CN112087403A - 基于分布式机器学习的信息传输方法和装置 - Google Patents

基于分布式机器学习的信息传输方法和装置 Download PDF

Info

Publication number
CN112087403A
CN112087403A CN202010934852.3A CN202010934852A CN112087403A CN 112087403 A CN112087403 A CN 112087403A CN 202010934852 A CN202010934852 A CN 202010934852A CN 112087403 A CN112087403 A CN 112087403A
Authority
CN
China
Prior art keywords
data information
information
equipment
amplified
relay
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010934852.3A
Other languages
English (en)
Other versions
CN112087403B (zh
Inventor
吴涤霄
王丰
许杰
曹晓雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010934852.3A priority Critical patent/CN112087403B/zh
Publication of CN112087403A publication Critical patent/CN112087403A/zh
Application granted granted Critical
Publication of CN112087403B publication Critical patent/CN112087403B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/41—Flow control; Congestion control by acting on aggregated flows or links
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/82—Miscellaneous aspects
    • H04L47/827—Aggregation of resource allocation or reservation requests
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于分布式机器学习的信息传输方法和装置，方法包括以下步骤：接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中经放大处理的数据信息是中继设备接收各终端设备发送的数据信息并对数据信息进行放大处理得到的；将数据信息和经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；当合并的数据信息满足预设条件时，判定数据信息传输完成。上述的基于分布式机器学习的信息传输方法在终端设备与聚合设备间设立中继设备，将终端设备的数据信息进行放大与转发，提高聚合设备接收数据信息的接收计算速率。

Description

基于分布式机器学习的信息传输方法和装置
技术领域
本发明涉及分布式机器学习与空中计算技术领域，具体涉及一种基于分布式机器学习的信息传输方法、装置和系统。
背景技术
随着物联网、人工智能的快速发展，基于大数据的机器学习技术在各行各业中得到广泛应用。然而，对于超大规模数据集，单台机器已经满足不了需求,往往需要使用分布式机器学习方法。在分布式机器学习中，多个机器组成一个集群共同完成一个机器学习任务。为完成该任务，不同机器之间存在着大量通信；因此，如何有效地聚合海量数据，提高通信效率就变得尤为重要。
空中计算(over-the-air computation，AirComp)技术被认为是一种有前途的多数据传输与计算方案，特别在超低延迟和高移动性的场景中(例如用于巡逻无人机或实时医疗设备)，利用AirComp先在终端设备上对传输数据进行适当的预处理，聚合设备(fusioncenter,FC)可以利用多接入信道(multiple access channel,MAC)的无线信号叠加特性，同时有效地接收多台设备的信号。在分布式机器学习中采用空中计算方法可以很好地聚合海量数据。
然而，在空中计算方法中当终端设备向聚合设备发送信息时，容易受到功率有限和信道状态不定的影响，特别是在信道条件较差的情况下通常会发生通信中断等状况，对机器学习任务的进行造成非常大的影响。
发明内容
有鉴于此，本发明提供了一种基于分布式机器学习的信息传输方法、装置、系统和计算机可读存储介质，以克服现有技术中在空中计算方法中当终端设备向聚合设备发送信息时，容易受到功率有限和信道状态不定的影响，从而影响机器学习任务的问题。
为实现上述目的，本发明提供如下技术方案：
本发明实施例提供了一种基于分布式机器学习的信息传输方法，包括以下步骤：
接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中所述经放大处理的数据信息是所述中继设备接收各所述终端设备发送的数据信息并对所述数据信息进行放大处理得到的；
将所述数据信息和所述经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
当所述合并的数据信息满足预设条件时，判定数据信息传输完成。
可选地，
在将所述数据信息和所述经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息的步骤中，包括：
通过以下公式计算得到所述合并的数据信息：
Figure BDA0002671561660000021
其中，y表示合并的数据信息，α和β表示相位系数，y0表示接收各终端设备发送的数据信息、y2表示接收的中继设备发送的经放大处理的数据信息，h0,k表示终端设备k发送数据信息时的信道系数、pk表示表示终端设备k发送数据信息时的传输功率、sk表示终端设备k发送数据信息时的数据信号、w0表示接收各终端设备发送的数据信息时的加性高斯白噪声、A表示中继设备对数据信息进行放大处理时的放大系数、h1,k表示终端设备k向中继设备发送数据信息时的信道系数、h2表示中继设备发送的经放大处理的数据信息时的信道系数、w1表示中继设备接收各终端设备发送的数据信息时的加性高斯白噪声、w2表示接收中继设备发送的经放大处理的数据信息时的加性高斯白噪声，
Figure BDA0002671561660000022
表示各终端设备的集合。
可选地，
当所述合并的数据信息满足预设条件时，判定数据信息传输完成的步骤中，包括：
当所述合并的数据信息的噪声小于预设值，且所述合并的数据信息能解码得到有效数据信息时，判定数据信息传输完成。
可选地，
还包括：当所述合并的数据信息不满足预设条件时，判定数据信息传输失败。
本发明实施例还提供了一种基于分布式机器学习的信息传输方法，包括以下步骤：
采集所需数据，对所述所需数据进行预处理得到数据信息；
将所述数据信息发送至所述聚合设备和中继设备，其中，所述中继设备对所述数据信息进行放大处理得到经放大处理的数据信息。
本发明实施例还提供了一种基于分布式机器学习的信息传输方法，包括以下步骤：
接收各终端设备发送的数据信息，对所述信息进行放大处理得到经放大处理的数据信息；
将所述经放大处理后的数据信息发送至所述聚合设备。
本发明实施例提供了一种基于分布式机器学习的信息传输装置，包括：
第一数据信息接收模块，用于接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中所述经放大处理的数据信息是所述中继设备接收各所述终端设备发送的数据信息并对所述数据信息进行放大处理得到的；
调整合并模块，用于将所述数据信息和所述经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
判定模块，用于当所述合并的数据信息满足预设条件时，判定数据信息传输完成。
本发明实施例还提供了一种基于分布式机器学习的信息传输装置，包括：
数据采集模块，用于采集所需数据；
数据信息得到模块，用于对所述所需数据进行预处理得到数据信息；
数据信息发送模块，用于将所述数据信息发送至所述聚合设备和中继设备，其中，所述中继设备对所述数据信息进行放大处理得到经放大处理的数据信息。
本发明实施例还提供了一种基于分布式机器学习的信息传输装置，包括：
第二数据信息接收模块，用于接收各终端设备发送的数据信息；
放大处理模块，用于对所述信息进行放大处理得到经放大处理的数据信息；
放大数据信息发送模块，用于将所述经放大处理后的数据信息发送至所述聚合设备。
本发明实施例还提供了一种基于分布式机器学习的信息传输系统，包括各终端设备、中继设备和聚合设备，其中所述中继设备分别连接各所述设备和所述聚合设备，且各所述终端设备连接所述聚合设备；
所述聚合设备用于执行以下步骤：
接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中所述经放大处理的数据信息是所述中继设备接收各所述终端设备发送的数据信息并对所述数据信息进行放大处理得到的；
将所述数据信息和所述经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
当所述合并的数据信息满足预设条件时，判定数据信息传输完成；
各所述终端设备用于执行以下步骤：
采集所需数据，对所述所需数据进行预处理得到数据信息；
将所述数据信息发送至所述聚合设备和中继设备，其中，所述中继设备对所述数据信息进行放大处理得到经放大处理的数据信息；
所述中继设备用于执行以下步骤：
接收各终端设备发送的数据信息，对所述信息进行放大处理得到经放大处理的数据信息；
将所述经放大处理后的数据信息发送至所述聚合设备。
本发明实施例中的基于分布式机器学习的信息传输方法、装置和系统，各终端设备发送数据信息至中继设备和聚合设备，中继设备对数据信息进行放大处理，并将经放大处理的数据信息发送至聚合设备，聚合设备将接收到的数据信息和经放大处理的数据信息依次进程相位调整并合并，得到合并的数据信息，当合并的数据信息满足预设条件，判定数据传输完成。上述的基于分布式机器学习的信息传输方法在终端设备与聚合设备间设立中继设备，将终端设备的数据信息进行放大与转发，提高聚合设备接收数据信息的接收计算速率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例中基于分布式机器学习的信息传输的结构示意图；
图2为本发明实施例中基于分布式机器学习的信息传输方法(聚合设备单端角度)的流程示意图；
图3为本发明实施例中基于分布式机器学习的信息传输方法(终端设备单端角度)的流程示意图；
图4为本发明实施例中基于分布式机器学习的信息传输方法(中继设备单端角度)的流程示意图；
图5为本发明实施例中基于分布式机器学习的信息传输装置(聚合设备单端角度)的结构示意图；
图6为本发明实施例中基于分布式机器学习的信息传输装置(终端设备单端角度)的结构示意图；
图7为本发明实施例本发明实施例中基于分布式机器学习的信息传输装置(中继设备单端角度)的结构示意图；
图8为本发明实施例本发明实施例中基于分布式机器学习的信息传输系统中终端设备、中继设备和聚合设备结构示意图。
图9为本发明实施例本发明实施例中基于分布式机器学习的信息传输方法的流程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了更详细说明本发明，下面结合附图对本发明提供的一种基于分布式机器学习的信息传输方法、装置和系统，进行具体地描述。
图1为基于分布式机器学习的信息传输系统示意图；本发明的基于分布式机器学习的信息传输方法应用于图1的系统图中；其中，终端设备的数量有多个，且种类也比较多，包括智能手机、电脑、智能手表等；终端设备可以直接向聚合设备传输或发送信息，也可以通过中继设备向聚合设备传输或发送信息。另外，中继设备在接收到终端设备发送的信息后，通常需要对信息进行一些处理，通常是对信息进行放大处理，从而提高聚合设备接收信息的速率。
在一个实施例中，如图2所示，提供了一种基于分布式机器学习的信息传输方法，以该方法应用于图1中的聚合设备为例进行说明，包括以下步骤：
步骤S202，接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中经放大处理的数据信息是中继设备接收各终端设备发送的数据信息并对数据信息进行放大处理得到的；
步骤S204，将数据信息和经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
步骤S206，当合并的数据信息满足预设条件时，判定数据信息传输完成。
在本实施中，该基于分布式机器学习的信息传输方法是从聚合设备单端角度撰写的。其中，数据信息为聚合设备所需要的信息，该信息的种类可以是多种多样的，在不同时刻聚合设备所需要的信息可以是不同的，对于信息的种类可以预先进行设置。
聚合设备一方面直接接收各终端设备发送的数据信息，一方面接收中继设备放大处理后的数据信息，然后将这两个信息进行相位调整，然后将相位调整后的信息进行合并，然后来判断合并后的数据信息，当合并后的数据信息符合预设条件，则表示数据信息传输完成。此外，各终端设备可以是任意一个或多个终端设备，也可以是指所有的终端设备，只要保证终端设备发送的是同一种类数据信息。
其中，预设条件是预先设置的用来判断聚合设备接收到的来自终端设备以及中继设备传输的数据信息是否符合要求，当符合要求时表示此次数据信息传输完成；当不符合要求时，表示此次数据信息传输失败。
本发明实施例中的基于分布式机器学习的信息传输方法，各终端设备发送数据信息至中继设备和聚合设备，中继设备对数据信息进行放大处理，并将经放大处理的数据信息发送至聚合设备，聚合设备将接收到的数据信息和经放大处理的数据信息依次进程相位调整并合并，得到合并的数据信息，当合并的数据信息满足预设条件，判定数据传输完成。上述的基于分布式机器学习的信息传输方法在终端设备与聚合设备间设立中继设备，将终端设备的数据信息进行放大与转发，提高聚合设备接收数据信息的接收计算速率。
在一个实施例中，在将数据信息和经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息的步骤中，包括：
通过以下公式计算得到合并的数据信息：
Figure BDA0002671561660000071
其中，y表示合并的数据信息，α和β表示相位系数，y0表示接收各终端设备发送的数据信息、y2表示接收的中继设备发送的经放大处理的数据信息，h0,k表示终端设备k发送数据信息时的信道系数、pk表示表示终端设备k发送数据信息时的传输功率、sk表示终端设备k发送数据信息时的数据信号、w0表示接收各终端设备发送的数据信息时的加性高斯白噪声、A表示中继设备对数据信息进行放大处理时的放大系数、h1,k表示终端设备k向中继设备发送数据信息时的信道系数、h2表示中继设备发送的经放大处理的数据信息时的信道系数、w1表示中继设备接收各终端设备发送的数据信息时的加性高斯白噪声、w2表示接收中继设备发送的经放大处理的数据信息时的加性高斯白噪声，
Figure BDA0002671561660000083
表示各终端设备的集合。
具体地，基于分布式机器学习的信息传输系统主要用于多接信道的分布式机器学习传输，即通常用来传输适应于计算关于分布数据的一类列线(nomographic)函数，包括几何平均值、多项式等。下面以线函数为例对基于分布式机器学习的信息传输的实施步骤进行介绍。
假设有一个聚合设备和K个终端设备参与分布式机器学习，终端设备的集合为
Figure BDA0002671561660000084
令终端设备k监测到的数据样本集为dk，聚合设备通过多接入信道来接收来自各个终端的加权信息可以表示为：
Figure BDA0002671561660000081
其中函数f(.)为前文所述的列线函数，其常用的表达式有如表1所示。
表1为列线函数常用表达式
Figure BDA0002671561660000082
下面以算术平均为例进行说明。聚合设备仅对由终端设备K发送的数据的算数平均值感兴趣，无需求出单个信号的值：
Figure BDA0002671561660000091
然而信息发送要经过采样、量化、编码等再经信道传输到达聚合设备的接收端，聚合设备需要从接收到的信息中重构其所需信号(通常就是对接收到的信息进行解码等处理)。令编码函数为
Figure BDA0002671561660000092
那么终端设备k传输的信号或信息为：
Figure BDA0002671561660000093
为方便对终端设备的发射端进行功率控制，对
Figure BDA0002671561660000094
进行归一化处理，即
Figure BDA0002671561660000095
此时{sk}为均值为0、方差为1的变量。令h0,k和pk为终端设备k在多接入信道上向聚合设备传输的信道系数与传输功率，
Figure BDA0002671561660000096
为聚合设备接收端均值为0，方差为
Figure BDA0002671561660000097
加性高斯白噪声。其中，pk会受到终端设备最大功耗Pk的限制：0≤pk≤Pk。那么聚合设备通过多接入信道接收到的来自所有终端设备的信号可以表示为：
Figure BDA0002671561660000098
聚合设备在接收到信号y0后，经过设计的解码函数ψ(.)利用y0估计出的原信号满足
Figure BDA0002671561660000099
其中
Figure BDA00026715616600000912
表示估计值。至此，利用多接入信道的性质聚合设备一次性接收到了所需要的信息且无需解码每个终端设备k的信息。
而在基于分布式机器学习的信息传输系统的信息传输方法中，定义终端设备集合为
Figure BDA00026715616600000911
终端设备k监测到的数据样本集为dk，聚合设备所需的数据信号为：
Figure BDA00026715616600000910
与前文中所述信号传输过程一致，令sk为终端设备k的传输数据信号(或信息)，pk为终端设备k在多接入信道上向聚合设备传输时的传输功率。
聚合设备接收到全部信号的过程分为两部分：终端设备向聚合设备与中继设备传输和中继设备向聚合设备传输。首先令h0,k,h1,k,h2分别为终端设备k向聚合设备传输，终端设备k向中继设备传输，中继设备向聚合设备传输信号时的信道状况。
其中，终端设备向聚合设备传输过程为：令w0为聚合设备接收端在接收到终端设备传来信号时均值为0，方差为σ0的加性高斯白噪声。因此，聚合设备通过多接入信道接收到的来自所有终端设备的信号表示为：
Figure BDA0002671561660000101
pk受到终端设备最大功耗预算Pk的限制，其中0≤pk≤Pk。
终端设备向中继设备传输过程为：实际上终端设备只向外传输一次，即中继设备与终端设备同时进行接收。类似的，令w1为中继设备接收端在接收到终端设备传来信号时均值为0，方差为σ1的加性高斯白噪声。中继设备通过多接入信道接收到的来自所有终端设备的信号表示为：
Figure BDA0002671561660000102
中继设备向聚合设备传输过程为：中继设备接收到来自所有终端设备的信号后，为信号进行放大与转发，令A为实值的信号放大参数，放大的信号即为Ay1。因而聚合设备的接收信号即为：
Figure BDA0002671561660000103
其中w2为聚合设备接收端在接收到中继设备传来信号时均值为0，方差为σ2的加性高斯白噪声。同理，中继节点的发送功率同样受到pk中继设备最大功耗预算Pd的限制，即
Figure BDA0002671561660000104
接收到中继设备传输的信号y2与在聚合设备缓存器中存放的终端设备向聚合设备传输的信号y0进行相位调整后合并，对y0与y2进行调整的复相位系数分别为α,β，满足：|α|＝1|β|＝1。
此时，聚合设备全部的接收信号为
Figure BDA0002671561660000111
至此，信息传输完毕。得到整个系统的计算速率
Figure BDA0002671561660000112
相比于仅依靠终端设备向聚合设备进行传输的情况：
Figure BDA0002671561660000113
由于在信息传输过程中传输噪声往往远远小于信道传输系数，可得，R＞＞R0，即整个系统的速率得到了提升。
在一个实施例中，当合并的数据信息满足预设条件，判定数据信息传输完成的步骤中，包括：
当合并的数据信息的噪声小于预设值时，且合并的数据信息能解码得到有效数据信息，判定数据信息传输完成。
具体而言，合并的数据信息中通常包括有噪声，当噪声太大时会干扰正常的数据信息，可能会导致合并的数据信息无法解码出有效信息等，从而会导致数据信息传输失败。因此，在本实施例中通过判断合并的数据信息的噪声以及是否能解码得到有效信息来快速来确定数据信息是否传输完成。
在一个实施例中，还包括：当合并的数据信息不满足预设条件时，判定数据信息传输失败。
在本实施例中，当合并的数据信息不满足预设条件，包括合并的数据信息噪声太大，无法解码得到有效数据信息等，说明此次传输的数据信息无法使用，是无效的，需要重新传输。
本发明实施例还提供了一种基于分布式机器学习的信息传输方法，如图3所示，包括以下步骤：
步骤S302，采集所需数据，对所需数据进行预处理得到数据信息；
步骤S304，将数据信息发送至聚合设备和中继设备，其中，中继设备对数据信息进行放大处理得到经放大处理的数据信息。
在本实施中，该基于分布式机器学习的信息传输方法是从终端设备单端角度撰写的。其中，各终端设备用于从环境中采集聚合设备所需数据，对所需数据进行预处理得到数据信息；然后将数据信息分别发送至聚合设备和中继设备；聚合设备在接收到数据信息时先对数据信息进行存储，待接收到中继设备发送的经放大处理的数据信息后，再将储存的数据信息和经放大处理的数据信息进行相位调整并合并，从而得到合并的数据信息。而中继设备在接收到数据信息后对数据信息进行放大处理，得到经放大处理的数据信息，然后经放大处理的数据信息发送至聚合设备。
另外，对所需数据进行预处理的过程包括对所需数据进行分类、将所需转化为模拟信号、再转化为数字信号等。对所需数据进行预处理后，可以方便后期的传输。
本发明实施例还提供了一种基于分布式机器学习的信息传输方法，如图4所示，包括以下步骤：
步骤S402，接收各终端设备发送的数据信息，对信息进行放大处理得到经放大处理的数据信息；
步骤S404，将经放大处理后的数据信息发送至聚合设备。
在本实施中，该基于分布式机器学习的信息传输方法是从中继设备单端角度撰写的。其中，中继设备就是用来接收各终端设备发送的数据信息，对信息进行放大处理得到经放大处理的数据信息，再将经放大处理后的数据信息发送至聚合设备。采用中继设备对数据信息进行放大处理，可以在终端设备直接向聚合设备传输信息信道差等情况下，将数据信息转发至聚合设备，最大程度地保持数据信息传输的有效性。
上述本发明公开的实施例中详细描述了一种基于分布式机器学习的信息传输方法，对于本发明公开的上述方法可采用多种形式的设备实现，因此本发明还公开了对应上述方法的基于分布式机器学习的信息传输装置，下面给出具体的实施例进行详细说明。
本发明实施例提供了一种基于分布式机器学习的信息传输装置，如图5所示，包括：
第一数据信息接收模块502，用于接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中经放大处理的数据信息是中继设备接收各终端设备发送的数据信息并对数据信息进行放大处理得到的；
调整合并模块504，用于将数据信息和经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
判定模块506，用于当合并的数据信息满足预设条件时，判定数据信息传输完成。
在本实施中，该基于分布式机器学习的信息传输装置是从聚合设备单端角度撰写的。
在一个实施例中，调整合并模块，还用于通过以下公式计算得到合并的数据信息：
Figure BDA0002671561660000131
其中，y表示合并的数据信息，α和β表示相位系数，y0表示接收各终端设备发送的数据信息、y2表示接收的中继设备发送的经放大处理的数据信息，h0,k表示终端设备k发送数据信息时的信道系数、pk表示表示终端设备k发送数据信息时的传输功率、sk表示终端设备k发送数据信息时的数据信号、w0表示接收各终端设备发送的数据信息时的加性高斯白噪声、A表示中继设备对数据信息进行放大处理时的放大系数、h1,k表示终端设备k向中继设备发送数据信息时的信道系数、h2表示中继设备发送的经放大处理的数据信息时的信道系数、w1表示中继设备接收各终端设备发送的数据信息时的加性高斯白噪声、w2表示接收中继设备发送的经放大处理的数据信息时的加性高斯白噪声，κ表示各终端设备的集合。
在本实施中，该基于分布式机器学习的信息传输装置是从聚合设备单端角度撰写的。
在一个实施例中，判定模块，还用于当合并的数据信息的噪声小于预设值，且合并的数据信息能解码得到有效数据信息，判定数据信息传输完成。
在本实施中，该基于分布式机器学习的信息传输装置是从聚合设备单端角度撰写的。
在一个实施例中，判定模块，还用于当合并的数据信息不满足预设条件，判定数据信息传输失败。
在本实施中，该基于分布式机器学习的信息传输装置是从聚合设备单端角度撰写的。
本发明实施例还提供了一种基于分布式机器学习的信息传输装置，如图6所示，包括：
数据采集模块602，用于采集所需数据；
数据信息得到模块604，用于对所需数据进行预处理得到数据信息；
数据信息发送模块606，用于将数据信息发送至聚合设备和中继设备，其中，中继设备对数据信息进行放大处理得到经放大处理的数据信息。
在本实施中，该基于分布式机器学习的信息传输装置是从终端设备单端角度撰写的。
本发明实施例还提供了一种基于分布式机器学习的信息传输装置，如图7所示，包括：
第二数据信息接收模块702，用于接收各终端设备发送的数据信息；
放大处理模块704，用于对信息进行放大处理得到经放大处理的数据信息；
放大数据信息发送模块706，用于将经放大处理后的数据信息发送至聚合设备。
在本实施中，该基于分布式机器学习的信息传输装置是从中继设备单端角度撰写的。
关于基于分布式机器学习的信息传输装置的具体限定可以参见上文中对于基于分布式机器学习的信息传输方法的限定，在此不再赘述。上述基于分布式机器学习的信息传输装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供了一种基于分布式机器学习的信息传输系统，如图1所示，包括各终端设备、中继设备和聚合设备，其中中继设备分别连接各设备和聚合设备，且各终端设备连接聚合设备；
聚合设备用于执行以下步骤：
接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中经放大处理的数据信息是中继设备接收各终端设备发送的数据信息并对数据信息进行放大处理得到的；
将数据信息和经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
当合并的数据信息满足预设条件时，判定数据信息传输完成；
各终端设备用于执行以下步骤：
采集所需数据，对所需数据进行预处理得到数据信息；
将数据信息发送至聚合设备和中继设备，其中，中继设备对数据信息进行放大处理得到经放大处理的数据信息；
中继设备用于执行以下步骤：
接收各终端设备发送的数据信息，对信息进行放大处理得到经放大处理的数据信息。
在一个实施例中，聚合设备用于执行以下步骤：在将数据信息和经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息的步骤中，包括：
通过以下公式计算得到合并的数据信息：
Figure BDA0002671561660000151
其中，y表示合并的数据信息，α和β表示相位系数，y0表示接收各终端设备发送的数据信息、y2表示接收的中继设备发送的经放大处理的数据信息，h0,k表示终端设备k发送数据信息时的信道系数、pk表示表示终端设备k发送数据信息时的传输功率、sk表示终端设备k发送数据信息时的数据信号、w0表示接收各终端设备发送的数据信息时的加性高斯白噪声、A表示中继设备对数据信息进行放大处理时的放大系数、h1,k表示终端设备k向中继设备发送数据信息时的信道系数、h2表示中继设备发送的经放大处理的数据信息时的信道系数、w1表示中继设备接收各终端设备发送的数据信息时的加性高斯白噪声、w2表示接收中继设备发送的经放大处理的数据信息时的加性高斯白噪声，κ表示各终端设备的集合。
在一个实施例中，聚合设备用于执行以下步骤：当合并的数据信息满足预设条件时，判定数据信息传输完成的步骤中，包括：
当合并的数据信息的噪声小于预设值，且合并的数据信息能解码得到有效数据信息，判定数据信息传输完成。
在一个实施例中，聚合设备用于执行以下步骤：还包括：当合并的数据信息不满足预设条件时，判定数据信息传输失败。
具体而言，基于分布式机器学习的信息传输系统主要包括三大部分：第一部分为终端设备负责机器学习任务的数据信息的采集、传输；第二部分为中继设备，负责来自终端设备数据信息的接收与放大转发；第三部分为聚合设备，负责接收数据信息并处理。其中终端设备的结构可以包括信息采集模块和信息发送模块，其中信息发送模块可以包括编码模块，功率控制模块、发送天线等；中继设备的结构可以包括信息接收模块和信息发送模块，其中信息发送模块可以包括功率控制模块、放大模块以及发送天线等；聚合设备的结构可以包括：信息接收模块，其中信息接收模块包括接收天线，相位调制模块以及解码模块等，如图8所示。其中，整个系统主要工作步骤如图9所示：终端设备从环境中采集所需数据，对所需数据进行预处理确定需要传输的数据信息；终端设备将数据信息通过发送进行传输，中继设备与聚合设备接收来自终端设备的数据信息；聚合设备将接收到的来自终端设备的数据信息存储在缓存器，等待接收中继设备经放大处理的数据信息；中继设备将接收到的数据信息进行放大，转发至聚合设备；聚合设备将缓存器的数据信息与中继设备传来的数据信息调整相位后进行合并，得到合并的数据信息；然后来进行判断，聚合设备的合并的数据信息是否符合预设条件，如果是，传输完成；如果不是，则需要重新传输。
应该理解的是，虽然图2-4以及图9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4以及图9中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于分布式机器学习的信息传输方法，其特征在于，包括以下步骤：
接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中所述经放大处理的数据信息是所述中继设备接收各所述终端设备发送的数据信息并对所述数据信息进行放大处理得到的；
将所述数据信息和所述经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
当所述合并的数据信息满足预设条件时，判定数据信息传输完成。
2.根据权利要求1所述的方法，其特征在于，在将所述数据信息和所述经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息的步骤中，包括：
通过以下公式计算得到所述合并的数据信息：
Figure FDA0002671561650000011
其中，y表示合并的数据信息，α和β表示相位系数，y0表示接收各终端设备发送的数据信息、y2表示接收的中继设备发送的经放大处理的数据信息，h0,k表示终端设备k发送数据信息时的信道系数、pk表示表示终端设备k发送数据信息时的传输功率、sk表示终端设备k发送数据信息时的数据信号、w0表示接收各终端设备发送的数据信息时的加性高斯白噪声、A表示中继设备对数据信息进行放大处理时的放大系数、h1,k表示终端设备k向中继设备发送数据信息时的信道系数、h2表示中继设备发送的经放大处理的数据信息时的信道系数、w1表示中继设备接收各终端设备发送的数据信息时的加性高斯白噪声、w2表示接收中继设备发送的经放大处理的数据信息时的加性高斯白噪声，
Figure FDA0002671561650000012
表示各终端设备的集合。
3.根据权利要求1所述的方法，其特征在于，当所述合并的数据信息满足预设条件时，判定数据信息传输完成的步骤中，包括：
当所述合并的数据信息的噪声小于预设值，且所述合并的数据信息能解码得到有效数据信息时，判定数据信息传输完成。
4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：当所述合并的数据信息不满足预设条件时，判定数据信息传输失败。
5.一种基于分布式机器学习的信息传输方法，其特征在于，包括以下步骤：
采集所需数据，对所述所需数据进行预处理得到数据信息；
将所述数据信息发送至所述聚合设备和中继设备，其中，所述中继设备对所述数据信息进行放大处理得到经放大处理的数据信息。
6.一种基于分布式机器学习的信息传输方法，其特征在于，包括以下步骤：
接收各终端设备发送的数据信息，对所述信息进行放大处理得到经放大处理的数据信息；
将所述经放大处理后的数据信息发送至所述聚合设备。
7.一种基于分布式机器学习的信息传输装置，其特征在于，包括：
第一数据信息接收模块，用于接收各终端设备发送的数据信息和中继设备发送的经放大处理的数据信息；其中所述经放大处理的数据信息是所述中继设备接收各所述终端设备发送的数据信息并对所述数据信息进行放大处理得到的；
调整合并模块，用于将所述数据信息和所述经放大处理的数据信息依次进行相位调整和合并，得到合并的数据信息；
判定模块，用于当所述合并的数据信息满足预设条件时，判定数据信息传输完成。
8.一种基于分布式机器学习的信息传输装置，其特征在于，包括
数据采集模块，用于采集所需数据；
数据信息得到模块，用于对所述所需数据进行预处理得到数据信息；
数据信息发送模块，用于将所述数据信息发送至所述聚合设备和中继设备，其中，所述中继设备对所述数据信息进行放大处理得到经放大处理的数据信息。
9.一种基于分布式机器学习的信息传输装置，其特征在于，包括：
第二数据信息接收模块，用于接收各终端设备发送的数据信息；
放大处理模块，用于对所述信息进行放大处理得到经放大处理的数据信息；
放大数据信息发送模块，用于将所述经放大处理后的数据信息发送至所述聚合设备。
10.一种基于分布式机器学习的信息传输系统，其特征在于，包括各终端设备、中继设备和聚合设备，其中所述中继设备分别连接各所述设备和所述聚合设备，且各所述终端设备连接所述聚合设备；
所述聚合设备用于执行权利要求1-4任一项所述基于分布式机器学习的信息方法的步骤；
各所述终端设备用于执行权利要求5所述基于分布式机器学习的信息方法的步骤；
所述中继设备用于执行权利要求6所述基于分布式机器学习的信息方法的步骤。
CN202010934852.3A 2020-09-08 2020-09-08 基于分布式机器学习的信息传输方法和装置 Expired - Fee Related CN112087403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010934852.3A CN112087403B (zh) 2020-09-08 2020-09-08 基于分布式机器学习的信息传输方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010934852.3A CN112087403B (zh) 2020-09-08 2020-09-08 基于分布式机器学习的信息传输方法和装置

Publications (2)

Publication Number Publication Date
CN112087403A true CN112087403A (zh) 2020-12-15
CN112087403B CN112087403B (zh) 2023-04-07

Family

ID=73732630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010934852.3A Expired - Fee Related CN112087403B (zh) 2020-09-08 2020-09-08 基于分布式机器学习的信息传输方法和装置

Country Status (1)

Country Link
CN (1) CN112087403B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115441925A (zh) * 2022-07-26 2022-12-06 广东工业大学 一种基于空地通信网络的无线计算系统
WO2024000538A1 (zh) * 2022-06-30 2024-01-04 华为技术有限公司 信息安全保护方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101237306A (zh) * 2008-03-05 2008-08-06 中科院嘉兴中心微系统所分中心 基于放大转发单节点协作通信的宽带无线传感器网络传输方案
CN102857323A (zh) * 2012-09-17 2013-01-02 西安电子科技大学 基于放大转发协作的网络编码方法
CN106992836A (zh) * 2017-03-24 2017-07-28 华侨大学 一种非可信中继网络中全双工加扰传输方法
CN108923827A (zh) * 2018-06-28 2018-11-30 平安科技（深圳）有限公司 三中继节点协作通信功率分配方法
CN110971286A (zh) * 2019-10-22 2020-04-07 浙江理工大学 基于Lattice编码放大转发的网络编码方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101237306A (zh) * 2008-03-05 2008-08-06 中科院嘉兴中心微系统所分中心 基于放大转发单节点协作通信的宽带无线传感器网络传输方案
CN102857323A (zh) * 2012-09-17 2013-01-02 西安电子科技大学 基于放大转发协作的网络编码方法
CN106992836A (zh) * 2017-03-24 2017-07-28 华侨大学 一种非可信中继网络中全双工加扰传输方法
CN108923827A (zh) * 2018-06-28 2018-11-30 平安科技（深圳）有限公司 三中继节点协作通信功率分配方法
CN110971286A (zh) * 2019-10-22 2020-04-07 浙江理工大学 基于Lattice编码放大转发的网络编码方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹晓雯，莫小鹏，许杰: ""面向边缘智能的空中计算"", 《中兴通讯技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024000538A1 (zh) * 2022-06-30 2024-01-04 华为技术有限公司 信息安全保护方法和装置
CN115441925A (zh) * 2022-07-26 2022-12-06 广东工业大学 一种基于空地通信网络的无线计算系统
CN115441925B (zh) * 2022-07-26 2024-02-09 广东工业大学 一种基于空地通信网络的无线计算系统

Also Published As

Publication number Publication date
CN112087403B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112087403B (zh) 基于分布式机器学习的信息传输方法和装置
WO2017185377A1 (zh) 极化Polar码的编译码方法及装置
US8036200B2 (en) Efficient polled frame exchange on a shared-communications channel
US20080133996A1 (en) Wireless Communication Apparatus
KR101548555B1 (ko) 데이터 패킷 중계 및 데이터 패킷 디코딩을 위한 방법 및 디바이스
CN113114410A (zh) 数据处理方法、配置方法及通信设备
CN111768790B (zh) 用于传输语音数据的方法和装置
CN107864029A (zh) 一种降低多用户检测复杂度的方法
US20220116141A1 (en) Communication method and apparatus
CN114039703A (zh) 数据传输方法、装置、设备和介质
US20240284203A1 (en) Communication method, apparatus, and system, storage medium, and program product
WO2022057777A1 (zh) 信号传输方法、装置、接入节点、处理单元、系统及介质
CN111246508B (zh) 干扰源识别方法、相关设备及计算机存储介质
WO2018201983A1 (zh) 极化码信道编码方法、设备以及通信系统
WO2022052199A1 (zh) 数据标注方法、网络设备、终端、系统及存储介质
WO2024012170A1 (zh) Psfch信号检测方法、装置、存储介质及电子装置
WO2019238014A1 (zh) 反馈信息的传输方法和装置
US11489623B2 (en) Error correction in network packets
CN108990022B (zh) 一种mtc终端通信方法
WO2024027682A1 (zh) 特征信息传输方法、转换信息确定方法、装置和通信设备
WO2023138459A1 (zh) 解码方法、设备及可读存储介质
WO2024001892A1 (zh) 数据收发系统、数据接收方法及数据发送方法
CN105227274B (zh) 重传合并方法及装置
WO2023125423A1 (zh) 编码方法、设备及可读存储介质
WO2023138458A1 (zh) 编码方法、设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230407