摘要：联邦学习允许边缘设备或客户端将数据存储在本地来合作训练共享的全局模型。主流联邦学习系统通常基于客户端本地数据有标签这一假设,然而客户端数据一般没有真实标签,且数据可用性和数据异构性是联邦学习系统面临的主要挑战。针对客户端本地数据无标签的场景,设计一种鲁棒的半监督联邦学习系统。利用FedMix方法分析全局模型迭代之间的隐式关系,将在标签数据和无标签数据上学习到的监督模型和无监督模型进行分离学习。采用FedLoss聚合方法缓解客户端之间数据的非独立同分布(non-IID)对全局模型收敛速度和稳定性的影响,根据客户端模型损失函数值动态调整局部模型在全局模型中所占的权重。在CIFAR-10数据集上的实验结果表明,该系统的分类准确率相比于主流联邦学习系统约提升了3个百分点,并且对不同non-IID水平的客户端数据更具鲁棒性。

摘要：为优化蓝藻水热液化制取生物油过程，探索反应条件间的交互影响作用及其反应机理，通过设计三因素三水平响应面分析实验，对反应温度（250～370℃）、反应时间（20～50min）、物料质量分数（5％～20％）及其交互作用对蓝藻水热液化反应产油率的影响进行了研究，并通过分析水相产物中的总有机碳、氨氮含量和生物油中的有机物结构研究了生物油产物中化合物分布转化规律。实验结果表明：产油率随着温度的升高而提高，水相产物中总有机碳回收率显著降低，氮回收率提高；反应时间、物料质量分数升高时氮回收率显著升高，而对总有机碳回收率的影响并不显著。通过对油相产物的傅里叶红外分析发现，生物油含有烷烃和酯类，以及酮、羧酸、烯烃、醇类化合物等。通过二次多项回归模型进行方差分析和回归拟合，得到了蓝藻水热液化制油反应的优化条件为反应温度369．99℃、反应时间40．33min、物料质量分数5％，在此条件下，预测所得的最大产油率为33．73％。