本发明涉及计算机，尤其涉及一种空中计算的联邦学习方法、边缘服务器、中继器及系统。
背景技术：
1、基于空中计算的联邦学习可以提高联邦学习时模型的学习速度，提升联邦学习系统的整体性能。
2、现有的一种基于空中计算的联邦学习方法，是在各个用户分别保有一部分数据集，并能收到来自不同服务器接入点的联邦学习模型与对应参数量；各个用户分别采用不同模型在本地数据集进行优化运算，更新每个联邦学习模型的状态参数向量；将更新后的参数向量转化为梯度向量，并发送给对应接入点；通过空中计算技术，使得所有用户的发送信号梯度叠加，转化为多个梯度叠加向量；通过同向聚合技术，将该多个同向信号叠加在一个信道中；每个服务器根据信道特征和接收到的信号对对应的发送信号进行无偏估计，并根据结果更新联邦学习模型参数，进入新一轮迭代。
3、现有的方法在信号传输时信号失真率较高，导致联邦学习的效率较低。
技术实现思路
1、本发明提供一种空中计算的联邦学习方法、边缘服务器、中继器及系统，用以解决现有的基于空中计算的联邦学习方法在信号传输时信号失真率较高，导致联邦学习的效率较低的缺陷，以实现提高联邦学习的效率的目的。
2、本发明提供一种空中计算的联邦学习方法，应用于边缘服务器，所述方法包括：
3、基于可解释性算法对参与联邦学习的各终端设备进行分簇，得到至少两个终端簇；
4、针对各所述终端簇，接收与所述终端簇对应的中继器发送的增强叠加信号，所述增强叠加信号为所述中继器对叠加信号进行信号放大后得到的，所述叠加信号为基于对应的终端簇内各终端设备发送的用于联邦学习的模型参数信号进行空中计算后得到的；
5、基于所述增强叠加信号进行联邦学习。
6、根据本发明提供的一种空中计算的联邦学习方法，所述基于可解释性算法对参与联邦学习的各终端设备进行分簇，得到至少两个终端簇，包括：
7、向参与联邦学习的各所述终端设备下发用于分簇的聚类样本集；
8、基于各所述终端设备的本地解释集通过聚类算法进行聚类分簇，得到至少两个终端簇，所述本地解释集是所述终端设备对接收到的所述聚类样本集进行可解释性算法运算后得到的集合。
9、根据本发明提供的一种空中计算的联邦学习方法，所述基于各所述终端设备的本地解释集通过聚类算法进行聚类分簇，包括：
10、针对各所述终端设备的本地解释集，将本地解释集中具有元素值的元素标记为第一标记值，将本地解释集中不具有元素值的元素标记为第二标记值，得到所述本地解释集对应的解释矩阵；
11、基于各所述解释矩阵通过聚类算法进行聚类分簇。
12、根据本发明提供的一种空中计算的联邦学习方法，所述接收与所述终端簇对应的中继器发送的增强叠加信号，包括：
13、基于所述终端簇中所述终端设备与所述终端簇对应的中继器的信道增益，确定信号收发时的功率控制参数；
14、基于所述功率控制参数，接收与所述终端簇对应的中继器发送的增强叠加信号。
15、根据本发明提供的一种空中计算的联邦学习方法，所述功率控制参数包括目标发射因子和目标接收因子；所述基于所述终端簇中所述终端设备与所述终端簇对应的中继器的信道增益，确定信号收发时的功率控制参数，包括：
16、基于所述终端簇中所述终端设备与所述终端簇对应的中继器的信道增益，通过信号失真率模型进行迭代运算，确定所述目标发射因子和目标接收因子，所述目标发射因子用于指示所述终端设备的发射功率的系数，所述目标接收因子用于指示所述边缘服务器的接收功率的系数；
17、所述信号失真率模型满足如下的式(1)：
18、
19、其中，表示实际情况下接收到的增强叠加信号的实际信号值，fg,r,k表示无噪声且无干扰情况下接收到的增强叠加信号的理论信号值，mseg,r,k表示接收到的增强叠加信号的失真率，hr,bs表示从中继器r到所述边缘服务器的信道增益，br表示中继器r的发射因子，ng表示所述终端簇中的终端设备的个数，bn,r表示从终端设备n到中继器r的信道增益，bn表示终端设备n的发射因子，η表示所述边缘服务器的接收因子，bo表示所述终端簇之外的中继器o的发射因子，ho,r表示从中继器o到中继器r的信道增益，表示所述中继器r的噪声，表示所述边缘服务器的噪声。
20、根据本发明提供的一种空中计算的联邦学习方法，所述通过信号失真率模型进行迭代运算，确定所述目标发射因子和目标接收因子，包括：
21、对所述信号失真率模型进行问题分解，得到如下的式(2)和式(3)对应的两个子问题：
22、
23、
24、基于所述式(2)和所述式(3)进行迭代求解，得到更新的发射因子和更新的接收因子；
25、将所述更新的发射因子和所述更新的接收因子代入式(1)中，得到当次更新所对应的失真率；
26、在所述当次更新所对应的失真率与前一次更新所对应的失真率之间的差值小于准确因子的情况下，将当次更新的发射因子确定为所述目标发射因子，并将当次更新的接收因子确定为所述目标接收因子，所述准确因子为用于对失真率差值进行判断的预设阈值。
27、本发明还提供一种空中计算的联邦学习方法，应用于中继器，所述方法包括：
28、接收与所述中继器对应的终端簇发送的叠加信号，所述叠加信号为基于对应的终端簇内各终端设备发送的用于联邦学习的模型参数信号进行空中计算后得到的，所述终端簇为边缘服务器基于可解释性算法对参与联邦学习的各终端设备进行分簇得到的；
29、对所述叠加信号进行信号放大，得到增强叠加信号；
30、将所述增强叠加信号发送至所述边缘服务器以进行联邦学习。
31、本发明还提供一种边缘服务器，包括：
32、分簇模块，用于基于可解释性算法对参与联邦学习的各终端设备进行分簇，得到至少两个终端簇；
33、接收模块，用于针对各所述终端簇，接收与所述终端簇对应的中继器发送的增强叠加信号，所述增强叠加信号为所述中继器对叠加信号进行信号放大后得到的，所述叠加信号为基于对应的终端簇内各终端设备发送的用于联邦学习的模型参数信号进行空中计算后得到的；
34、处理模块，用于基于所述增强叠加信号进行联邦学习。
35、本发明还提供一种中继器，包括：
36、接收模块，用于接收与所述中继器对应的终端簇发送的叠加信号，所述叠加信号为基于对应的终端簇内各终端设备发送的用于联邦学习的模型参数信号进行空中计算后得到的，所述终端簇为边缘服务器基于可解释性算法对参与联邦学习的各终端设备进行分簇得到的；
37、放大模块，用于对所述叠加信号进行信号放大，得到增强叠加信号；
38、发送模块，用于将所述增强叠加信号发送至所述边缘服务器以进行联邦学习。
39、本发明还提供一种空中计算的联邦学习系统，所述系统包括如上述所述边缘服务器以及至少两个如上述所述中继器。
40、本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述空中计算的联邦学习方法。
41、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述空中计算的联邦学习方法。
42、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述空中计算的联邦学习方法。
43、本发明提供一种空中计算的联邦学习方法、边缘服务器、中继器及系统，该方法通过基于可解释性算法对参与联邦学习的各终端设备进行分簇，得到至少两个终端簇；这样，对所有的终端设备先进行分簇，使同一终端簇内的各终端设备之间进行空中计算，可以降低信号间的干扰和信号噪声，提高空中计算的准确性，并且，该分簇过程是基于可解释性算法进行的分簇，因此能提高分簇的可靠性以及分簇结果的可信度和可解释性，基于可解释性算法进行的分簇能使同一终端簇内的各终端设备进行效率更高的空中计算。进一步地，针对各终端簇，接收与终端簇对应的中继器发送的增强叠加信号，增强叠加信号为中继器对叠加信号进行信号放大后得到的，叠加信号为基于对应的终端簇内各终端设备发送的用于联邦学习的模型参数信号进行空中计算后得到的；这样，通过中继器对空中计算得到的叠加信号进行信号放大，可以解决因终端设备与边缘服务器间的距离较远时信道条件较差的问题，降低信号传输的失真率，提高信号传输的准确性和稳定性。进一步地，基于增强叠加信号进行联邦学习，是在保证了信号传输的准确性和稳定性均较高的情况下进行的联邦学习，因此可以提高联邦学习的效率。
1.一种空中计算的联邦学习方法，其特征在于，应用于边缘服务器，所述方法包括：
2.根据权利要求1所述的空中计算的联邦学习方法，其特征在于，所述基于可解释性算法对参与联邦学习的各终端设备进行分簇，得到至少两个终端簇，包括：
3.根据权利要求2所述的空中计算的联邦学习方法，其特征在于，所述基于各所述终端设备的本地解释集通过聚类算法进行聚类分簇，包括：
4.根据权利要求1-3任一项所述的空中计算的联邦学习方法，其特征在于，所述接收与所述终端簇对应的中继器发送的增强叠加信号，包括：
5.根据权利要求4所述的空中计算的联邦学习方法，其特征在于，所述功率控制参数包括目标发射因子和目标接收因子；所述基于所述终端簇中所述终端设备与所述终端簇对应的中继器的信道增益，确定信号收发时的功率控制参数，包括：
6.根据权利要求5所述的空中计算的联邦学习方法，其特征在于，所述通过信号失真率模型进行迭代运算，确定所述目标发射因子和目标接收因子，包括：
7.一种空中计算的联邦学习方法，其特征在于，应用于中继器，所述方法包括：
8.一种边缘服务器，其特征在于，包括：
9.一种中继器，其特征在于，包括：
10.一种空中计算的联邦学习系统，其特征在于，所述系统包括如权利要求8所述边缘服务器以及至少两个如权利要求9所述中继器。
