[发明专利]一种基于集成联邦学习的复杂环境室内指纹定位方法

说明书

本发明公开了一种基于集成联邦学习的复杂环境室内指纹定位方法，该方法首先根据环境的差异粗略的进行区域划分，然后各区域内部对收集到的数据进行拟合，上传拟合后模型的权重向量，然后使用集成联邦学习的方法，根据模型的相似性，根据采用的分组方法将相似的模型划分为一组，形成应对多种环境的小组，组内对模型采用联邦聚合，同时对新用户和变化的用户及时重新分组，确保组内较低的数据异构性，使用极限梯度提升算法对模型进行优化，同时注意消除模型传输快慢导致的模型优化方向的偏移影响，最终得到能够适用于复杂多变环境下的多模型指纹定位系统。

技术领域

本发明涉及一种基于集成联邦学习的复杂环境室内指纹定位方法，属于室内定位技术领域。

背景技术

随着科学技术的发展，基于位置的服务在现代社会中有着举足轻重的作用，无论是救援服务，医疗监控，商业推广还是日常生活，定位服务都有广泛的应用。例如近期的对于病毒传播的控制，定位技术就发挥了巨大作用。由于当下成熟卫星定位技术，基本上在任何环境下通过手机就能获取所处的位置信息。不过，准确的定位是以室外为前提的。由于信号传播的问题，卫星信号到达地面时信号较弱，穿透力差，因此室内环境可能无法使用卫星定位，因此对室内的中小范围的定位技术的研究也从未停下。

室内定位技术经过多年的发展已经相当成熟，常见的室内定位方式和采用的技术手段也比较多样。从方式上有信号到达时间，信号到达时间差，信号到达角以及接收信号强度等。从技术上来说有超宽带技术，射频识别技术以及WIFI、蓝牙、超声波等技术手段。

室内指纹定位本质上是一种利用接收信号强度实现定位的技术，通过待测点的RSS数据与指纹库里的数据进行匹配，然后得出对位置的预测结果。联邦学习是一种深度学习方法，集中服务器在能获取大量数据的情况下兼顾了对边缘客户的隐私保护，是当下边缘计算的热门方法。而面对复杂的室内环境，单纯的联邦学习强行整合成一种模型的结果显然无法达到比较精确的定位效果。除此之外，对拟合模型的优化算法也决定了模型的收敛速度以及精确度。考虑到现实情况下，不同用户的设备以及通信环境的区别，模型的计算速度，上传能力和上传速度都会有差别，如何确保各个用户与服务器的稳定通信，减少或消除传输速度对模型拟合的影响，都是研究定位技术的重点。

发明内容

本发明旨在设计一种能应对复杂的室内环境的指纹定位技术，能够适应动态环境的变化并给出交完精确的定位结果。

为实现上述发明目的，本发明采用如下技术方案：

一种基于集成联邦学习的复杂环境室内指纹定位方法，包括以下步骤：

(1)按照环境划分区域，对每个区域建立一个线下RSS指纹数据库；

(2)在统一的标准下，各区域基于各自的线下RSS指纹数据库分别拟合生成一个初始模型，并上传至集中服务器；

(3)集中服务器根据各初始模型之间的相似度，对(2)中生成的初始模型进行分组；

(4)在各组内部，对组内用户上传的初始模型进行联邦聚合，集中服务器将得到的聚合模型下发至组内用户，各用户对接收到的聚合模型进行训练；

(5)基于(4)中训练完成的聚合模型进行定位。

进一步，所述步骤(1)中：布置发信器，按照网格分布采集若干的RSS指纹数据；按照环境划分区域，舍弃区域外发信器的RSS指纹数据，为每个区域建立一个线下指纹数据库。

进一步，步骤(3)中使用K-means++算法对初始模型进行分组。

进一步，先使用截断奇异值分解法对初始模型进行分解，再根据分解后各初始模型在各个方向上的相似性进行分组。

进一步，所述步骤(4)中用户通过新采集到的RSS指纹数据，采用极限梯度提升法，对接收到的聚合模型进行训练，具体步骤包括：