买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京工业大学申请的专利基于分层联邦学习的无人机小基站集群RAN切片方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114997737B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210830056.4，技术领域涉及：G06Q10/0631；该发明授权基于分层联邦学习的无人机小基站集群RAN切片方法是由殷珉;沈航;王天荆;白光伟设计研发完成，并于2022-07-14向国家知识产权局提交的专利申请。

本基于分层联邦学习的无人机小基站集群RAN切片方法在说明书摘要公布了：本发明针对无人机小基站集群为地面用户提供差异化服务的场景，提出一种基于分层联邦学习的无人机小基站集群RAN切片方法基于分层联邦学习的动态RAN切片框架，以提升切片性能隔离效果、减少协同训练过程的通信代价。首先，考虑到无人机动态部署和数据不足等特点，通过数据增广促进本地模型训练。然后，根据位置和数据分布信息，设计面向无人机集群的分簇策略，支持边缘模型聚合，使得边缘的成员无人机有更多机会参与联邦学习并降低通信代价。最后，探索基于注意力机制的边缘和全局模型聚合方案，增强全局联邦学习模型的泛化能力。仿真结果表明，同典型分布式机器学习方法相比，本发明能够提升切片性能隔离效果，降低无人机协同训练的通信代价。

本发明授权基于分层联邦学习的无人机小基站集群RAN切片方法在权利要求书中公布了：1.一种基于分层联邦学习的无人机小基站集群RAN切片方法，其特征是，在无人机小基站集群无线接入网RAN场景中，每个无人机小基站上的物理资源依照切片预测模型被虚拟化为多个切片，每个切片支持一类定制化服务；无人机小基站简称为无人机； 切片预测模型是联邦学习FL模型，以下简称模型；采用基于学习的方法进行模型协同训练优化，步骤包括： 1本地数据增广和模型训练：当到无人机达新的部署位置后，每个无人机利用数据增广策略促进本地模型训练； 2面向边缘模型聚合的分簇：地面基站根据各无人机提交的数据分布和位置信息对无人机集群进行分簇，并选举簇头； 无人机集群被分为多个簇，簇内成员将本地模型参数上载至簇头；簇头将基站更新后的全局模型参数下发至簇内成员； 3分层模型聚合：簇头聚合簇内成员的模型参数后，形成边缘聚合模型，并将模型参数进一步上传至地面基站；地面基站聚合边缘聚合模型参数，建立全局模型； 簇头将更新后的全局模型参数分发给簇内成员；簇内成员无人机根据接收到的全局模型参数更新本地模型； 无人机上的控制器根据服务的资源需求量动态地为切片分配资源，方法为： 假设时间被划分为多个切片窗口，每个切片窗口被划分为多个离散时隙，代表切片窗口包含的时隙集合，该集合中元素的个数被表示为； 无人机在当前切片窗口运行过程中预测下一窗口内各切片所需的资源块数量；在窗口开始时，根据资源需求预测值重新分配每个切片的资源； 在窗口以内，每个切片分配的资源块数量维持不变，在切片窗口内的各个时隙开始时，无人机上的控制器为接收的任务分配资源块； 每个无人机预留一部分可被各个切片共享的资源块；在资源不足的情况下，切片临时占用这些共享资源块； 假设无人机的资源块数量为，这些资源块被编排成个切片，且切片集合记为；在切片窗口，假设无人机上切片在窗口的资源需求预测值为，而在时隙的实际资源分配量为，则有； 切片资源分配有2种情形： 情形1：，代表在时隙所需的实际资源块数量大于切片窗口内的预测值，此时切片需要临时占用预留的共享资源块； 情形2：，代表所需的资源块数量小于预测值，则切片的资源满足当前需求； 假设无人机预留的共享资源块被表示为，对于情形1，若，即所有共享资源块都不足以应对突发的资源需求，则切片性能隔离将无法得到保障； 令二元变量=1代表在时隙无人机上的各切片可以维持性能隔离，否则为0，即 ； 由式1，在窗口内，切片性能隔离时长占比越高，则资源分配方案越有效；于是，相应的切片性能隔离优化问题描述为 ； 在窗口运行过程中，无人机上的切片在下一窗口资源块数量预测值和真实资源需求之间的差距越小，为1的概率越大；于是，通过最小化预测值和真实值之间的均方误差，问题被转化为如下优化问题， ； 问题的实质是在资源总量约束下如何通过优化模型训练来缩小预测误差，以尽可能提升切片性能隔离的时间占比； 式2、3中，T是一个切片窗口内离散时隙的数量，M是切片的数量； 步骤1中，在切片窗口，无人机利用全局模型参数初始化自身模型，并根据所采集的数据进行本地训练； 令代表无人机上切片在切片窗口的实际资源需求向量，则无人机上所有切片的实际资源需求矩阵为 ， 无人机预测切片在窗口所需的资源块数量为 ， 其中，代表无人机的预测模型，为模型参数； 利用本地数据增广方法促进模型训练，方法为： 采用窗口切片方法进行数据增广，即通过使用一个滑动窗口在序列上不断滑动采样，生成多个长度更短的子序列；对无人机上切片的资源需求数据而言，若子序列长度设置为，则产生个时间序列，即为 ， 每个子序列代表原始数据片段，表示为 ， 对应的“输入-输出对”的集合表示为，其中为对应于s的输出，为样本数量； 式3重新表述为 ， 接着，引入损失函数度量无人机上切片所需资源块数量的预测误差；无人机上所有资源切片的损失函数表示为 ， 最后，采用梯度下降法更新无人机的本地模型参数 ， 其中，为学习率，代表损失函数相对于的梯度； 步骤2中，地面基站依据无人机数据分布和位置情况对无人机集群进行分簇： 无人机仅发送自身的数据分布和位置信息； 将无人机的位置信息和数据分布情况融入k-means中，以此决定簇的划分，首先根据无人机集群位置信息进行分簇；然后使用基于获得的质心为初始质心，再根据数据分布情况进行分簇； 在每个簇内，数据分布情况基站依据无人机剩余能量、无人机与基站间的距离选举簇头；假设簇中无人机与基站之间距离为，无人机的剩余能量为，于是使用归一化公式11为无人机打分 ， 其中，代表无人机能量的上限，代表无人机与基站之间距离的上限； 簇中分数最高的无人机被基站选为簇头，该无人机索引为 ； 步骤3中，采用基于注意力机制的分层模型聚合框架，用于簇内模型聚合和簇间模型聚合； 在切片窗口内，假设簇的边缘聚合模型参数表示为，个簇的边缘聚合模型参数表示为；假设簇内有个无人机，集合为；将中无人机的本地模型参数表示为，个无人机的本地模型参数表示为； 计算和，以及和之间的相关性，两个相关性的计算方法相同； 以和来说，令为查询，为与之对应的关键字，通过注意力打分函数由式13计算查询和关键字之间的相关性 ， 其中，和都代表可学习参数矩阵； 通过相关性计算，得到与和对应的两组分值和； 使用Softmax函数对分值进行归一化处理，得到簇内的无人机本地模型和个簇的边缘聚合模型参数的注意力分布和，其中 ， 通过最小化和之间的期望距离，获得与本地模型在参数空间上较为接近的边缘聚合模型； 然后，将式13输出的注意力分数作为权重来最小化和之间的距离，即 ， 其中，表示两组参数之间的欧式距离；对式15的目标函数求导，得到梯度 ， 最后，执行梯度下降算法更新边缘聚合模型的参数； 于是，全局模型参数的更新公式表示为 ， 其中，代表和每次迭代中在相反梯度方向移动的步长； 之后，地面基站将全局模型参数下发给簇头，再由簇头分发给簇内成员，用于无人机的本地模型更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京工业大学，其通讯地址为：211899 江苏省南京市江北新区浦珠南路30号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。