公开(公告)号：CN113805142A

公开(公告)日：2021-12-17

申请号：CN202111088881.3

申请日：2021-09-16

Applicant: 北京交通大学

Inventor： 高博 ,  崔楠 ,  熊轲 ,  陆杨

IPC: G01S5/02 ,  G06N3/04

Abstract: 本发明提供的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，随后将训练好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。本发明采用了含预训练的联邦学习训练方法结合基于卷积神经网络的射频指纹定位方法，将数据采集和模型训练任务分配至各个客户端，分散了模型训练开销、降低了数据采集及存储成本、并保护了客户端的位置数据隐私，同时还保证了训练效率和定位效果。

公开(公告)号：CN113805142B

公开(公告)日：2023-11-07

申请号：CN202111088881.3

申请日：2021-09-16

Applicant: 北京交通大学

Inventor： 高博 ,  崔楠 ,  熊轲 ,  陆杨

IPC: G01S5/02 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/098

Abstract: 本发明提供的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，随后将训练好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。本发明采用了含预训练的联邦学习训练方法结合基于卷积神经网络的射频指纹定位方法，将数据采集和模型训练任务分配至各个客户端，分散了模型训练开销、降低了数据采集及存储成本、并保护了客户端的位置数据隐私，同时还保证了训练效率和定位效果。