[发明专利]一种基于STN的高效安全联邦学习方法及相关设备

权利要求书

1.一种基于STN的高效安全联邦学习方法，其特征在于，包括：

将初始二维特征矩阵输入到空间转换网络中，利用所述空间转换网络输出仿射变换后的二维特征矩阵；

将所述二维特征矩阵输入到联邦学习模型中的卷积神经网络中，利用所述卷积神经网络输出分类预测结果。

2.根据权利要求1所述的基于STN的高效安全联邦学习方法，其特征在于，在将初始二维特征矩阵输入到空间转换网络中之前，还包括：

获取一维时间序列，对所述一维时间序列进行短时S变换，得到所述初始二维特征矩阵。

3.根据权利要求2所述的基于STN的高效安全联邦学习方法，其特征在于，所述短时S变换定义为：

其中，w(t-τ)为窗函数，s(f，τ)为短时S变换，(t)为所述一维时间序列，f为频率，t为时间，τ为时移因子，所述窗函数的表达式为：

其中，w(t)为窗函数；σ_m(f)为窗函数尺度因子，且m为参数。

4.根据权利要求1所述的基于STN的高效安全联邦学习方法，其特征在于，所述空间转换网络包括本地网络层、网格生成层以及采样器，所述将初始二维特征矩阵输入到空间转换网络中，利用所述空间转换网络输出仿射变换后的二维特征矩阵，包括：

将所述初始二维特征矩阵输入到所述本地网络层中，经由所述本地网络层输出所述初始二维特征矩阵的坐标映射参数，并生成新生坐标；

根据所述坐标映射参数以及所述新生坐标，利用所述网格生成层计算得到所述初始二维特征矩阵的原始坐标；

根据所述原始坐标，利用所述采样器对所述初始二维特征矩阵进行采样填充，得到仿射变换后的所述二维特征矩阵。

5.根据权利要求4所述的基于STN的高效安全联邦学习方法，其特征在于，还包括：

根据所述分类预测结果，对所述空间转换网络的所述本地网络层、所述网格生成层以及所述采样器中的参数进行更新。

6.一种基于STN的高效安全联邦学习装置，其特征在于，包括：

空间转换网络模块，被配置为将初始二维特征矩阵输入到空间转换网络中，利用所述空间转换网络输出仿射变换后的二维特征矩阵；

卷积神经网络模块，被配置为将所述二维特征矩阵输入到联邦学习模型中的卷积神经网络中，利用所述卷积神经网络输出分类预测结果。

7.根据权利要求6所述的基于STN的高效安全联邦学习装置，其特征在于，还包括预处理模块，所述预处理模块被配置为获取一维时间序列，对所述一维时间序列进行短时S变换，得到所述初始二维特征矩阵。

8.根据权利要求6所述的基于STN的高效安全联邦学习装置，其特征在于，所述空间转换网络模块包括本地网络层单元、网格生成层单元以及采样器单元；

所述本地网络层单元被配置为将所述初始二维特征矩阵输入到所述本地网络层中，所述本地网络层输出所述初始二维特征矩阵的坐标映射参数，并生成新生坐标；

所述网格生成层单元被配置为根据所述坐标映射参数以及所述新生坐标，利用所述网格生成层计算得到所述初始二维特征矩阵的原始坐标；

所述采样器单元被配置为利用所述采样器，根据所述原始坐标对所述初始二维特征矩阵进行采样填充，得到仿射变换后的所述二维特征矩阵。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。

10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至5任一所述方法。