本书系统介绍联邦边缘学习（FEEL）的基本原理、关键技术和应用案例。内容涵盖FEEL的系统架构、训练算法、收敛性分析，以及FEEL的调度与资源分配、集群学习、个性化学习等关键技术的最新研究成果，并仿真验证相关技术的有效性。本书还提供FEEL在用户行为预测、工业异常检测、医疗诊断辅助和自动驾驶辅助等场景中的典型案例，展示FEEL的实际应用价值。
更多科学出版社服务，请扫码获取。
1995.09--1999.06 南开大学 电子科学系电子学与信息系统专业 学士
2000.04--2006.03 日本大阪大学 工学部电子信息通信工学专业 博士2006.04--2012.09 日本日立公司中央研究所 研究员
2012.09--至今 重庆大学 微电子与通信工程学院 教授，博士生导师
2021.11--2023.07 重庆大学 科学技术发展研究院 副院长
2023.07--至今 重庆大学发展规划处 副处长机器学习重庆市自然科学一等奖，2022年，“复杂异构网络环境下多维资源协同优化理论与方法”，排名第1（国家科技专家库专家，国家留学基金评审专家，重庆市高级专业技术资格评审委员会委员，重庆市“智慧网络技术及应用”高校创新团队带头人，重庆大数据产业技术创新联盟专委会副主任，中文核心期刊《激光杂志》编委，国家一级科技期刊《电子产品世界》编委
目录
第1章 绪论 1
1.1 概述 1
1.2 FEEL技术发展现状 5
1.2.1 FEEL的调度和资源分配技术 5
1.2.2 C-FEEL技术 6
1.2.3 P-FEEL技术 7
1.3 本章小结 8
参考文献 9
第2章 FEEL的基本原理 15
2.1 移动边缘计算 15
2.1.1 MEC 的基本概念和架构 15
2.1.2 计算卸载与资源管理 16
2.2 联邦学习 18
2.2.1 ML基本概念 18
2.2.2 FL基本概念 19
2.2.3 集群 FL简介 24
2.2.4 个性化FL简介 25
2.3 FEEL：MEC和FL的融合 27
2.4 本章小结 28
参考文献 28
第3章 FEEL的调度与资源分配技术 32
3.1 面向高效率FEEL的动态设备调度 32
3.1.1 引言 32
3.1.2 系统模型 33
3.1.3 优化问题描述 35
3.1.4 理想调度算法设计 36
3.1.5 非理想调度算法设计 39
3.1.6 数值仿真与结果分析 42
3.2 面向高效率可持续 FEEL的联合设备调度与资源分配 46
3.2.1 引言 46
3.2.2 系统模型 47
3.2.3 优化问题描述与变换 51
3.2.4 最优算法设计 52
3.2.5 次优算法设计 57
3.2.6 数值仿真与结果分析 59
3.3 面向高效率低成本 FEEL的联合数据调度与资源分配 61
3.3.1 引言 61
3.3.2 系统模型 62
3.3.3 优化问题描述与变换 67
3.3.4 算法设计 68
3.3.5 数值仿真与结果分析 74
3.4 本章小结 78
参考文献 78
第4章 高性能C-FEEL技术 82
4.1 面向高效率C-FEEL的资源分配 82
4.1.1 引言 82
4.1.2 系统模型 83
4.1.3 优化问题描述与变换 85
4.1.4 算法设计 87
4.1.5 数值仿真与结果分析 90
4.2 面向高效率低能耗C-FEEL的集群调度与资源分配 92
4.2.1 引言 92
4.2.2 系统模型 93
4.2.3 优化问题描述与变换 97
4.2.4 数据和子信道分配算法设计 100
4.2.5 集群调度算法设计 103
4.2.6 数值仿真与结果分析 105
4.3 面向高效率低能耗C-FEEL的虚拟集群调度与资源分配 107
4.3.1 引言 107
4.3.2 系统模型 109
4.3.3 优化问题描述与变换 111
4.3.4 算法设计 112
4.3.5 数值仿真与结果分析 113
4.4 本章小结 115
参考文献 115
第5章 高性能P-FEEL技术 117
5.1 集群P-FEEL技术 117
5.1.1 引言 117
5.1.2 系统模型 118
5.1.3 CP-FEEL机制设计 119
5.1.4 收敛性分析 121
5.1.5 数值仿真与结果分析 122
5.2 无人机辅助的异步 P-FEEL技术 124
5.2.1 引言 124
5.2.2 系统模型 126
5.2.3 UA-P-FEEL机制设计 128
5.2.4 优化问题描述与变换 132
5.2.5 算法设计 133
5.2.6 数值仿真与结果分析 137
5.3 本章小结 143
参考文献 143
第6章 FEEL的应用案例 145
6.1 用户行为预测 145
6.1.1 应用背景 145
6.1.2 FEEL的优势 147
6.1.3 技术实现 148
6.2 工业异常检测 150
6.2.1 应用背景 150
6.2.2 FEEL的优势 151
6.2.3 技术实现 151
6.3 医疗诊断辅助 153
6.3.1 应用背景 153
6.3.2 FEEL的优势 154
6.3.3 技术实现 155
6.4 自动驾驶辅助 156
6.4.1 应用背景 156
6.4.2 FEEL的优势 157
6.4.3 技术实现 158
6.5 本章小结 159
参考文献 159
附录 164
附录A 梯度下降和随机梯度下降算法 164
A.1 GD收敛性分析 164
A.2 SGD收敛性分析 166
附录B 第3章的证明 167
B.1 定理3.1的证明 167
B.2 定理3.2的证明 169
B.3 定理3.3的证明 170
B.4 定理3.4的证明 171
B.5 定理 3.5的证明 173
B.6 引理3.2的证明 173
B.7 引理3.3的证明 174
B.8 引理3.4的证明 174
B.9 引理3.5的证明 175
B.10 引理3.6的证明 176
B.11 引理3.7的证明 176
附录C 第 4 章的证明 177
C.1 定理 4.1的证明 177
C.2 定理 4.2的证明 178
C.3 定理 4.3的证明 182
C.4 定理 4.4的证明 182
C.5 定理 4.5的证明 183
C.6 引理4.1的证明 183
C.7 引理4.4的证明 183
C.8 引理4.5的证明 184
C.9 引理4.6的证明 184
C.10 引理4.8的证明 185
C.11 引理4.9的证明 186
附录D 第 5 章的证明 186
D.1 辅助函数和一些不等式的证明 186
D.2 引理5.1的证明 188
D.3 引理5.2的证明 197
D.4 引理5.3的证明 199
D.5 定理 5.1的证明 200
参考文献 203
书单推荐
