买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：共幸科技(深圳)有限公司

摘要：本发明涉及自主学习技术领域，具体涉及一种基于数据共享技术的机器自主学习系统，包括数据收集模块：从多源收集数据；数据预处理模块：对收集到的数据进行清洗、格式化和初步分析；数据加密共享模块：对数据进行加密，确保数据在不同设备间安全共享；自主学习模块：采用联合学习算法，从共享数据中提取知识和模式；决策模块：基于学习模块的输出，制定和执行决策；反馈模块：收集执行结果，提供给数据收集模块。本发明，通过其高级的数据处理能力、自适应学习机制和智能决策支持，不仅提高了单个设备的性能，而且通过跨设备的协作和知识共享，大幅提升了整个系统的效率、可靠性和智能水平。

主权项：1.一种基于数据共享技术的机器自主学习系统，其特征在于，包括以下模块：数据收集模块：从多源收集数据；数据预处理模块：对收集到的数据进行清洗、格式化和初步分析；数据加密共享模块：对数据进行加密，确保数据在不同设备间安全共享；自主学习模块：采用联合学习算法，从共享数据中提取知识和模式，所述联合学习算法基于分布式机器学习方法，允许多个设备协作学习一个共享的学习模型，同时保持各自数据隐私，每个设备使用本地数据训练学习模型的一部分，然后将学习模型更新发送到中央服务器进行汇总，而不共享原始数据，具体包括：本地模型训练：在每个设备上，使用其本地数据训练一个模型；模型更新汇总：将所有设备的模型更新发送到中央服务器进行汇总，中央服务器计算所有更新的平均值，以生成全局模型；全局模型分发：将更新后的全局模型分发回各设备，供下一轮的本地训练使用；所述本地模型训练中使用深度神经网络来学习设备的操作模式，具体如下：神经网络结构：设神经网络有层，每层有不同数量的神经元，每层的神经元数量记为，输入层接收特征数据，中间的隐藏层负责特征的非线性变换，输出层生成预测结果；前向传播：对于每一层，计算其神经元的输出值，若记第层的输出为，则第层的输入计算公式为：，其中和分别是第层的权重矩阵和偏置向量，然后应用激活函数于得到该层的输出：；采用交叉熵损失函数来衡量预测值与实际值之间的差异；使用反向传播算法计算损失函数对每个参数的梯度，根据计算出的梯度更新网络参数，以减少损失函数的值，参数更新算法包括梯度下降或随机梯度下降；训练过程：在每个设备上，使用其本地数据对神经网络进行训练，每个设备的模型将专门学习反映其自身数据特征的参数，训练过程包括多次迭代，每次迭代都对网络参数进行更新，以最小化损失函数；所述模型更新汇总的计算过程包括：收集模型更新：每个设备完成本地模型训练后，生成模型参数的更新，设第个设备的模型参数更新为和，和分别代表模型的权重和偏置，每个设备将其模型参数更新和发送到中央服务器；计算平均更新值：中央服务器收集所有设备发送的模型更新，然后计算模型更新的平均值，若有个设备参与联合学习，平均更新值的计算公式为: ； ；其中，和分别是所有设备权重更新和偏置更新的平均值；生成全局模型：中央服务器使用所有平均更新值来更新全局模型的参数，若全局模型的当前参数为和，则更新后的全局模型参数为: ； ；分发全局模型:更新后的全局模型参数和发送回各个设备，供下一轮本地训练使用；决策模块：基于学习模块的输出，制定和执行决策；反馈模块：收集执行结果，提供给数据收集模块，形成闭环学习。

全文数据：

权利要求：

百度查询： 共幸科技(深圳)有限公司 一种基于数据共享技术的机器自主学习系统