(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111242183.4 (22)申请日 2021.10.25 (71)申请人 池明旻 地址 200082 上海市杨 浦区邯郸路2 20号 (72)发明人 池明旻　 (74)专利代理 机构 深圳叁众知识产权代理事务 所(普通合伙) 44434 代理人 宋鹏飞 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 113/12(2020.01) (54)发明名称 基于联邦学习的织物纤维 成分检测方法 (57)摘要 本发明公开了基于联邦学习的织物纤维成 分检测方法。 该检测方法包含以下步骤： 获取多 个参与方的纺织品纤维成分近红外光谱特征数 据； 各个参与方进行本地的局部卷积神经网络模 型训练； 中控服务器向各个参与方的服务器发起 联合建模任务请求； 各参与方的服务器收到建模 任务请求后， 将局部模型的参数发送给所述中控 服务器； 中控服务器对收到的局部模 型参数进行 聚合操作， 根据聚合后的结果对全局模 型的参数 进行更新， 将更新后的全局模型返回给所述各参 与方的服务器； 直至达到容忍误差下界或最大迭 代次数， 输出最终的全局模型。 基于联邦学习的 检测方法允许多个数据所有者协作训练和使用 共享的预测模型， 打破了数据壁垒， 并能够保持 本地训练数据的私密性。 权利要求书2页 说明书4页 附图2页 CN 114048672 A 2022.02.15 CN 114048672 A 1.基于联邦学习的织物纤维成分检测方法， 其特征在于， 所述织物纤维成分检测方法 包括： S1： 各参与方对数据进行清洗、 标准 化等预处理， 完成后上传数据到 本地服务器中； S2： 各个参与方训练本地的局部卷积神经网络(CN N)模型； S3： 中控服务器向所述各个参与方的服务器发起联合建模任务请求， 各参与方的服务 器收到建模 任务请求后， 将局部模型的参数发送给 所述中控服 务器； S4： 所属中控服务器对收到的来自所述各参与方服务器的局部模型参数进行聚合操作 并对全局模型的参数进行 更新， 将更新后的全局模型返回给 所述各参与方的服 务器； S5： 各参与方服 务器根据收到的全局模型参数 更新局部模型参数； S6： 重复步骤S2 ‑S5， 直至模型收敛或达 到最大迭代次数， 输出最终的全局模型。 2.根据权利要求1所述的织物纤维成分检测方法， 其特征在于， 所述步骤S2进一步包 括： S21： 所使用的卷积神经网络模型主干包括残差卷积神经网络模块， 分支卷积神经网络 模块， 注意力模块， 中间卷积层和池化层； S22： 使用可处理一维序列数据的深度残差卷积神经网络提取一维光谱数据的深层特 征， 分为四个由残差块组成的卷积模块， 每个模块使用若干个同样输出通道数的残差块； 在 每个卷积模块后增加通道注意力， 深层特征提取后经过一个由卷积、 批量归一化层和ReLu 组成的中间卷积结构以适应特 征大小至下一模块； S23： 而后， 该特征同时经过 四个不同的由卷积、 批量归一化层、 ReLu组成的分支卷积神 经网络模块， 分别为： 卷积核 大小为1×1卷积的分支1； 卷积核大小为1 ×1和3×1卷积堆叠， 卷积核大于1的padding填充大小为1的分支2； 卷积核大小为1 ×1， 3×1和3×1卷积堆叠， 卷 积核大于1的padding填充大小为1的分支3； 池化窗口为3 ×1的最大池化和卷积核大小为1 ×1卷积的堆叠， 池化窗口padding填充大小为1的分支4； 将提取的四个特征连接以提升网 络宽度； 最后通过一个全局池化层将提取到的特征维度转换为一维； 构建十二个并行 的全 连接层， 对得到的一 维高级特征进 行综合； 对十二个全连接层中的每一层都构建Sigmoid分 类器， 对一维特 征进行分类； S24： 将训练集作为损失函数的输入， 通过反向传播算法计算参数的梯度， 利用梯度下 降算法更新模型参数， 得到训练好的模 型。 将训练集作为损失函数的输入， 通过反向传播算 法计算参数的梯度， 利用梯度下降算法更新模型参数， 得到训练好的模型； 定义损失函数 Loss度量真实标签和预测概率之间的差异， 选用交叉熵损失函数CrossEntropy， 总损失 TotalLoss为十二个分类 器的平均损失： 其中N为样本数， 在 每个二分类器中yi为第i个样本的标签， Pi为第i个样本的预测概率，权　利　要　求　书 1/2 页 2 CN 114048672 A 2k为第k个二分类 器。 3.根据权利要求1所述的织物纤维成分检测方法， 其特征在于， 所述步骤S4进一步包 括： S41： 假设有K个参与方的服务器协作进行模型训练， 其拥有的数据分别为n1,n2,…,nK， 各本地模型参数分别为w1,w2,…,wK， w是全局模型参数 ， 则每次聚合操作维 4.根据权利要求1所述的织物纤维成分检测方法， 其特征在于， 所述中控服务器完成对 全局模型参数 的更新后， 将评估模型 的预测准确 率， 当准确 率达到规定要求后 终止训练过 程， 输出最终的全局模型。权　利　要　求　书 2/2 页 3 CN 114048672 A 3