1.一种基于马尔可夫随机场的联邦学习方法，其特征在于，包括如下步骤：步骤1：设备A和设备B分别接受大量声音信息，分别得到各自的数据集DA和DB；

步骤2：设备A和设备B在本地进行语音识别,对输入数据进行数据提取，识别出虚假信息并剔除，将有用信息进行参数信息提取，提取有效的参数信息，进入步骤3；

步骤3：对步骤2中提取的参数进行归一化处理，设备A的参数记为xAi，设备B的参数记为xBi，根据公式(1) 将参数范围控制在[0,1]之间；

步骤4：步骤3中参数的取值范围进行归一化处理之后，将参数进行K‑MEANS聚类处理，聚类之后的参数相关性更加紧密，后续马尔可夫随机性也是基于参数之间的相关性进行模型建设；

步骤5：在步骤3中参数进行K‑MEANS聚类处理之后，参数出现概率的准确性与采样次数是正相关的，而且未出现的参数不一定就是不可能出现为了数据的平滑性，对参数进行Good‑Turning平滑处理；

步骤6：定义势函数随后构建马尔可夫随机场最佳的全局模型参数，在最大后验概率MAP框架下，需要通过先验概率和似然概率获得后验概率，进而求得MAP分析出各参数之间的相关性，最终得到概率图模型G(V，E)；

步骤7：步骤1到步骤6为参数的预处理，预处理之后设备A和设备B在本地开始进行建模，本地模型参数基于前向神经网络和马尔可夫随机场，每次迭代更新选择的参数仅仅与上一次的参数相关；

步骤8：步骤7为参数基于马尔可夫性在本地建立模型，因为每次迭代仅仅与上一次参数相关，在迭代到上一次参数与本次迭代无区别时，本地迭代结束，至此设备A和B在本地建立好模型，构建全局神经网络根据公式(2) 其中m为最大团中的节点的个数， 是新的全局神经网络神经元的值， 是由阈值法挑选出的A，B客户端中相关性大的一对节点；

步骤9：将步骤8中已经迭代好的本地模型参数，上传到服务器端进行来联合建模，服务器端建模基于BPN‑马尔可夫模型进一步得到最优的联合训练参数，每次联合训练完成返回至各个本地设备，与本地模型进行对比，若模型不优于本地模型则进行BPN‑马尔可夫模型进行迭代训练联合模型，直至联合训练的模型优于本地模型，服务器端建模完成；

步骤10：步骤9之后，联邦建模的参数返回分发给设备A和设备B，设备A和B在优化的参数基础上更新自己的本地模型，若有新的参数输入进来，重复步骤1‑8进行将新的参数开始基于马尔可夫的联邦学习模型迭代。

2.如权利要求1所述的基于马尔可夫随机场的联邦学习方法，其特征在于，步骤1中，大量声音信息具体为：有效数据包括声音的音色、振幅、响度、临界距离和混响程度，噪声声音包含电视、手机发出的虚假报警信息。

3.如权利要求1所述的基于马尔可夫随机场的联邦学习方法，其特征在于，步骤2中，参数内容包括：反映时间、识别准确率、分析时间、单词中选定位置上的基音、激励频谱的估计斜率、选定语言环境中提前发声的存在、鼻辅音中极点频率的位置、选定元音的频谱特性、鼻辅音的频谱特性、选定元音的时长、擦音的频谱特性、元音的共振峰频率和共振峰带宽以及声门源的极点。