10.19843/j.cnki.CN42-1779/TQ.202312023
基于联邦分割学习的输电线路异物检测算法
异物入侵是导致输电线路故障的主要原因之一,但现有输电线路异物检测方法未能充分利用终端设备的计算能力,造成资源浪费与隐私数据泄露等问题.针对上述问题,提出了一种基于联邦分割学习的检测算法(FSLDA).该算法结合联邦学习和分割学习,提高输电线路异物检测效率和终端设备数据安全性.FSLDA通过构建可分割的小型神经网络,将计算负载分散至不同设备,减轻终端设备的运算压力,同时确保训练数据的隐私安全得到有效保障.实验结果表明:与经典联邦学习相比,FSLDA在保持预测精度的同时,终端设备的训练时间和能源消耗分别减少了10%和20%.由此可知,FSLDA在提升输电线路异物检测效率和可靠性方面具备有效性,并有助于优化系统总体性能和保障终端数据隐私安全.
边缘计算、联邦学习、线路检测、分割学习
46
TP393(计算技术、计算机技术)
国家自然科学基金;湖北省智能机器人重点实验室开放基金;武汉市知识创新专项曙光项目
2024-09-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
439-445