一种基于联邦迁移学习的室内无线定位方法

本发明涉及室内定位，尤其涉及一种基于联邦迁移学习的室内无线定位方法。

背景技术：

1、指纹信号定位方法是信号检测设备在定位区域内采集wi-fi信号，将wi-fi信号与采样点的位置信息组成数据对，以此构建指纹数据库。由于信号检测通常使用多台设备，基于中心化的方式是将指纹数据发送给中央服务器，庞大的指纹数据库会带来较大的通信开销，并且会加重中央服务器的训练负担。指纹上传的过程中还会暴露用户的地理位置信息，造成隐私数据泄露。联邦学习采用分布式训练方式，中央服务器只有聚合作用，这种方式可以减小通信额度、减小中央服务器的训练负担和保护用户的隐私数据。

2、传统室内定位方法用定位区域的数据训练得到该定位区域的定位模型，然而，面对复杂多变的室内定位环境，传统室内定位方法显得不够灵活。当有新的定位任务时，从头开始训练一个模型会造成大量的时间开销。因此，需要提出一种能快速适应新场景、帮助训练新模型和提高模型性能的室内无线定位方法。

技术实现思路

1、本发明的目的是提供一种基于联邦迁移学习的室内无线定位方法，可以快速适应新场景、使新定位模型可以快速收敛，并且提高模型的性能。

2、为实现上述目的，本发明提供了一种基于联邦迁移学习的室内无线定位方法，包括以下步骤：

3、s1、在边缘节点在源域和目标域采集rss，构建源域和目标域指纹库；

4、s2、中央服务器初始化全局模型，进行联邦学习训练，经过多轮训练直到收敛，得到源域定位模型；

5、s3、把源域定位模型迁移到目标域，对模型进行调整，进行联邦迁移学习训练，经过多轮训练直到收敛，得到目标域定位模型；

6、s4、对定位模型输入待定位的设备的信号特征，定位模型输出该设备的位置信息。

7、优选的，在步骤s1中，构建源域和目标域指纹库，具体过程如下：

8、s11、l个wi-fi信号接入点分布在定位区域中，将定位区域划分网格，边缘节点信号检测设备在定位区域内移动，在每个网格的中心进行采样；每个边缘节点检测设备在每个采样点进行多次采样，取中位数，并与采样点的定位信息组成数据对(xi,yi)；

9、其中，指纹为xi＝[rssi,1,rssi,2,…,rssi,l]，由边缘节点i在采样点采集到的l个wi-fi信号强度组成，yi为采样点的位置坐标信息；

10、s12、每个边缘节点检测设备采集的信号强度-位置信息的数据对构成本地指纹数据库其中，上角标表示采样数；

11、s13、将本地指纹数据库划分为源域数据库和目标域数据库；

12、s14、边缘节点通过melkman算法绘制本地指纹数据库的位置信息组集合的凸包并计算凸包面积，发送给中央服务器。

13、优选的，在步骤s2中，中央服务器初始化全局模型，进行联邦学习训练，经过多轮训练直到收敛，得到源域定位模型，具体过程如下：

14、s21、中央服务器初始化一个多层感知机mlp模型作为全局模型；选择平均绝对误差mae作为损失函数，优化器选择自适应矩估计adam，设置学习率，将全局模型分发给边缘节点；

15、s22、每个边缘节点用本地的源域指纹数据库训练局部模型，经过多次本地迭代，得到局部模型；

16、s23、边缘节点上传局部模型参数到中央服务器，中央服务器以凸包面积加权聚合边缘节点上传的模型，聚合公式如下：

17、

18、其中，ωt+1为更新后的全局模型，n表示参与的边缘节点数，分别表示边缘节点i和j的凸包面积，表示边缘节点i在中央服务器下载到全局模型ωt后用本地数据训练的局部模型；

19、s24、边缘节点下载中央服务器聚合后的全局模型，经过多次的模型聚合直到全局模型收敛，得到源域定位模型。

20、优选的，在步骤s3中，把源域定位模型迁移到目标域，对模型进行调整，进行联邦迁移学习训练，经过多轮训练直到收敛，得到目标域定位模型，具体过程如下：

21、s31、将源域定位模型迁移到目标域，优化器选择随机梯度下降sgd，选择mae作为损失函数；

22、s32、中央服务器重新初始化一个与源域模型结构相似的mlp模型；

23、s33、将源域定位模型的参数复制到新mlp模型，冻结新mlp模型的隐藏层中的部分层，使其不参与更新；

24、s34、分别对新mlp模型的隐藏层和回归层设置不同的学习率，隐藏层设置较低学习率，使训练更加平滑；

25、s35、将全局模型分发给边缘节点，每个边缘节点用本地的目标域指纹数据库训练局部模型，经过多轮本地迭代，得到局部模型；

26、s36、边缘节点上传局部模型参数到中央服务器，中央服务器基于凸包面积加权聚合模型，边缘节点下载中央服务器聚合后的全局模型，经过多次的模型聚合直到全局模型收敛，得到目标域定位模型。

27、因此，本发明采用上述一种基于联邦迁移学习的室内无线定位方法，有益效果如下：

28、(1)本发明让源域定位模型灵活迁移到目标定位区域，以快速适应新场景；

29、(2)本发明可以在源域定位模型学到的知识基础上进行学习，从而提升目标域定位模型的性能，并且通过调整定位模型的参数，使目标域定位模型能够快速收敛；

30、(3)通过本发明提出的方法训练得到的定位模型相比于传统联邦学习训练得到的定位模型，具有更高的定位精度。

31、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于联邦迁移学习的室内无线定位方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于联邦迁移学习的室内无线定位方法，其特征在于，在步骤s1中，构建源域和目标域指纹库，具体过程如下：

3.根据权利要求1所述的一种基于联邦迁移学习的室内无线定位方法，其特征在于，在步骤s2中，中央服务器初始化全局模型，进行联邦学习训练，经过多轮训练直到收敛，得到源域定位模型，具体过程如下：

4.根据权利要求1所述的一种基于联邦迁移学习的室内无线定位方法，其特征在于，在步骤s3中，把源域定位模型迁移到目标域，对模型进行调整，进行联邦迁移学习训练，经过多轮训练直到收敛，得到目标域定位模型，具体过程如下：

技术总结本发明属于室内定位技术领域，公开了一种基于联邦迁移学习的室内无线定位方法，包括以下步骤：S1、在边缘节点在源域和目标域采集RSS，构建源域和目标域指纹库；S2、中央服务器初始化全局模型，进行联邦学习训练，经过多轮训练直到收敛，得到源域定位模型；S3、把源域定位模型迁移到目标域，对模型进行调整，进行联邦迁移学习训练，经过多轮训练直到收敛，得到目标域定位模型；S4、对定位模型输入待定位的设备的信号特征，定位模型输出该设备的位置信息。本发明采用上述的一种基于联邦迁移学习的室内无线定位方法，可以快速适应新场景、使新定位模型可以快速收敛，并且提高模型的性能。技术研发人员：李骏,何怡,夏鹏程,时龙受保护的技术使用者：南京理工大学技术研发日：技术公布日：2024/10/10