一种基于凸包面积加权的联邦学习室内定位方法及装置

1.本发明涉及室内定位技术领域，特别是一种基于凸包面积加权的联邦学习室内定位方法及装置。


背景技术：

2.基于机器学习的室内定位技术受到越来越多的研究和关注，传统的机器学习室内定位技术采用中心式的方案，将用户采集的指纹数据上传中心服务器进行训练。然而，此过程中，大量的指纹数据传输造成高额的数据流量。此外，此过程直接暴露了用户的位置信息。为了解决这些瓶颈，联邦学习被引入到室内定位领域，并显现出不错的效果。
3.在联邦学习中，多个用户分布式地训练一个全局定位模型。联邦学习的要领是每个用户将指纹数据留在本地，不进行传输，作为替代，每个传本地数据库训练的本地模型参数到中心服务器。现有的联邦学习定位技术直接使用联邦平均算法-fedavg训练定位模型。然而，在指纹数据库采集的过程中，每个用户采样起始位置，采样速率，采样路线各不相同，造成了本地指纹数据库之间的空间异构性。正如很多研究表明，本地数据库的异构性使得fedavg收敛速度和模型预测准确性大幅下降。鉴于以上，提出一种可以有效消除数据库空间异构性带来的联邦学习室内定位方法影响具有重要意义。


技术实现要素：

4.本发明的目的在于提供一种基于凸包面积加权的联邦学习室内定位方法及装置，有效消除数据库空间异构性带来的不良影响，提高联邦平均算法收敛速度以及定位精度。
5.实现本发明目的的技术解决方案为：一种基于凸包面积加权的联邦学习室内定位方法，包括以下步骤：
6.步骤s1、用户在目标区域采样，构建本地指纹数据库；
7.步骤s2、中心服务器建立初始全局模型，进行基于凸包面积加权的联邦学习定位模型训练，通过多轮训练直到收敛，得到最终全局模型；每轮训练的步骤包括：
8.s21、本地模型更新；
9.s22、本地模型参数上传；
10.s23、基于凸包面积加权的模型整合；
11.s24、全局模型下传；
12.步骤s3、将最终全局模型分发至目标区域的设备，设备将测量的wifi信号强度输入到最终全局模型中，输出即为测量的地理位置。
13.一种基于凸包面积加权的联邦学习室内定位装置，包括：
14.数据库构建模块，用于用户在目标区域采样，构建本地指纹数据库；
15.模型构建及训练模块，用于通过中心服务器建立初始全局模型，由模型训练单元进行基于凸包面积加权的联邦学习定位模型训练，通过多轮训练直到收敛，得到最终全局模型；所述模型训练单元包括闭环顺次设置的本地定位模型更新单元、本地模型参数上传
单元、基于凸包面积加权的模型整合单元、全局定位模型下传单元；
16.位置测量模块，用于将最终全局模型分发至目标区域的设备，设备将测量的wifi信号强度输入到最终全局模型中，输出即为测量的地理位置。
17.本发明与现有技术相比，其显著优点为：(1)将用户对全局模型的贡献按照量化的本地数据库的质量进行分配，消除了本地数据库之间的空间异构性对联邦学习的收敛速率与测试性能带来的消极影响；(2)基于凸包面积加权的的联邦学习室内定位方法在异构场景下，优于传统的联邦平均室内定位方法，提高了联邦平均算法收敛速度以及定位精度。
18.本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
19.图1为基于凸包面积加权的联邦学习室内定位系统框图。
20.图2为基于凸包面积加权的联邦学习室内定位实施流程图。
21.图3为基于凸包面积加权的联邦学习室内定位在同构场景下的性能仿真图。
22.图4为基于凸包面积加权的联邦学习室内定位在异构场景下的性能仿真图。
具体实施方式
23.结合图1～图2，本发明基于凸包面积加权的联邦学习室内定位方法，包括以下步骤：
24.步骤s1、用户在目标区域采样，构建本地指纹数据库；
25.步骤s2、中心服务器建立初始全局模型，进行基于凸包面积加权的联邦学习定位模型训练，通过多轮训练直到收敛，得到最终全局模型；每轮训练的步骤包括：
26.s21、本地全局模型更新；
27.s22、本地全局模型参数上传；
28.s23、基于凸包面积加权的全局模型整合；
29.s24、更新的全局模型下传；
30.步骤s3、将最终全局模型分发至目标区域的设备，设备将测量的wifi信号强度输入到最终全局模型中，输出即为测量的地理位置。
31.作为一种具体示例，步骤s1具体如下：
32.在目标区域，存在多个wifi接入点；多个用户携带内置信号强度传感器的智能手机在目标区域内移动，并对wifi信号进行采样；
33.在一个采样点，用户同时记录自身的位置和接收到的多个wifi信号的信号强度，并组合成一组数据对；
34.采样完成后，每个用户拥有多个数据对，即本地指纹数据库；
35.每个用户使用melkman算法找出本地指纹数据库中采样点集合的凸包，计算凸包面积，并发送到中心服务器。
36.作为一种具体示例，步骤s2中所述中心服务器建立初始全局模型，具体如下：
37.中心服务器初始化一个mlp，作为初始全局模型，并分发给各个用户，作为初始的本地全局模型。
38.作为一种具体示例，步骤s21具体如下：
39.每个用户在本地指纹数据库上训练本地模型；数据库中信号强度作为输入，采样位置作为输出；选择平均绝对误差mae作为目标函数，随机梯度下降即sgd作为训练算法；经过设定次数的sgd，本地模型完成一次更新；第i个用户更新的本地模型记为ω
it 1
。
40.作为一种具体示例，步骤s22所述本地模型参数上传，是指每个用户将更新的本地模型参数上传到中心服务器。
41.作为一种具体示例，步骤s23具体如下：
42.中心服务器整合本地模型，更新全局模型，整合的权重由本地数据库的凸包面积的比重直接确定，公式如下：
[0043][0044]
其中，ω
t 1
为更新的全局模型，n表示用户的个数，表示第i、j个用户所计算的凸包面积。
[0045]
作为一种具体示例，步骤s24所述全局定位模型下传，是指中心服务器将更新的全局模型分发到各个用户，用于下一轮训练。
[0046]
本发明一种基于凸包面积加权的联邦学习室内定位装置，包括：
[0047]
数据库构建模块，用于用户在目标区域采样，构建本地指纹数据库；
[0048]
模型构建及训练模块，用于通过中心服务器建立初始全局模型，由模型训练单元进行基于凸包面积加权的联邦学习定位模型训练，通过多轮训练直到收敛，得到最终全局模型；所述模型训练单元包括闭环顺次设置的本地模型更新单元、本地模型参数上传单元、基于凸包面积加权的模型整合单元、全局定位模型下传单元；
[0049]
位置测量模块，用于将最终全局模型分发至目标区域的设备，设备将测量的wifi信号强度输入到最终全局模型中，输出即为测量的地理位置。
[0050]
作为一种具体示例，数据库构建模块，具体如下：
[0051]
在目标区域，存在多个wifi接入点；多个用户携带内置信号强度传感器的智能手机在目标区域内移动，并对wifi信号进行采样；
[0052]
在一个采样点，用户同时记录自身的位置和接收到的多个wifi信号的信号强度，并组合成一组数据对；
[0053]
采样完成后，每个用户拥有多个数据对，即本地指纹数据库；
[0054]
每个用户使用melkman算法找出本地指纹数据库中采样点集合的凸包，计算凸包面积，并发送到中心服务器。
[0055]
作为一种具体示例，所述模型训练单元包括闭环顺次设置的本地全局模型更新单元、本地全局模型参数上传单元、基于凸包面积加权的全局模型整合单元、更新的全局模型下传单元，具体如下：
[0056]
本地定位模型更新单元中：每个用户在本地指纹数据库上训练本地模型；数据库中信号强度作为输入，采样位置作为输出；选择平均绝对误差mae作为目标函数，随机梯度下降即sgd作为训练算法；经过设定次数的sgd，本地模型完成一次更新；第i个用户更新的
本地模型记为ω
it 1
；
[0057]
本地模型参数上传单元中：每个用户将更新的本地模型参数上传到中心服务器；
[0058]
基于凸包面积加权的模型整合单元中，中心服务器整合本地模型，更新全局模型，整合的权重由本地数据库的凸包面积的比重直接确定，公式如下：
[0059][0060]
其中，ω
t 1
为更新的全局模型，n表示用户的个数，表示第i、j个用户所计算的凸包面积；
[0061]
更新的全局模型下传单元中，中心服务器将更新的全局模型分发到各个用户，用于下一轮训练。
[0062]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0063]
实施例
[0064]
本实施例一种基于凸包面积加权的的联邦学习室内定位方法，具体包括：
[0065]
1、构建指纹数据库：
[0066]
在目标区域，存在l个wifi接入点。n个用户携带智能手机(内置信号强度传感器)在目标区域内移动，并对wifi信号进行采样。在某个采样点，用户同时记录自身的位置和接收到的多个wifi信号的信号强度，并组合成一组数据对。第i个用户的采样位置记为yi，采样的信号强度集合xi形式为xi＝[rss
i,1
,rss
i,2
,
…
,rss
i,l
]。采样过后，第i个用户的共由mi个数据对。第i个用户本地指纹数据库，记为可表示为：
[0067][0068]
其中，上标表示采样序列号。
[0069]
每个用户使用melkman算法找出本地指纹数据库中采样点集合的凸包，并计算凸包面积。中采样点集合的凸包面积记为每个用户发送本地凸包面积到中心服务器。
[0070]
2、基于凸包面积加权的联邦学习定位模型训练：
[0071]
首先，中心服务器初始化一个mlp，作为初始全局模型，并分发给各个用户，作为初始的本地模型。接着经过t轮全局训练，最终得到一个收敛的全局模型，即用于定位的目标模型。其中第t 1轮全局训练包含以下四个步骤。
[0072]
(a)本地定位模型更新：
[0073]
每个用户用本地指纹数据库训练上一轮的全局模型ω
t
。选择平均绝对误差(mean absolute error，mae)作为目标函数，表达式为：
[0074][0075]
为减小目标函数值，选择随机梯度下降(stochastic gradientdescent，sgd)作为
训练算法。经过e次的sgd，本地模型完成一次更新，第i个用户更新的本地模型的记为ω
it 1
。
[0076]
(b)本地模型参数上传：
[0077]
所有用户将本地模型参数上传到中心服务器。
[0078]
(c)基于凸包面积加权的模型整合：
[0079]
中心服务器整合本地模型，更新全局模型，记为ω
t 1
，更新规则为：
[0080][0081]
(d)全局定位模型下传：
[0082]
中心服务器将更新的全局定位模型分发给各个用户，用于下一轮训练。
[0083]
t轮全局训练后中心服务器的全局模型可分发到在目标区域的设备。设备可将测量的wifi信号强度输入到此模型中，得到的输出即为测量时的地理位置。
[0084]
为了验证本发明的效用，发明人进行了两项仿真实验，均基于真实采集的wifi指纹数据库-ujiindoorloc数据库。图3为基于凸包面积加权的的联邦学习室内定位(fedloc-ac)在同构场景下的性能仿真图，其中各个用户以相同的移动速度在目标区域采样。图4为基于凸包面积加权的的联邦学习室内定位(fedloc-ac)在异构场景下的性能仿真图，其中部分用户以很低的移动速度在目标区域采样，其余用户以很高的移动速度在目标区域采样。可以得出如下结论：基于凸包面积加权的的联邦学习室内定位方法在异构场景下，通过将本地数据库的质量量化为凸包面积作为联邦学习整合权重，可一定程度上消除用户数据库空间异构性带来的不良影响，优于传统的联邦平均室内定位方法(fedloc)。