一种面向战术边缘智能的联邦学习方法

本发明公开一种面向战术边缘智能的联邦学习方法，形成战术边缘智能的数据层、模型层、应用层的三层架构；对计算节点进行“联邦”式联合，划分集群分区，数据层强化将数据保留在本地，模型层针对不同分区的节点的多模态数据，训练调度本地神经网络模型，上层服务器负责对本地上传模型参数进行定制化聚合，形成针对不同分区差异化数据的分布式联邦聚合框架；应用层对上提供统一的安全性强，通信代价低的全局模型，对下提供面向边缘节点适配的定制化个性化神经网络模型；大大减少了通信次数，提高了通信效率，从而有效规避了通信质量差，网络断续的问题。