[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

权利要求书

1.一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，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接收信号强度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集成联邦学习，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；

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：

步骤401：对于每个RSS指纹数据，将其中的RSS信号组成向量形式；

步骤402：基于步骤401中向量形式的RSS信号，根据每次迭代产生的决策树，预测对应的坐标；

步骤403：构建极限梯度提升法的目标函数；其中极限梯度提升算法的目标函数是由损失函数和控制复杂程度的正则项构成，具体为：

；

其中，g_i和h_i分别表示损失函数对的一阶和二阶偏导，表示经过t-1轮训练得到的第i个待测点的坐标预测值，f_t(·)为t轮的f_k(·)，f_k(·)表示一个独立树结构和叶子节点的得分，Ω(f_t)为正则项；R_i为第i个待测点接收到的M个RSS信号组成的向量；

步骤404：对目标函数进行求解，得到使目标函数达到最优情况下的权重值；

各组内用户对接收到的聚合模型进行训练后，将训练得到的模型数据上传至集中服务器，集中服务器再次进行联邦聚合后，将新的聚合模型下发至用户，各用户对接收到的聚合模型再次进行训练，依此反复进行聚合以及训练。

2.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，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RSS指纹数据库。

3.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，步骤(3)中使用K-means++算法对初始模型进行分组。

4.根据权利要求3所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，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。

5.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，集中服务器进行在各组内部的集成联邦学习时，先统计组内的用户数量，再以权重向量的形式保留各用户上传的最新权重；当某用户上传新训练得到的模型数据时更新权重向量中的对应元素，基于更新后的权重向量进行加权平均。

6.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，步骤(1)中，当环境发生变化时，更新线下RSS指纹数据库，重新进行初始模型的拟合。

7.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，步骤(1)中，当有新用户加入时，线下RSS指纹数据库扩充，重新进行初始模型的拟合。