买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：一种基于Android的差分私有室内定位联邦学习方法，包括数据收集与预处理、离线训练和在线定位三个阶段；在数据收集与预处理阶段，移动终端设备收集RSS指纹数据并通过计算位置点与RSS指纹数据间的皮尔逊相关系数来剔除不相关的位置点；在离线训练阶段，预处理后的RSS指纹数据在移动终端设备上进行室内定位子模型训练，对模型参数在本地进行差分隐私保护处理后上传到边缘服务器，边缘服务器对接收到的模型参数进行可信聚合，将聚合后的最新模型参数下发给各移动终端设备，使其进行下一步迭代训练，直到得到最优的室内定位模型；在在线定位阶段，用户实时采集其附近的室内RSS指纹数据，并将其输入到训练好的室内定位模型中，以获取安全、可靠的室内定位服务。

主权项：1.一种基于Android的差分私有室内定位联邦学习方法，其特征在于，该联邦学习方法在移动终端设备和边缘服务器构成的系统中实现；所述移动终端设备为基于Android的智能手机，用户首先使用移动终端设备加载栅格化处理的室内区域平面地图，然后从多个无线传感器信标收集RSS指纹数据；在收集到RSS指纹数据后，用户从边缘服务器获取初始模型参数，在移动终端设备利用RSS指纹数据对室内定位本地子模型进行训练，在每一轮训练结束后，将训练好的模型参数进行差分隐私保护处理后上传到边缘服务器；在此架构中认为移动终端设备之间是独立且可信的，移动终端设备之间不具备通信能力且呈数据孤岛状态存在，无法串谋获取用户的隐私信息；所述边缘服务器是具有数据计算和存储功能的智能网关，为用户提供一个进入网络的通道和与其它服务器设备通讯的功能；首先，边缘服务器会创建训练任务并且初始化室内定位模型；然后，边缘服务器聚合各个移动终端设备上传的室内定位模型参数，混淆参与的移动终端设备的实际贡献，并将聚合后的模型参数下发给各移动终端设备，使其进行下一轮迭代训练，通过边缘服务器不断和移动终端设备进行交互、迭代，进行模型的更新，直到模型达到最优；最后，将训练好的最优室内定位模型下发至各个移动终端设备，为用户提供实时、安全、准确的室内定位服务；在此架构中认为边缘服务器是不可信的；该联邦学习方法包含数据收集与预处理、离线训练和在线定位三个阶段；在数据收集与预处理阶段，用户首先利用移动终端设备收集WiFi和BLE的RSS指纹数据，通过计算位置点与RSS指纹数据间的皮尔逊相关系数来剔除不相关的位置点；在离线训练阶段，利用预处理后的RSS指纹数据在移动终端设备上对室内定位子模型进行训练，为保护用户的RSS指纹数据隐私及模型参数隐私，需要对模型参数在本地进行差分隐私保护处理后上传到边缘服务器，最后，边缘服务器对接收到的模型参数进行可信聚合，并将聚合后的最新模型参数下发给各移动终端设备，使其进行下一步迭代训练，直到得到最优的室内定位模型；在线定位阶段，用户实时采集其附近的WiFi和BLE的RSS指纹数据，并将采集到的RSS指纹数据输入到训练好的模型中，获取相应的室内定位服务；所述离线训练过程具体为：各个移动终端设备首先利用收集到的室内RSS指纹数据集D，对室内定位子模型进行训练，然后将训练好的室内定位子模型参数Θ添加上随机拉普拉斯噪声LaplaceΔfε后发送到边缘服务器，以实现对各个移动终端设备的模型参数Θ进行差分扰动；其中Θ为各个移动终端设备训练的室内定位子模型参数，ε为隐私预算参数，Δf为数据敏感度参数，Laplace·为服从拉普拉斯分布的随机噪声；边缘服务器在接收到各个移动终端设备发送过来的差分隐私扰动后的本地室内定位子模型参数Θ′后，首先对其进行全局聚合，以混淆各个移动终端设备的实际贡献，得到最新的模型参数Θs；然后，边缘服务器将更新后的模型参数Θs下发给各移动终端设备，使其进行下一步迭代训练，通过边缘服务器与各个移动终端设备间的不断交互，模型参数不断迭代与更新，直到室内定位模型性能达到最优；最后，边缘服务器将训练好的最优室内定位模型参数Θs下发至各个移动终端设备，为用户提供实时、安全、准确的室内定位服务。

全文数据：

权利要求：

百度查询： 兰州交通大学 一种基于Android的差分私有室内定位联邦学习方法