[发明专利]氢燃料电池发动机系统特性曲线的分布式机器训练方法

权利要求书

1.一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，其特征在于，包括以下步骤：

步骤1：每个工作节k从各自从服务器下载最新的神经网络模型f(x；w)，其中w＝{w₁，...，w_i，...，w_n}为神经网络的参数；

步骤2：每个工作节点采集其本地的车载氢燃料电池发动机系统特性数据，每个时刻下的数据特征记为x，对应的数据标签记为y，将这些数据加入到本地数据集中；

步骤3：将本地持有的数据集划分为多个大小为m的批量样本；

每个批量样本记为对于每个数据特征x⁽ⁱ⁾，通过神经网络前向传播计算出电压的预测值f(x⁽ⁱ⁾；w)，基于实际电压{y⁽¹⁾，...，y⁽ⁱ⁾，...，y^(m)}，计算出均方差损失函数为

步骤4：对于每个参数w_i，对损失函数J(w)求w_i的偏导，得出当前的负梯度即求出w_i对于损失函数下降方向的导数；

步骤5：通过超参数学习率α控制梯度下降的步长，对于每个模型参数w_i，更新为

步骤6：每个参与方k重复步骤3-5，直到达到设定迭代次数或者所有的w_i梯度下降的距离都小于设定阈值ε，则算法终止；接着极小化损失函数，得到较优的模型参数，得到的神经网络参数记为w^k；

步骤7：每个参与方k发送本地训练后的参数w^k给服务器端，服务器端执行参数平均作为结果其中

步骤8：重复步骤1-7，直到循环次数达到设定阈值T，得到最终的神经网络参数w。

2.根据权利要求1所述的一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，其特征在于：所述步骤2中的数据特征包括但不限于电流密度、空气压力、温度、流量、湿度。

3.根据权利要求1所述的一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，其特征在于：所述步骤2中的数据标签为预测量。

4.根据权利要求1所述的一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，其特征在于：所述步骤6中的损失函数得到较优的模型参数中最优为全局/局部最优。