1.一种基于联邦学习机制的数据识别方法，其特征在于，具体包括以下子步骤：确定识别模型的骨干网络；选择基于Resnet‑50结构的卷积神经网络模型作为基础医学图像处理单元，部署在中央服务器上；

响应于确定识别模型的骨干网络后，对识别模型进行联邦学习，完成识别模型的训练；

将图像信息输入至训练完成的识别模型，进行图像信息的识别；

其中在识别模型的骨干网络中，引入基础残差块，基础残差块中包含三个卷积层，第一个是64通道的卷积核，规模为1×1，第二个是64通道的卷积核，规模为3×3，第三个是 256‑尺寸为1×1的通道卷积核；

根据引入的基础残差块，骨干网络的网络结构包括，子部分 A、子部分B和子部分C；子部分A为两个独立的卷积层，子部分B为一组16个基础残差块，子部分C为两个全连接层；

将图像信息输入至子部分A中，在卷积层中进行如下操作：，

其中 表示新得到的图像的尺度， 表示初始图像的尺度， 表示填充操作的尺度， 表示卷积核的尺度， 表示步长；

通过执行上述操作，得到张量 ；

对识别模型进行联邦学习，完成识别模型的训练包括以下子步骤：进行识别模型的预训练；

响应于完成识别模型的预训练，进行识别模型的交互训练；

其中进行识别模型的预训练是对公式 进行最优参数解的获取；

其中τ表示惩罚系数， 表示 F‑范数，Φ表示要学习的参数集； 表示子部分C输出的真实结果， 表示子部分C输出的预计结果；

在进行识别模型的交互训练包括，在每一轮中，首先在边缘终端上训练识别模型以获得一组新的参数，该组参数形成参数集；将参数集中的参数传输至中央服务器中，并根据中央服务器内部的数据进行重新训练，从而将该组参数将转化为另一组新的参数，并传送到用户终端本身，开始新一轮的交互训练；新一轮的交互训练是将更新后的另一组新的参数返回给中央服务器，开始下一次迭代；

将参数集用字母Θ表示，令PRET (·)表示单个预训练的算子， 表示第t轮中来自第r个边缘终端的预训练参数， 表示为：，

表示第t‑1轮中来自第r个边缘终端的预训练参数， 表示中央服务器第t‑1轮更新后传回第r个边缘的参数。

2.如权利要求1所述的基于联邦学习机制的数据识别方法，其特征在于，确定识别模型的骨干网络，具体包括以下子步骤：确定骨干网络中的基础残差模块；

响应于确定骨干网络中的基础残差模块，确定骨干网络的网络结构。

3.如权利要求1所述的基于联邦学习机制的数据识别方法，其特征在于，在子部分A中，还包括，对张量 进行卷积运算；

其中卷积运算具体表示为：

，

其中 表示卷积后的结果，*表示卷积运算， 和 为参数，c1表示子部分A中的参数， 表示ReLU激活函数。

4.如权利要求3所述的基于联邦学习机制的数据识别方法，其特征在于，得到的 转移到规模为3、步长为2、填充长度为1的池化核中，从而得到另一个大小为64×56×56的张量(A)Im ，即子部分A的输出。

(A)

5.如权利要求4所述的基于联邦学习机制的数据识别方法，其特征在于，将张量 Im(B) (B)输入至子部分B中，进行图像信息的特征提取，得到提取的特征Im 后，将张量 Im 输入到(C1) (C1)子部分C中，规模为7×7 的池化核中，产生另一个大小为2048×1×1的变量Im ，对Im(C1)进行转置操作，使其大小变为1×1×2048，将转置后的Im 输入到全连接层，得到最终的输出结果。

6.如权利要求5所述的基于联邦学习机制的数据识别方法，其特征在于，将转置后的Im(C1)输入到全连接层后，得到最终的输出结果 ，得到 的具体表达式为：，

其中WC2和bC2是参数，c2表示子部分C中的参数， 表示sigmoid 激活函数。

7.如权利要求6所述的基于联邦学习机制的数据识别方法，其特征在于，sigmoid 激活函数 具体表示为：，

其中e表示自然常数。

8.一种基于联邦学习机制的数据识别系统，其特征在于，包括对齐单元、确定单元、训练单元以及识别单元；

确定单元，用于确定识别模型的骨干网络；选择基于Resnet‑50结构的卷积神经网络模型作为基础医学图像处理单元，部署在中央服务器上；

训练单元，用于对识别模型进行联邦学习，完成识别模型的训练；

识别单元，用于将图像信息输入至训练完成的识别模型，进行图像信息的识别；

其中在确定单元中，引入基础残差块，基础残差块中包含三个卷积层，第一个是64通道的卷积核，规模为1×1，第二个是64通道的卷积核，规模为3×3，第三个是 256‑尺寸为1×1的通道卷积核；

根据引入的基础残差块，骨干网络的网络结构包括，子部分 A、子部分B和子部分C；子部分A为两个独立的卷积层，子部分B为一组16个基础残差块，子部分C为两个全连接层；

将图像信息输入至子部分A中，在卷积层中进行如下操作：，

其中 表示新得到的图像的尺度， 表示初始图像的尺度， 表示填充操作的尺度， 表示卷积核的尺度， 表示步长；

通过执行上述操作，得到张量 ；

训练单元对识别模型进行联邦学习，完成识别模型的训练包括以下子步骤：进行识别模型的预训练；

响应于完成识别模型的预训练，进行识别模型的交互训练；

其中进行识别模型的预训练是对公式 进行最优参数解的获取；

其中τ表示惩罚系数， 表示 F‑范数，Φ表示要学习的参数集； 表示子部分C输出的真实结果， 表示子部分C输出的预计结果；

在进行识别模型的交互训练包括，在每一轮中，首先在边缘终端上训练识别模型以获得一组新的参数，该组参数形成参数集；将参数集中的参数传输至中央服务器中，并根据中央服务器内部的数据进行重新训练，从而将该组参数将转化为另一组新的参数，并传送到用户终端本身，开始新一轮的交互训练；新一轮的交互训练是将更新后的另一组新的参数返回给中央服务器，开始下一次迭代；

将参数集用字母Θ表示，令PRET (·)表示单个预训练的算子， 表示第t轮中来自第r个边缘终端的预训练参数， 表示为：，

表示第t‑1轮中来自第r个边缘终端的预训练参数， 表示中央服务器第t‑1轮更新后传回第r个边缘的参数。