基于联邦学习的干涸后传热系数预测方法

一种基于联邦学习的干涸后传热系数预测方法，在离线阶段，构造多个分布式处理节点，各节点分别在离线阶段分别收集原始数据，并构建本地BP神经网络模型后，在本地进行离线训练和超参数优化的同时，不共享原始数据且仅上传模型参数，联邦学习服务器采用聚合算法对收到的模型参数进行聚合以消除各节点间数据分布不一致的问题；在在线阶段，联邦学习服务器通过聚合后的模型参数进行干涸后传热系数的实时预测。本发明该方法利用多个分布式节点，在不共享原始数据的前提下，采用联邦学习机制对BP神经网络模型进行协同训练，通过聚合各节点本地模型参数以构建全局预测模型，从而提升预测精度与泛化能力。