用優(yōu)化后的客戶端模型參數(shù)聚合表達式進行參數(shù)更新，所述優(yōu)化后的客戶端模型參數(shù)聚合表達式為：
7.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S4具體包括以下步驟：
8.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S5具體包括以下步驟：
9.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S6具體包括以下步驟：
10.根據(jù)權(quán)利要求9所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同SAR圖像目標識別方法，其特征在于，步驟S605還包括：
...
【技術(shù)特征摘要】
1.一種基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法，其特征在于，步驟s1具體包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法，其特征在于，步驟s2具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法，其特征在于，所述用于目標識別的神經(jīng)網(wǎng)絡(luò)模型包括用于特征提取的主干網(wǎng)絡(luò)和用于分類的由全連接層組成的分類器；
5.根據(jù)權(quán)利要求1所述的一種基于半去中心化架構(gòu)的多客戶端協(xié)同sar圖像目標識別方法，其特征在于，步驟s3具體包括以下步驟：
6.根據(jù)權(quán)利要...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王峰，金晶，
申請(專利權(quán))人：復(fù)旦大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。