[发明专利]基于在线伪标签半监督学习与个性化联邦学习的室内定位方法

说明书

本发明涉及室内定位技术领域，公开了一种基于在线伪标签半监督学习与个性化联邦学习的室内定位方法，包括以下步骤：S1.用户构建本地数据集，服务器构造云端数据集；S2.服务器设置有机器学习模型，并且服务器分别给各个用户发放机器学习模型，将位于用户端的机器学习模型称为本地模型，将位于用户端的机器学习模型称为本地模型；S3.用户通过本地数据集中带有标签的数据训练本地模型，得到初始本地模型；S4.服务器通过云端数据集中带有标签的数据训练全局模型，得到初始全局模型；S5.通过联邦学习得到训练后的本地模型和更新后的全局模型；S6，用户根据训练后的本地模型和更新后的全局模型，通过混合专家模型进行个性化定位。本发明解决了现有技术中忽视本地数据高度动态和定位需求差异，无法进行个性化定位的问题，并具有高效率，高精度的特点。

技术领域

本发明涉及联邦学习技术领域，更具体的，涉及一种基于在线伪标签半监督学习与个性化联邦学习的室内定位方法。

背景技术

随着信息通信技术领域不断发展，通信感知一体化技术作为6G的代表应用与方案得到了广泛的关注，业务的信息处理流程呈现出无线通信与无线感知趋于交叠的趋势。基于环境中泛在的无线通信信号，无线指纹定位、无线人体行为识别等无线感知应用得到了蓬勃发展。同时又得益于以深度学习为代表的人工智能算法的发展，能够被有效建模为监督学习任务的无线室内指纹定位技术可以通过利用无线信号的特征和位置坐标之间的指纹匹配特性，训练深度学习模型从而高效准确地完成定位任务。

然而，人工智能赋能的无线室内定位技术面临着进一步发展的瓶颈。对以深度学习为代表的人工智能技术而言，训练具有高识别准确率的高性能模型需要高密度的计算资源和海量的标注数据。因此目前基于深度学习的无线定位技术一般需要部署在具有强大计算能力的云计算数据中心，以及依赖服务提供平台雇佣工人离线采集和标注无线信号数据。随着目前移动终端设备的高度普及和发展，边缘智能技术与无线感知技术的有机结合已经引起了学术界和工业界的高度关注。以联邦学习为代表的边缘智能技术提出允许将深度学习模型部署在终端设备上，进一步又可以将计算和感知信号的任务共同下沉到边缘侧和端侧。联邦学习这一解决人工智能落地的“最后一公里”的技术能够有效促进无线定位技术的进一步发展。

针对这一问题，现有一种基于联邦学习的建筑物楼层室内定位方法，利用由一个边缘服务器以及多个移动客户端共同参与的分布式深度学习技术来构建射频指纹定位模型。服务器首先进行模型初始化并利用其少量指纹数据进行集中式预训练，各个客户端使用其本地指纹数据进行进一步的模型训练，随后将训练后的本地模型传输至服务器，服务器对从各个客户端收集来的本地模型进行聚合，得到用于射频指纹定位的全局模型

然而现有技术存在忽视本地数据高度动态和定位需求差异，无法进行个性化定位的问题，因此如何发明一种能够涵盖本地数据高度动态和定位需求差异，可以进行个性化定位的室内定位方案，是本技术领域亟需解决的问题。

发明内容

本发明为了解决现有技术中忽视本地数据高度动态和定位需求差异，无法进行个性化定位的问题，提供了一种基于在线伪标签半监督学习与个性化联邦学习的室内定位方法，其具有高效率，高精度的特点。

为实现上述本发明目的，采用的技术方案如下：

一种基于在线伪标签半监督学习与个性化联邦学习的室内定位方法，包括以下步骤：

S1.用户构建本地数据集，服务器构造云端数据集；

S2.服务器设置有机器学习模型，并且服务器分别给各个用户发放机器学习模型，将位于用户端的机器学习模型称为本地模型，将位于用户端的机器学习模型称为本地模型；

S3.用户通过本地数据集中带有标签的数据训练本地模型，得到初始本地模型；

S4.服务器通过云端数据集中带有标签的数据训练全局模型，得到初始全局模型；

S5.通过联邦学习得到训练后的本地模型和更新后的全局模型；