Loading [MathJax]/jax/output/HTML-CSS/jax.js
高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法

唐伦 文明艳 单贞贞 陈前斌

饶云华, 周健康, 万显荣, 龚子平, 柯亨玉. 基于动态有序矩阵的外辐射源雷达CFAR算法[J]. 电子与信息学报, 2021, 43(4): 1154-1161. doi: 10.11999/JEIT191024
引用本文: 唐伦, 文明艳, 单贞贞, 陈前斌. 移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法[J]. 电子与信息学报, 2023, 45(7): 2406-2414. doi: 10.11999/JEIT220797
Yunhua RAO, Jiankang ZHOU, Xianrong WAN, Ziping GONG, Hengyu KE. CFAR for Passive Radar Based on Dynamic Ordered Matrix[J]. Journal of Electronics & Information Technology, 2021, 43(4): 1154-1161. doi: 10.11999/JEIT191024
Citation: TANG Lun, WEN Mingyan, SHAN Zhenzhen, CHEN Qianbin. Collision Warning Algorithm Based on Efficient Federated Learning in Mobile Edge Computing Assisted Intelligent Driving[J]. Journal of Electronics & Information Technology, 2023, 45(7): 2406-2414. doi: 10.11999/JEIT220797

移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法

doi: 10.11999/JEIT220797
基金项目: 国家自然科学基金(62071078),四川省科技计划(2021YFQ0053) ,重庆市教委科学技术研究项目(KJZD-M201800601)
详细信息
    作者简介:

    唐伦:男,教授,博士生导师,研究方向为新一代无线通信网络、异构蜂窝网络、软件定义无线网络等

    文明艳:女,硕士生,研究方向为移动边缘计算辅助智能驾驶技术、联邦学习效率优化等

    单贞贞:女,硕士生,研究方向为边缘智能协同计算资源分配、联邦学习资源协同优化等

    陈前斌:男,教授,博士生导师,研究方向为个人通信、多媒体信息处理与传输、下一代移动通信网络、异构蜂窝网络等

    通讯作者:

    文明艳 wenming155968@163.com

  • 中图分类号: TN929.5

Collision Warning Algorithm Based on Efficient Federated Learning in Mobile Edge Computing Assisted Intelligent Driving

Funds: The National Natural Science Foundation of China (62071078), Sichuan Science and Technology Program(2021YFQ0053), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601)
  • 摘要: 智能驾驶中的碰撞避免任务存在对时延要求极高和隐私保护等挑战。首先,该文提出一种基于自适应调整参数的半异步联邦学习(SFLAAP)的门控循环单元联合支持向量机(GRU_SVM)碰撞多级预警算法,SFLAAP可根据训练和资源情况动态调整两个训练参数:本地训练次数和参与聚合的局部模型数量。然后,为解决资源受限的移动边缘计算(MEC)下碰撞预警模型协作训练的效率问题,根据上述参数与SFLAAP训练时延的关系,建立训练总时延最小化模型,并将其转化为马尔可夫决策过程(MDP)。最后,在所建立的MDP中采用异步优势演员-评论家(A3C)学习求解,自适应地确定最优训练参数,从而减少碰撞预警模型的训练完成时间。仿真结果表明,所提算法有效地降低训练总时延并保证预测精度。
  • 在外辐射源雷达低空小目标探测中,其背景杂波受传播环境影响而复杂多变,尤其是功率突变的杂波会在距离多普勒谱上形成点状、块状的杂波边缘,极大地影响了低空小目标的恒虚警检测性能。

    当前常用的恒虚警算法根据杂波在空间与时序上的分布特性与均匀性可划分为:空域类(也称为滑窗类)和时序类。

    空域类恒虚警算法中具有代表性的是单元平均(Cell Averaging)CA-CFAR算法[1,2],其采用临近待检测单元的杂波均值来计算检测阈值,在均匀环境下效果较好,但是在多目标及杂波边缘环境下无法消除临近目标与能量突变干扰,使得检测性能恶化。在该算法的基础上,Trunk[3]提出了最小选择(Smallest Of)SO-CFAR以解决多目标干扰问题,Hansen等人[4]提出最大选择(Greatest Of)GO-CFAR以解决杂波边缘环境下的能量突变问题,但是这两种算法都在均匀环境下存在一定性能损失,且并不适用于另一种非均匀环境。Smith等人[5]在以上算法的基础上提出了变指数(Varibility Index)VI-CFAR。该算法先判决当前杂波环境的类型,然后选择与其匹配的其他恒虚警算法[6,7],其本质是多种算法的组合。Rohling等人[8-11]提出有序统计(Order Statistics)OS-CFAR,虽然该算法在多目标、杂波边缘环境下性能得到部分改善,但在均匀环境下性能也有一定损失。

    时序类恒虚警算法[12-16]中,杂波图(Clutter Map)CM-CFAR是该类算法的典型代表,CM-CFAR将杂波空间划分为杂波图单元用以存储杂波数据,每个杂波图单元依靠当前数据和历史数据进行加权迭代更新。由于这类算法在迭代初期采样的数据量少,所以检测性能较差;随着迭代次数增加,检测性能会得到较大的提升。但是这类算法也具有因迭代计算而带来的记忆效应这一不可忽视的缺点。

    在外辐射源雷达低空小目标探测中,由于目标回波弱、背景杂波复杂多变,空域类算法在该类应用中性能损失严重、虚警概率恶化,传统时序类算法迭代初期性能较差并且还有记忆效应等问题,为此本文提出了动态有序矩阵(Dynamic Order Matrix)DOM-CFAR算法,其将杂波空间划分成有序矩阵,利用雷达初次扫描数据的滑窗中值对有序矩阵中的有序数组进行初始化用以弥补传统时序类算法在迭代初期的性能劣势,并通过雷达扫描数据对有序数组进行动态极值替换用以获取杂波估计中值并弥补记忆效应造成的影响,最后利用杂波估计中值来计算检测阈值。

    在判决雷达回波x(t)中是否存在目标时,根据二元假设检测可知

    x(t)=n(t),H0x(t)=n(t)+s(t),H1} (1)

    其中,s(t)为目标信号,n(t)为杂波和噪声信号,H0表示只有杂波,H1表示存在目标。

    杂波分布模型按照其概率密度函数参数个数可以分为单参和多参分布模型[17-20]。例如瑞利分布、指数分布等只由1个参数决定其幅度分布规律的为单参分布模型;韦布尔分布、对数正态分布、莱斯分布等由多个参数决定其幅度分布规律的为多参分布模型。本文以杂波数据经平方率检波后服从指数分布为背景,其杂波概率密度函数(Probability Density Function, PDF)为

    f(x)=1λexp(xλ),0x (2)

    其中,λ为每个杂波单元总功率。在H0假设下,λ为杂波和噪声的功率μ;在H1假设下,λ为杂波、噪声和目标的总功率(1+s)μ, s表示目标与杂波噪声功率μ的比值。由式(2)可得检测概率(Probability of Detection, PD)与虚警概率(Probability of False Alarm, PFA)为

    PD=P[x>xt|H1]=xtf(x)dx|H1  =exp(xt(1+s)μ) (3)
    PFA=P[x>xt|H0]=xtf(x)dx|H0=exp(xtμ) (4)

    在已知参数μ和预设虚警概率PFA时,可由式(4)求得检测阈值T

    T=μln(PFA) (5)

    对于雷达回波的RD谱数据X,每帧数据既有距离信息也有多普勒信息,其表达式为

    X=[x1,1x1,2···x1,d···x1,Dx2,1x2,2···x2,d···x2,Dxr,1xr,2···xr,d···xr,DxR,1xR,2···xR,d···xR,D] (6)

    其中,xr,d表示RD谱X中待检测的第(r,d)单元数据,其中r为第r个距离元、d为第d个多普勒元。由于本文所提算法利用待检测杂波的历史数据来估计中值ymid求解检测阈值T,为了准确地估算估计中值ymid,这里利用有序矩阵M来存储相关历史数据,有序矩阵M的表达式为

    M=[Y1,1Y1,2···Y1,d···Y1,DY2,1Y2,2···Y2,d···Y2,DYr,1Yr,2···Yr,d···Yr,DYR,1YR,2···YR,d···YR,D] (7)

    其中,Yr,d为有序矩阵M中第(r,d)单元的有序数组,其长度为2K+1,用于存储xr,d历史数据,表达式为

    Yr,d=[y1y2···yk···y2K+1] (8)

    其中,yk为有序数组Yr,d中的第k大的数据,K为本算法的半参考窗值,K值越大,所需的存储空间越多。待检测单元xr,d的杂波估计中值ymidYr,d中的yK+1

    DOM-CFAR算法实现流程如图1所示,分为初始化、迭代优化与检测3个步骤。

    图 1  DOM-CFAR算法实现流程图

    初始化时,以RD谱数据X中待检测单元xr,d为中心的长度为2K+1的距离多普勒域滑窗进行排序整理,用滑窗中值xr,d对有序数组Yr,d中的所有数据赋初值,如式(9)所示

    yk=xr,d,k[1,2K+1] (9)

    初始化后,有序数组Yr,d中的数据yk服从N(u0+τ,σ2)的高斯分布,其均值与方差为

    u0+τ=k=2K+1k=1yk2K+1 (10)
    σ2=k=2K+1k=1[u0+τyk]22K+1 (11)

    其中,u0为杂波理论中值,τyku0的差值,σ2表示yk的方差。

    由式(9)可知,初始化后有序数组Yr,dyk的数值都为xr,d,方差值为0,并且当K值越大,采样滑窗所包含的杂波样本越多,xr,d越趋近u0|τ|数值越小。

    由于本算法初始化参考OS-CFAR的采样策略,所以在迭代初期可获得与其接近的算法性能。

    算法迭代通过将有序数组Yr,d中偏离理论中值u0的数据替换,保留接近u0的数据,从而获取更加准确的估计中值ymid

    在数值替换中对极小值y1和极大值y2K+1进行动态轮询替换,以雷达扫描次数t的奇偶性为标志,当雷达扫描次数t为奇数时,将待检测单元xr,d赋值给Yr,d中的y1;当t为偶数时,将xr,d赋值给y2K+1。重新对Yr,d进行排序以保持有序性,以被替换极值点为起点,未被替换极值点为终点进行单向冒泡排序。K值越大,排序耗时越多。

    由于初始化时Yr,d中的数据都相同,所以在算法迭代中需要经过2K+1轮迭代才能将Yr,d中的初始数据全部替换,之后Yr,d中的ymid开始变化,初始数据被全部替换也标志着算法渡过2K+1轮迭代的初期阶段。

    通过杂波估计中值ymid逆推求解杂波模型参数,即令ymid0f(x)dx=12可得杂波参数μ=ymidln2

    由于预设虚警概率已知,可通过式(4)求解标称因子α和检测阈值T

    α=ln(PFA)ln2 (12)
    T=αymid=ymidln(PFA)ln2 (13)

    使用本算法进行检测处理时,若杂波数据服从单参分布模型,可直接按原流程处理;若杂波数据服从多参分布模型,则需要先保留其中1个参数为未知状态,将其它参数由参数估计方法(最大似然估计、矩估计等)估算,之后按照原流程估算这个未知参数,计算检测阈值进行检测处理。

    半参考窗数值K需要综合考虑内存需求、运算速度、迭代速度、期望检测性能这4个因素进行设置。为便于分析K值对迭代速度和期望检测性能的影响,这里设计如下2个评价指标

    mt,K=1NNi=1|yt,K,iˉymid| (14)
    σ2t,K=1NNi=1(|yt,K,iˉymid|mt,K)2 (15)

    其中,yt,K,i为杂波估计中值,ˉymid为杂波理论中值,mt,Kyt,K,iˉymid之差绝对值的均值,σ2t,Kyt,K,iˉymid之差绝对值的方差,t为迭代次数,K为半参考窗值,i为蒙特卡罗实验次数,N为蒙特卡罗实验总次数。均值mt,K越小,表明yt,K,i越接近ˉymid、准确性越高;方差σ2t,K越小,表明稳定性越高;准确性与稳定性越高计算出的检测阈值更接近理论值,可获得更优的期望检测性能。

    利用杂波功率λ为0 dBm的指数分布杂波数据进行2×104组蒙特卡罗实验,每组实验进行2000次迭代、K取值范围为[1, 100],对获得的mt,Kσ2t,K取自然对数绘制等高线图谱如图2图3所示。

    图 2  均值等高线
    图 3  方差等高线

    图2图3可知,两图左上角出现三角形异常区域,这是由算法迭代初期杂波估计中值不变暂稳态导致。K取值在[10,20]范围内时,两图的评价指标处于等高线山谷区域,均值和方差较低(异常区域数据除外),准确性和稳定性较高,所以应尽量将K取值在[10,20]范围内。

    将DOM-CFAR与最优检测器(opt), CA-CFAR, SO-CFAR, GO-CFAR, OS-CFAR和CM-CFAR进行4×103组蒙特卡罗仿真实验,其中背景杂波功率λ为20 dBm, DOM-CFAR的半参考窗值K为15, CA-CFAR, SO-CFAR, GO-CFAR和OS-CFAR的保护单元为4、滑窗长度为30, CM-CFAR的遗忘因子为1/128,预设虚警概率PFA为10–4

    对均匀环境下单目标分别进行10次、200次、1000次迭代优化,其中信杂比取值范围为[0 dB, 30 dB],其检测结果如图4图5图6所示。

    图 4  均匀杂波下迭代10次
    图 5  均匀杂波下迭代200次
    图 6  均匀杂波下迭代1000次

    图4可知,DOM迭代初期检测性能接近OS,优于SO,较CA, GO略差。

    图5可知,经过200次迭代DOM性能已优于参照对比算法。

    图6可知,经过1000次迭代DOM性能趋近于最优检测器性能。

    在目标参考前窗设置相同信杂比的第2个目标形成拥有多目标的背景杂波环境进行10次、200次迭代优化,其中信杂比取值范围为[0 dB, 30 dB],检测结果如图7图8所示。

    图 7  多目标下迭代10次
    图 8  多目标下迭代200次

    图7可知,DOM迭代初期拥有与OS相近的多目标检测优势。

    图8可知,DOM检测性能不受邻近目标的影响,且经过200次迭代后,其检测性能已经优于参照对比算法。

    设置前500个距离单元杂波功率为20 dBm,后500个距离单元杂波功率为30 dBm,形成杂波边缘环境,分别进行10次、200次迭代检测,其结果如图9图10

    图 9  杂波边缘下迭代10次
    图 10  杂波边缘下迭代200次

    图9可知,DOM迭代初期的虚警概率在杂波边缘的低功率区相较于CA, GO和CM更接近预设值,在杂波边缘的高功率区相较于CA, SO更接近预设值。

    图10可知,DOM经过200次迭代,虚警概率在杂波边缘的低功率区更接近预设值,在杂波边缘的高功率区相较于CA, SO和OS更接近预设值。

    DOM与CM都是利用杂波历史数据计算检测阈值的时序类恒虚警算法,算法处理时每帧数据(无论是否有目标能量信息)都参与迭代并影响后续检测,从而导致算法的记忆效应。

    由于DOM的参考数据为估计中值xDOM(t), CM的参考数据为估计均值xCM(t),为了统一评价指标进行如下处理

    sDOM(t)=|xDOM(t)PdBˉxDOM|PdBˉxDOM (16)
    sCM(t)=|xCM(t)PdBˉxCM|PdBˉxCM (17)

    其中,PdB为杂波功率值,ˉxDOM为理论中值,ˉxCM为理论均值。评价指标s的数值越小,参考值越接近理论值,估算的检测阈值更准确。

    先在均匀杂波无目标的环境下进行2000次迭代使DOM和CM的性能稳定,从第2001次迭代开始,连续引入50次单目标回波,仿真目标能量参与迭代对性能的影响,其中目标能量信杂比分别为4 dB, 8 dB, 16 dB,结果如图11所示。

    图 11  目标干扰对性能的影响

    图11可知,当目标干扰出现并参与迭代,对DOM的影响有一定延时,当目标干扰消失时,DOM会以更快的速度重新优化,故其拥有更优的抗目标干扰能力。

    由于算法中每个待检测单元都需要一组长度为2K+1的有序数组用于存储其历史数据,因此空间复杂度(使用大O表示法)为O(MK),其中M由待检测单元总个数决定。在迭代优化中动态极值替换的逻辑计算量很小几乎可以忽略,对运算速度起决定影响的是单向冒泡排序,因此其运算复杂度为O(K)。

    以大O表示法为评价指标对各个算法的空间、运算复杂度以及在硬件为i7-7700HQ CPU条件下处理10帧实测RD谱数据的串行、并行计算耗时进行分析,结果如表1所示,其中N由滑窗大小决定、K由半参考窗值决定、M由待检测单元总个数决定。

    表 1  算法复杂度及耗时比较
    算法名称空间复杂度运算复杂度串行耗时(s)并行耗时(s)
    CA1MN51.3372.776
    SO1MN73.5883.260
    GO1MN75.1763.289
    OS1MNlgN449.6517.632
    CMMM0.0870.073
    DOMMKMK88.4905.560
    下载: 导出CSV 
    | 显示表格

    表1及前文中各算法在均匀、多目标和杂波边缘环境下的性能对比可知,本算法与现有大部分算法相比,虽然存储空间需求较大、处理速度优势不突出,但在性能上得到了较大提高。同时根据已进行的雷达低空小目标探测实验可知,其算法复杂度对于目前的GPU硬件条件来说是可行的。

    使用武汉大学电波传播实验室的外辐射源雷达系统[21]在有风力发电机组环境下的实测数据进行验证分析,探测条件如图12所示。

    图 12  雷达探测环境

    实测数据经多径杂波和多普勒扩展杂波抑制后的RD谱中,风机叶片转动的多普勒扩展杂波残余仍然较强,形成杂波边缘环境,如图13所示。

    图 13  实测RD谱

    在实测RD谱上添加100个信杂比为15 dB的随机目标则形成拥有多目标的杂波边缘环境。将DOM-CFAR与CA-CFAR, SO-CFAR, GO-CFAR, OS-CFAR和CM-CFAR进行实测验证,其中DOM-CFAR的半参考窗值K为15, CA-CFAR, SO-CFAR, GO-CFAR和OS-CFAR的保护单元为4、滑窗长度为30, CM-CFAR的遗忘因子为1/128,迭代总次数为400,预设虚警概率为10–6,结果如表2所示。

    表2数据可知,在迭代初期,DOM相较于参照对比算法拥有较优的检测性能,而虚警性能相对较差。但是DOM通过迭代优化后,检测概率会稳步提升,虚警概率会迅速下降,从而获得更优的检测性能与虚警性能。

    表 2  实测的检测概率与虚警概率
    CFARCASOGOOSCM迭代次数DOM迭代次数
    1010020040010100200400
    检测概率(%)72.451.378.886.81.362.176.493.088.098.398.198.2
    虚警概率(10–5)2.689.581.9322.060.132.934.254.4520.935.082.851.28
    下载: 导出CSV 
    | 显示表格

    本文提出了一种基于动态有序矩阵的外辐射源恒虚警检测算法,利用历史杂波数据来动态替换有序矩阵中的极值,使得杂波估计中值向理论中值收敛,通过估计中值求解检测阈值。仿真与实测结果表明,该算法在迭代初期拥有较优的检测性能,通过多次迭代可以快速达到检测概率与虚警概率的最优性能,在均匀杂波、多目标和杂波边缘的复杂环境中检测性能稳定,并且相较于同属时序类算法的CM-CFAR,拥有更优的抗目标干扰能力。

  • 图  1  系统场景

    图  2  基于SFLAAP的GRU_SVM碰撞多级预警方案的训练过程

    图  3  SFLAAP示意图

    图  4  3种模型的预测性能对比

    图  5  DRL的训练收敛性能

    图  6  不同算法的模型性能对比

    算法1 基于A3C的SFLAAP算法
     输入:全局参数θaθc,折扣因子γ,熵超参数β,主Agent的最
     大步数Tglobalmax和步数tglobal=0,子Agent的最大步数
     Tlocalmax和步数tlocal=0,主Agent的更新频率Tup,actor和
     critic的学习步长α1α2
     输出:最优动作a
     (1) for epoch k{1,2,,K} do
     (2)   for tglobalTglobalmax do
     (3)     dθa0, dθc0, θa=θa, θc=θc
     (4)     for tlocal{0,1,,Tlocalmax} do
     (5)       actor网络根据策略获得SFLAAP参数取值动作
     (6)       由式(15)得到奖励rt和下一个状态st+1
     (7)       if stterminalsttlocal%(Tup1)0 then
     (8)         将dθa,dθc推送至主Agent进行异步更新
     (9)         θaθa+α1dθaθcθc+α2dθc
     (10)       子Agent的critic网络获得V(st;θc)
     (11)       for t=tlocal,tlocal1,,tlocal+1Tup do
     (12)        V(st;θc)rt+γV(st;θc)
     (13)        计算全局actor网络的累积梯度:
          dθadθa+θalogπ(at|st;θa)A(st,at;θc)
          +βθaH(π(st;θa))
     (14)       计算全局critic网络的累积梯度:
       dθcdθc+(A(st,at;θc))2/θc
     (15)      end for
     (16)     end if
     (17)    end for
     (18)    tglobal=tglobal+1
     (19)   end for
     (20)   选择最优动作ak=(τk,Nk)
     (21)   在图2的步骤(7)中,根据最优动作ak更新τk+1Nk+1
     (22) end for
    下载: 导出CSV

    表  1  SVM分类结果

    准确度召回率F1分数精度
    00.970.980.970.96
    10.840.780.80
    20.900.910.90
    宏平均0.900.890.89
    下载: 导出CSV
  • [1] SONG Wenjie, YANG Yi, FU Mengyin, et al. Real-time obstacles detection and status classification for collision warning in a vehicle active safety system[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(3): 758–773. doi: 10.1109/TITS.2017.2700628
    [2] WINKLER S, WERNEKE J, and VOLLRATH M. Timing of early warning stages in a multi stage collision warning system: Drivers’ evaluation depending on situational influences[J]. Transportation Research Part F:Traffic Psychology and Behaviour, 2016, 36: 57–68. doi: 10.1016/j.trf.2015.11.001
    [3] LYU Nengchao, WEN Jiaqiang, DUAN Zhicheng, et al. Vehicle trajectory prediction and cut-in collision warning model in a connected vehicle environment[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(2): 966–981. doi: 10.1109/TITS.2020.3019050
    [4] XU Meiling, HAN Min, CHEN C L P, et al. Recurrent broad learning systems for time series prediction[J]. IEEE Transactions on Cybernetics, 2020, 50(4): 1405–1417. doi: 10.1109/TCYB.2018.2863020
    [5] XIANG Xuehai, QIN Wenhu, and XIANG Binfu. Research on a DSRC-based rear-end collision warning model[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(3): 1054–1065. doi: 10.1109/TITS.2013.2293771
    [6] HUANG Chen, HE Ruisi, AI Bo, et al. Artificial intelligence enabled radio propagation for communications—part I: Channel characterization and antenna-channel optimization[J]. IEEE Transactions on Antennas and Propagation, 2022, 70(6): 3939–3954. doi: 10.1109/TAP.2022.3149663
    [7] HUANG Chen, HE Ruisi, AI Bo, et al. Artificial intelligence enabled radio propagation for communications—part II: Scenario identification and channel modeling[J]. IEEE Transactions on Antennas and Propagation, 2022, 70(6): 3955–3969. doi: 10.1109/TAP.2022.3149665
    [8] ZHOU Aojun, MA Yukun, ZHU Junnan, et al. Learning N: M fine-grained structured sparse neural networks from scratch[C/OL]. The 9th International Conference on Learning Representations, 2021.
    [9] DU Yuqing, YANG Sheng, and HUANG Kaibin. High-dimensional stochastic gradient quantization for communication-efficient edge learning[J]. IEEE Transactions on Signal Processing, 2020, 68: 2128–2142. doi: 10.1109/TSP.2020.2983166
    [10] YAO Xin, HUANG Chaofeng, and SUN Lifeng. Two-stream federated learning: Reduce the communication costs[C]. 2018 IEEE Visual Communications and Image Processing (VCIP), Taichung, China, 2018: 1–4.
    [11] WANG Luping, WANG Wei, and LI Bo. CMFL: Mitigating communication overhead for federated learning[C]. 2019 IEEE 39th International Conference on Distributed Computing Systems (ICDCS), Dallas, USA, 2019: 954–964.
    [12] LIU Jianchun, XU Hongli, WANG Lun, et al. Adaptive asynchronous federated learning in resource-constrained edge computing[J]. IEEE Transactions on Mobile Computing, 2023, 22(3): 674–690. doi: 10.1109/TMC.2021.3096846
    [13] SPRAGUE M R, JALALIRAD A, SCAVUZZO M, et al. Asynchronous federated learning for geospatial applications[C]. Joint European Conference on Machine Learning and Knowledge Discovery in Databases, Dublin, Ireland, 2018: 21–28.
    [14] PUNZO V, BORZACCHIELLO M T, and CIUFFO B. On the assessment of vehicle trajectory data accuracy and application to the Next Generation SIMulation (NGSIM) program data[J]. Transportation Research Part C:Emerging Technologies, 2011, 19(6): 1243–1262. doi: 10.1016/j.trc.2010.12.007
    [15] WANG Xin, LIU Jing, QIU Tie, et al. A real-time collision prediction mechanism with deep learning for intelligent transportation system[J]. IEEE Transactions on Vehicular Technology, 2020, 69(9): 9497–9508. doi: 10.1109/TVT.2020.3003933
    [16] LUO Bing, LI Xiang, WANG Shiqiang, et al. Cost-effective federated learning in mobile edge networks[J]. IEEE Journal on Selected Areas in Communications, 2021, 39(12): 3606–3621. doi: 10.1109/JSAC.2021.3118436
  • 期刊类型引用(5)

    1. 刘言,刘宁波,黄勇,王中训. 利用相位特征筛选参考单元的改进CFAR方法. 烟台大学学报(自然科学与工程版). 2023(03): 371-378 . 百度学术
    2. 杜改丽,封治华. 一种改进现有机载雷达探测性能的多普勒处理新技术. 现代雷达. 2022(02): 75-83 . 百度学术
    3. 邹俊杰,程丰,万显荣. 外源雷达空时联合恒虚警检测分析与实验. 雷达科学与技术. 2022(04): 415-420+428 . 百度学术
    4. 周子铂,王彬彬,张朝伟,刘建卫,徐颖鑫,王志会. 基于迭代对消的外辐射源雷达目标检测方法. 雷达科学与技术. 2022(05): 555-564 . 百度学术
    5. 杨威,崔恒荣. 77GHz近程雷达CFAR算法研究. 通信技术. 2021(09): 2125-2131 . 百度学术

    其他类型引用(9)

  • 加载中
图(6) / 表(2)
计量
  • 文章访问数:  513
  • HTML全文浏览量:  510
  • PDF下载量:  134
  • 被引次数: 14
出版历程
  • 收稿日期:  2022-06-16
  • 修回日期:  2022-08-28
  • 网络出版日期:  2022-09-05
  • 刊出日期:  2023-07-10

目录

/

返回文章
返回