线性编码联邦学习

联邦学习能够在边缘设备的协作训练中,保护边缘设备的数据隐私。而在通用联邦学习场景中,联邦学习的参与者通常由异构边缘设备构成,其中资源受限的设备会占用更长的时间,导致联邦学习系统的训练速度下降。现有方案或忽略掉队者,或根据分布式思想将计算任务进行分发,但是分发过程中涉及到原始数据的传递,无法保证数据隐私。为了缓解中小型规模的多异构设备协作训练场景下的掉队者问题,提出了编码联邦学习方案,结合线性编码的数学特性设计了高效调度算法,在确保数据隐私的同时,加速异构系统中联邦学习系统速度。同时,在实际实验平台中完成的实验结果表明,当异构设备之间性能差异较大时,编码联邦学习方案能将掉队者训练时间缩短92.85%。

异构编码联邦学习

异构联邦学习系统中的个人电脑、嵌入式设备等多种边缘设备,存在资源受限的掉队者设备降低联邦学习系统训练效率的问题.针对此问题,本文提出了异构编码联邦学习(heterogeneous coded-based federated learning,HCFL)系统框架,以实现:(1)提高系统训练效率,加快多掉队者场景下的异构联邦学习(federated learning,FL)训练速度;(2)提供一定级别的数据隐私保护.HCFL方案分别从客户端和服务器角度出发设计了调度策略,以满足通用环境下多掉队者模型计算加速;同时设计了线性编码计算方案(linear coded computing,LCC)为任务分发提供数据保护.实验结果表明,当异构FL中设备之间性能差异较大时,HCFL能够将训练时间缩短89.85%.

基于语音识别的智能家居系统的设计与开发

随着人们收入水平和生活水平的显著提高,智能家居越来越多地走进人们的生活。目前,移动终端系统以多样化、图形化的智能家居界面控制着智能家居设备,受到了人们的青睐。为了进一步解放人们的双手,使人们更加轻便地操控智能家居,设计了以语音识别技术为核心的智能家居控制系统。基于STM32,本系统采用Mel频率倒谱系数(MFCC)算法和动态时间弯折(DTW)算法分析和识别语音信号,通过ZigBee自组织网络,采集室内的温度、湿度、光线强度等信息,并控制灯、风扇、窗帘等智能设备的开关。