核心提示
中文摘要：
异物入侵是导致输电线路故障的主要原因之一，但现有输电线路异物检测方法未能充分利用终端设备的计算能力，造成资源浪费与隐私数据泄露等问题。针对上述问题，提出了一种基于联邦分割学习的检测算法（FSLDA）。该算法结合联邦学习和分割学习，提高输电线路异物检测效率和终端设备数据安全性。FSLDA通过构建可分割的小型神经网络，将计算负载分散至不同设备，减轻终端设备的运算压力，同时确保训练数据的隐私安全得到有效保障。实验结果表明：与经典联邦学习相比，FSLDA在保持预测精度的同时，终端设备的训练时间和能源消耗分别减少了10%和20%。由此可知，FSLDA在提升输电线路异物检测效率和可靠性方面具备有效性，并有助于优化系统总体性能和保障终端数据隐私安全。
关键词：
边缘计算；联邦学习；线路检测；分割学习
阅读全文
·END·
部分文字、数据、图、表或其他内容来源于本刊已发表论文或互联网可公开获取资料，版权归该资料版权人所有。若读者或版权人认为本文涉嫌侵权或其他问题，请联系编辑部进行及时处理。
关注《武汉工程大学学报》杂志
了解杂志
请登录官网：http://www.jwit.org.cn/
联系我们
邮箱：jwit@vip.163.com
《武汉工程大学学报》投稿作者QQ群：573604634
电话：027-87195679
地址：湖北省武汉市洪山区雄楚大街693号 武汉工程大学学报编辑部
邮编：430074
编辑：霍淑利
制作：霍淑利，吴宇轩
审核：刘生鹏，张瑞
