一种面向空天地一体化网络的低时延量化联邦学习方法

本发明公开了一种面向空天地一体化网络的低时延量化联邦学习方法，属于无线通信与分布式机器学习技术领域。本发明的低时延量化联邦学习方法具体包括：①考虑一个三层的空天地一体化网络模型，该模型包括低地球轨道卫星、一系列可部署的无人机和多个移动设备；②采用两级模型聚合机制，即本地‑边缘模型聚合和边缘‑云端模型聚合；③采用用户关联与资源分配算法，基于上行信噪比(SNR)动态关联设备与无人机，优先选择信道质量最优节点，并依据设备计算能力与信道状态动态分配频谱资源。本发明是在无线资源受限的情况下，考虑“最小化最大训练时延”原则，通过优化用户关联与资源分配策略，降低学习时延并提升模型性能。