一种基于联邦学习的无线电地图构建方法及系统与流程

1.本发明涉及无线通信技术领域，尤其涉及一种基于联邦学习的无线电地图构建方法及系统。


背景技术：

2.随着无线通信的快速发展，第五代移动通信技术（5th generation mobile communication technology，5g）网络已大规模商用，而第六代移动通信技术（6th generation mobile communication technology，6g）作为未来通信的基石，已迅速进入全球移动通信行业视野。6g技术在智能交互、空间通信、情感和触觉交流、触觉互联网、多感官混合现实、全自动交通以及机器间协同等领域有较大的发展潜力。
3.然而，6g技术面临的最大技术挑战就是6g通信所处的太赫兹波频段存在诸多局限性，其一是太赫兹波通信信号定向传播，覆盖面积小，只能构成单元小蜂窝，导致弱化了传输路径；其二是太赫兹波具有超强衰落特点，太赫兹波信号一旦遇到阴影就会变得很敏感，还会影响到通信的覆盖区域，因此其更适合于室内短距离无线通信；其三是间歇性连接和快速的频道波动，太赫兹频带中的相干时间非常短，多普勒频散很大，由于存在很强的阴影衰减，这将会使得太赫兹波的传输通道衰减波动性更加明显。因此，在6g中绘制无线电地图是非常有必要的。
4.常规的无线电地图构建所采用的模型通常都是采用空间插值的方法，即通过对已知离散数据之间的空间相关性及趋势分析，估计出同一区域内离散点附近其它未知数据点的属性，从而将离散点的观测数据转换为连续的数据曲面。但是，上述空间插值的方法却没有考虑到整体样本值之间的差异往往是较大的这一问题，而是直接通过已知的所有离散数据进行空间相关性分析来构建室内空间的数据曲面，即没有考虑室内布局对信号强度的影响，最终得到的无线电地图的准确性仍有待提高；同时上述联邦学习的方法往往是将训练过程中全部的模型参数进行传输，即没有对传输的模型参数进行压缩，最终模型的数据传输量也有待降低。
5.因此，针对上述应用联邦学习构建无线电地图的方法，需要提出对应改进的方案。


技术实现要素：

6.本发明提供一种基于联邦学习的无线电地图构建方法及系统，用以解决现有技术中针对6g网络中构建室内范围无线电地图存在信号强度分布不均，上下行通信传输开销过大，使得构建过程精度不高以及效率较低的缺陷。
7.第一方面，本发明提供一种基于联邦学习的无线电地图构建方法，包括：确定目标室内区域的多个训练用户节点；划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；
获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；由每一个训练用户节点基于所述可变长度全局参数传输协议将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。
8.根据本发明提供的一种基于联邦学习的无线电地图构建方法，确定目标室内区域的多个训练用户节点，包括：将所有用户节点划分为n个用户组，在每轮分布式训练时确定同一用户组中的m个用户；若确定编号为i的用户组在当前训练轮次中进行训练，则确定编号为i+1的用户组在下一训练轮次中进行训练；待n个用户组完成遍历训练，重新从第1个用户组开始训练。
9.根据本发明提供的一种基于联邦学习的无线电地图构建方法，获取每个训练用户节点的众包样本，包括：获取每个训练用户节点的采集位置坐标和采集位置接收信号强度向量，所述采集位置接收信号强度向量由众包样本编号和信号源总数所确定；将所述采集位置坐标和所述采集位置接收信号强度向量形成所述每个训练用户节点的众包样本。
10.根据本发明提供的一种基于联邦学习的无线电地图构建方法，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分，包括：确定每个子区域的训练样本阈值；若确定每个子区域的众包样本数量小于所述训练样本阈值，则对所述众包样本进行增强处理，得到增强后众包样本；若确定每个子区域的众包样本数量大于所述训练样本阈值乘以预设比例，则获取每个众包样本的可靠性权重，基于所述可靠性权重筛选所述众包样本，得到筛选后众包样本；利用所述增强后众包样本或所述筛选后众包样本，以及所述初始训练参数，计算得到所述曲面拟合参数和所述曲面信号强度估计误差得分。
11.根据本发明提供的一种基于联邦学习的无线电地图构建方法，若确定每个子区域的众包样本数量小于所述训练样本阈值，则对所述众包样本进行增强处理，得到增强后众包样本，包括：获取众包样本平均值，确定构造随机扰动虚拟样本，其中所述随机扰动虚拟样本的取值范围在0与1之间；将所述随机扰动虚拟样本分别与所述众包样本中的采集位置坐标和采集位置接收信号强度向量进行相加，获得所述增强后众包样本。
12.根据本发明提供的一种基于联邦学习的无线电地图构建方法，若确定每个子区域的众包样本数量大于所述训练样本阈值乘以预设比例，则利用跨域聚类交叉算法计算每个众包样本的可靠性权重，基于所述可靠性权重筛选所述众包样本，得到筛选后众包样本，包括：利用跨域聚类交叉算法计算每个众包样本的可靠性权重；确定每个子区域中的分区，筛选每个分区中归一化权值最高的众包样本；若确定任一分区没有众包样本，则在所述众包样本中确定采用最大权值对应的样本作为所述任一分区的众包样本，直至筛选出的众包样本数量等于分区数量，得到所述筛选后众包样本。
13.根据本发明提供的一种基于联邦学习的无线电地图构建方法，利用所述增强后众包样本或所述筛选后众包样本，以及所述初始训练参数，计算得到所述曲面拟合参数和所述曲面信号强度估计误差得分，包括：从所述中心节点获取每个子区域的全局参数和全局得分，确定所述全局得分为原始全局得分，利用所述全局参数确定每个子区域在当前用户数据的第一全局得分；利用所述当前用户数据，采用基于加权样本的曲面拟合模型构建每个子区域的无线电地图，获取所述无线电地图的曲面训练参数，采用所述曲面训练参数在所述当前用户数据的第二全局得分；若确定所述原始全局得分大于所述第二全局得分，则结束训练，否则继续进行训练；以所述第一全局得分和所述第二全局得分作为权重，对所述全局参数和所述曲面训练参数进行加权融合求平均值，得到第三全局得分；确定所述第一全局得分、所述第二全局得分和所述第三全局得分中的最高全局得分，将所述最高全局得分对应的曲面拟合参数作为最新曲面拟合参数；采用最小二乘法计算所述最新曲面拟合参数对应的真实信号强度和估计信号强度，利用接收信号强度预设极小值和接收信号强度预设极大值进行约束，得到所述曲面信号强度估计误差得分。
14.根据本发明提供的一种基于联邦学习的无线电地图构建方法，所述可变长度全局参数传输协议，包括：在上传或下载的传输报文头中增加区域索引字段；根据所述区域索引字段，确定在未进行训练的子区域或所述曲面信号强度估计误差得分小于预设得分阈值的子区域内上传或下载曲面拟合参数。
15.第二方面，本发明还提供一种基于联邦学习的无线电地图构建系统，包括：用户确定模块，用于确定目标室内区域的多个训练用户节点；参数下载模块，用于划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；本地训练模块，用于获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；参数上传模块，用于由每一个训练用户节点基于所述可变长度全局参数传输协议
将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；构建定位模块，用于基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。
16.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于联邦学习的无线电地图构建方法。
17.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于联邦学习的无线电地图构建方法。
18.本发明提供的基于联邦学习的无线电地图构建方法及系统，通过采用联邦学习进行子区域用户数据训练，由中心节点进行参数更新，有效缓解室内范围区域间信号强度存在跳变的现象以及不同区域信号强度变化规律不一致的问题，提升整体无线电地图构建质量，同时节省训练过程中上下行通信开销。
附图说明
19.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本发明提供的基于联邦学习的无线电地图构建方法的流程示意图；图2是本发明提供的室内空间与基站分布的示意图；图3是本发明提供的无线电地图在室内空间分布的热力图之一；图4是本发明提供的无线电地图在室内空间分布的热力图之二；图5是本发明提供的无线电地图在室内空间分布的热力图之三；图6是本发明提供的无线电地图在室内空间分布的热力图之四；图7是本发明提供的各种无线电地图构建方法的定位误差的累积分布函数对比图；图8是本发明提供的基于联邦学习的无线电地图构建系统的结构示意图；图9是本发明提供的电子设备的结构示意图。
具体实施方式
21.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.针对现有技术中在构建无线电地图时存在的局限性，本发明提出了一种基于联邦学习的无线电地图构建方法，图1是本发明实施例提供的基于联邦学习的无线电地图构建
方法的流程示意图，如图1所示，包括：步骤100：确定目标室内区域的多个训练用户节点；步骤200：划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；步骤300：获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；步骤400：由每一个训练用户节点基于所述可变长度全局参数传输协议将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；步骤500：基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。
23.本发明实施例采用联邦学习进行无线电地图构建方法，联邦学习作为一种分布式的机器学习范式，可以有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，能从技术上打破数据孤岛的同时降低计算量，实现人工智能（artificial intelligence，ai）协作。因此，为了保护用户隐私，提升训练效率，减少数据传输开销，本发明实施例提出使用分布式（联邦）训练的方法来构建无线电地图。
24.首先进行训练用户选择，对室内区域划分子区域，由中心节点将每个子区域的参数下发到用户节点，其次进行用户节点的本地训练，对于每个用户节点的数据，将各众包样本分配到对应的子区域中，训练每个子区域的曲面拟合参数，待一轮训练结束后，本地用户节点将训练得到的每个子区域的最佳参数和最佳得到上传至中心节点，更新全局参数，最后当所有轮次训练结束后，由每个子区域的最新全局参数构建无线电地图，并获取待定位点位置。
25.需要说明的是，众包样本采用了众包方法的思想，是将繁琐的样本测量工作分配给普通用户，由用户在非指定的位置上采集，避免了专人现场勘测的过程，降低了人力成本，同时还能保证众包样本经常更新，以适应环境的变化。但基于众包样本构建室内无线电地图的方法存在如下问题：（1）不准确的众包样本标注，众包样本通常有用户在非指定的位置上采集，无论是采用众包用户主动标注的方式还是采用轨迹匹配的被动标注方式，相比现场勘测专业人员的测量，众包样本位置的标注都会存在较大的误差。（2）不相等的样本维度，由于wifi信号传播距离有限，可能在有些定位区域能够接收到较多的接入点(accesspoint，ap)信号而在其他位置只能够接收到较少的ap信号，另外，由于用户操作的差异，即使在相同的位置，接收到的ap数量也可能不同。（3）不均匀的空间分布，由于室内布局的限制和用户采集行为的不受控制，有些易到达的位置可能存在较多的众包样本而不易到达的地方只含有较少的众包样本，甚至有些地方不含众包样本。（4）不同的测量设备，由于不同用户使用的移动智能设备不同，即使在相同的地点和时间，采集到的ap维度可能不同，相同的ap的信号接收强度(received signal strength，rss)也可能不同。
26.具体地，在用户选择阶段，通过给用户分用户组的方法，每次从同一用户组中随机选择m名用户参与第j轮分布式训练；
在参数下载阶段，将室内区域划分为p个子区域；中心节点将p个子区域的全局参数global parameter和全局得分global score下载到每一个用户节点，作为用户的初始训练参数；在用户节点本地训练阶段，对于每一个用户的数据，将用户的各众包样本分配到所属子区域，依次遍历p个子区域，利用当前用户当前区域的众包样本训练子区域的曲面拟合参数以及对应曲面的信号强度估计误差得分；完成本地训练后，进行参数上传，本地用户将训练得到的每个子区域的最佳参数和最佳得分上传至中心节点。中心节点收到m个用户的m组参数和对应的得分，选择每个子区域拟合曲面评分最高的一组参数，更新全局参数global parameter，至此一轮分布式训练完成；最后进入定位阶段，待所有轮次训练完成后，通过p个子区域的最新global parameter设置参考点构建无线电地图，将室内空间划分为q个子区域，根据测试样本的信号强度特征确定待定位点所属的子区域后，在子区域内对待定位点进行定位，得到待定位点位置。
27.本发明通过采用联邦学习进行子区域用户数据训练，由中心节点进行参数更新，有效缓解室内范围区域间信号强度存在跳变的现象以及不同区域信号强度变化规律不一致的问题，提升整体无线电地图构建质量，同时节省训练过程中上下行通信开销。
28.在上述实施例的基础上，确定目标室内区域的多个训练用户节点，包括：将所有用户节点划分为n个用户组，在每轮分布式训练时确定同一用户组中的m个用户；若确定编号为i的用户组在当前训练轮次中进行训练，则确定编号为i+1的用户组在下一训练轮次中进行训练；待n个用户组完成遍历训练，重新从第1个用户组开始训练。
29.具体地，本发明实施例通在选择训练用户节点时，将所有用户划分为n个用户组，每轮分布式训练选择同一用户组的m个用户，并且若当前轮训练中，选择编号为i的用户组，则下一轮训练中，选择编号为i+1的用户组，继续进行训练，当n个用户组遍历完一遍后，再从第1个用户组开始进行训练。
30.在上述实施例的基础上，划分所述目标室内区域的多个子区域，包括：将目标区域划分为多个子区域时，具体根据目标区域的室内建筑布局进行划分，可直接根据众包样本对应位置的二维坐标确定众包样本所属的子区域，利用子区域所包含的众包样本对各信号源进行曲面拟合的具体方式，可参考申请公布号为cn109059919a的专利申请文件，在此将不再赘述；最终拟合得到的信号源曲面，即信号源的信号强度拟合函数，具有的形式，其中，为拟合系数，、为多项式拟合阶数，为信号接收点坐标，和分别为和的拟合指数，表示众包样本编号。
31.在上述实施例的基础上，获取每个训练用户节点的众包样本，包括：获取每个训练用户节点的采集位置坐标和采集位置接收信号强度向量，所述采集位置接收信号强度向量由众包样本编号和信号源总数所确定；
将所述采集位置坐标和所述采集位置接收信号强度向量形成所述每个训练用户节点的众包样本。
32.具体地，本发明实施例中的众包样本由采集位置坐标和在位置处接收到的rss向量)构成，表示众包样本编号，表示信号源总数。
33.在上述实施例的基础上，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分，包括：确定每个子区域的训练样本阈值；若确定每个子区域的众包样本数量小于所述训练样本阈值，则对所述众包样本进行增强处理，得到增强后众包样本；若确定每个子区域的众包样本数量大于所述训练样本阈值乘以预设比例，则获取每个众包样本的可靠性权重，基于所述可靠性权重筛选所述众包样本，得到筛选后众包样本；利用所述增强后众包样本或所述筛选后众包样本，以及所述初始训练参数，计算得到所述曲面拟合参数和所述曲面信号强度估计误差得分。
34.其中，若确定每个子区域的众包样本数量小于所述训练样本阈值，则对所述众包样本进行增强处理，得到增强后众包样本，包括：获取众包样本平均值，确定构造随机扰动虚拟样本，其中所述随机扰动虚拟样本的取值范围在0与1之间；将所述随机扰动虚拟样本分别与所述众包样本中的采集位置坐标和采集位置接收信号强度向量进行相加，获得所述增强后众包样本。
35.其中，若确定每个子区域的众包样本数量大于所述训练样本阈值乘以预设比例，则利用跨域聚类交叉算法计算每个众包样本的可靠性权重，基于所述可靠性权重筛选所述众包样本，得到筛选后众包样本，包括：利用跨域聚类交叉算法计算每个众包样本的可靠性权重；确定每个子区域中的分区，筛选每个分区中归一化权值最高的众包样本；若确定任一分区没有众包样本，则在所述众包样本中确定采用最大权值对应的样本作为所述任一分区的众包样本，直至筛选出的众包样本数量等于分区数量，得到所述筛选后众包样本。
36.其中，利用所述增强后众包样本或所述筛选后众包样本，以及所述初始训练参数，计算得到所述曲面拟合参数和所述曲面信号强度估计误差得分，包括：从所述中心节点获取每个子区域的全局参数和全局得分，确定所述全局得分为原始全局得分，利用所述全局参数确定每个子区域在当前用户数据的第一全局得分；利用所述当前用户数据，采用基于加权样本的曲面拟合模型构建每个子区域的无线电地图，获取所述无线电地图的曲面训练参数，采用所述曲面训练参数在所述当前用户数据的第二全局得分；若确定所述原始全局得分大于所述第二全局得分，则结束训练，否则继续进行训练；
以所述第一全局得分和所述第二全局得分作为权重，对所述全局参数和所述曲面训练参数进行加权融合求平均值，得到第三全局得分；确定所述第一全局得分、所述第二全局得分和所述第三全局得分中的最高全局得分，将所述最高全局得分对应的曲面拟合参数作为最新曲面拟合参数；采用最小二乘法计算所述最新曲面拟合参数对应的真实信号强度和估计信号强度，利用接收信号强度预设极小值和接收信号强度预设极大值进行约束，得到所述曲面信号强度估计误差得分。
37.具体地，在本地训练阶段，本发明实施例根据训练样本的不同情况进行了不同的处理：当子区域进行曲面拟合用户某个区域的样本不够拟合曲面时，即子区域内样本数量时，通过已有样本的平均值外加一个（0,1）之间的随机扰动构造虚拟样本，直至子区域内样本数量，其中，表示所述分区曲面拟合算法进行子区域曲面拟合需要的最少样本数。具体生成方式为：算法进行子区域曲面拟合需要的最少样本数。具体生成方式为：算法进行子区域曲面拟合需要的最少样本数。具体生成方式为：其中，()表示第i个样本的位置，表示第i个样本接收到的第j个ap的rss值，random函数用于产生一个范围为(0, 1)的随机数。
38.子区域进行曲面拟合用户某个区域的样本数量时，通过跨域聚类交叉算法计算每个样本的可靠性权重，为后续样本筛选做准备，此处的利用子区域所包含的众包样本计算各样本的可靠性权值的具体方式，可参考申请公布号为cn109059919a的专利申请文件，在此将不再赘述。
39.进一步地，若子区域内样本数量，基于子区域内每个样本的可靠性权值对样本进行筛选，具体利用分区筛选算法进行样本筛选。对每个子区域进行更细的区域划分，计算每个样本所属的分区；在每个分区内选出归一化权值最高的一个样本，将其作为该分区的代表样本；若某些分区内没有样本，则在全局样本中挑选权值大的样本进行补充，直至选出的总样本数k等于分区数m。需要说明的是，利用分区筛选算法进行样本筛选，仅为本发明实施例优选的实施方式，本发明对此不作任何限制。
40.对区域划分后每个子区域的样本，利用每个ap的参考点指纹，建立信号强度在空间分布的多项式模型，根据最小二乘准则（least square，ls），使拟合满足该区域内所有参考点的模型拟合信号强度与真实信号强度之间拟合误差平方和最小，求解模型的拟合参数，从而构造子区域的rss分布函数。
41.如图2所示比较该子区域的前后多组曲面拟合参数及对应曲面的信号强度估计误差得分，包括：（1）从中心节点获得该子区域的global parameter和global score，并将此时的global score记为socre_0。利用全局参数，在当前用户数据上评估该曲面的得分，记为score_1。
42.（2）利用当前用户的数据，采用基于加权样本的曲面拟合模型构建该区域的无线电地图，获得曲面参数trained parameter，在当前用户数据上计算该拟合曲面的得分score_2。
43.（3）对子区域初始曲面信号强度估计误差得分score_0 和子区域最新曲面信号强度估计误差得分score_2进行判断：若score_0》score_2，则认为之前轮次拟合的曲面效果更好，此轮不必再训练，结束对该用户该区域的训练；若score_0 ≤ score_2，则认为现在轮次拟合的曲面效果更好，继续后续步骤。
44.（4）将global parameter和trained parameter根据score_1和score_2的权重求平均，得到融合参数merged parameter；并在该用户数据上测试融合参数的得分，记为score_3。
45.（5）比较三组参数对应曲面的信号强度估计误差得分score_1、score_2和score_3，选择得分最高的一组参数，作为本次训练的结果上传至中心节点。
46.进一步地，本发明实施例通过以下方式计算拟合曲面信号强度估计误差的global score:其中，表示样本的第i维真实信号强度，表示样本的第i维算法估计的信号强度，如果在某个维度没有收到信号，和的维度都减少这一维度，再参与计算。所有样本的真实信号强度和算法估计信号强度之间的综合误差越小，全局得分就越高。
47.此外，用户本地训练计算拟合曲面信号强度估计误差的global score时，若某个子区域还没有拟合，即子区域的全局参数为初始值时，则将该子区域样本的 rss预测值设置为极小值min=-120dbm，min小于可接收到的信号强度的最小值；并且，若样本对于来自某个信号源的rss预测值大于极大值max，则将该样本来自该信号源的rss值设置为极大值max=-60dbm；若样本对于来自某个信号源的rss预测值小于极小值min，则将该样本来自该信号源的rss值设置为极小值min=-120dbm；max大于可接收到的信号强度的最大值。
48.本发明利用分区曲面拟合技术在每一个子区域内构建连续的信号曲面，即信号强度拟合函数，相较于传统的基于现场勘测的离线指纹地图构建方案，本发明只需存储相关的少量拟合系数即可得到更丰富的指纹信息；还通过利用加权样本对子区域拟合信号曲
面，能够有效减少众包样本标注错误和室内布局对拟合曲面的影响，提高无线电地图构建的准确性。
49.在上述实施例的基础上，所述可变长度全局参数传输协议，包括：在上传或下载的传输报文头中增加区域索引字段；根据所述区域索引字段，确定在未进行训练的子区域或所述曲面信号强度估计误差得分小于预设得分阈值的子区域内上传或下载曲面拟合参数。
50.可以理解的是，本发明实施例在参数的上传和下载过程中均采用可变长全局参数传输协议。
51.在参数下载与上传传输的报文头中新增“区域索引”字段index，用于标识该曲面拟合参数对应p个子区域中的哪一个子区域。后续在参数的上传下载时，只把那些前期还未被训练过或拟合曲面信号强度估计误差的全局得分小于阈值的子区域的曲面拟合参数进行上传和下载，以节省上行、下行的通信开销。
52.本发明实施例利用分区曲面拟合技术在每一个子区域内构建连续的信号曲面，即信号强度拟合函数，利用可变长全局参数传输协议，在参数下载与上传传输的报文头中新增“区域索引”字段index来完成分布式训练过程中上行、下行的参数通信，相较于固定长度全局参数传输协议，只对有意义的参数进行上传或下载，因此有效节省了通信开销。
53.在上述实施例的基础上，本发明实施例结合一个具体场景下的应用实例来进一步说明本发明的方案。
54.以图2所示的室内目标区域为例，采用智能设备进行信号强度测量，在约400米*400米的室内空间场景中总共可测得n=4个信号源，该场景中任意位置均可接收到至少一个信号源的信号强度。将图2中地图均匀划分为25个子区域，即每个子区域的密度为80米*80米。将数据采集任务分发给系统中的n=9 组用户，每组用户又包含10个用户，每组用户在不同的区域内活动获得该区域内的训练样本，每个用户的活动范围为240米*240米，每个用户的数据样本数量大约在4000条左右。每个用户的数据样本按照99: 1的比例随机划分训练集和验证集，所有用户的验证集组成测试集。训练集用于分区曲面拟合模型的训练，测试集用于测试所训练得到的无线电地图的预测性能。
55.本发明实施例使用信号强度估计误差得分和模型上下行开销进行性能评估。将本发明的基于联邦学习分区曲面拟合的无线电地图构建方法与基于多层感知机（multilayer perceptron，mlp）的无线电地图构建方法、本发明不采用样本加权算法的无线电地图构建方法和本发明不采用可变长报文协议的无线电地图构建方法进行实验对比，各方法具体如下：基于多层感知机（mlp）的无线电地图构建方法：采用由4个全连接层组成的神经网络构建无线电地图，4个全连接层的输入输出维度分别为（2,256）,（256,1024）,（1024,256）和（256,4）。
56.不采用样本加权算法的无线电地图构建方法与本发明的区别在于：不采用样本加权算法，直接用子区域内所有未加权的样本进行多项式曲面拟合构建无线电地图。
57.不采用可变长报文协议的无线电地图构建方法与本发明的区别在于：参数上传和下载时，使用固定报文长度参数传输协议进行传输。
58.如表1所示，为各个方案构建的无线电地图的信号强度估计误差loss、信号强度估
计误差得分score、上行开销uplink cost和下行开销downlink cost。在所有的对比方案中，本发明的无线电地图构建方法的loss、uplink cost和downlink cost都低于mlp的无线电地图构建方法，score高于mlp的无线电地图构建方法，说明了本发明的无线电地图构建方法有效提高了无线电地图构建的准确性，同时降低了上行、下行的通信开销。另外，增加可变长报文协议后算法的uplink cost和downlink cost取得了显著下降，即进一步提高了通信效率。
59.表1如图3至图6所示，本发明构建的无线电地图在室内空间分布的热力图，由于墙壁和室内布局等原因rss在相邻区域可能出现跳变的现象，可见此方法构建的无线电地图基本符合rss在复杂室内环境下的传播规律，其中图3对应rss[0]信号源、图4对应rss[1]信号源、图5对应rss[2]信号源以及图6对应rss[3]信号源。
[0060]
又如表2所示，对比了mlp和本发明两种无线电地图构建方法在当前定位环境下的定位误差，包括多层感知机（神经网络）（multilayer perceptron（neural network）mlp（nn））、多层感知机（k最邻近分类算法）（multilayer perceptron（k-nearest neighbor）mlp（knn））、分区曲面拟合（nn）和分区曲面拟合（knn）。将整个室内空间均匀划分为q=4个子区域，随后对测试集的样本点进行区域指纹定位。mlp方法在如此大的定位场景下仅靠一组神经网络参数构建无线电地图定位效果不佳，而提出的分区曲面拟合的方法对于每一个子区域都有自己的一组曲面拟合参数，能够减少不同区域间rss分布规律不一致对构建的无线电地图准确性的影响，因此其具有较低的定位误差，说明分区曲面拟合的无线电地图构建方法具有良好的鲁棒性。
[0061]
表2
如图7所示，对比了mlp和本发明两种无线电地图构建方法在当前定位环境下定位误差的累积分布函数（cumulative distribution function，cdf）。图7所示，本发明构建的无线电地图的定位误差的cdf曲线位于mlp方法构建的无线电地图的定位误差的cdf曲线上方，且曲线的上升趋势远快于mlp方法的cdf曲线，说明分区曲面拟合的无线电地图构建方法具有良好的准确性。
[0062]
下面对本发明提供的基于联邦学习的无线电地图构建系统进行描述，下文描述的基于联邦学习的无线电地图构建系统与上文描述的基于联邦学习的无线电地图构建方法可相互对应参照。
[0063]
图8是本发明实施例提供的基于联邦学习的无线电地图构建系统的结构示意图，如图8所示，包括：用户确定模块81、参数下载模块82、本地训练模块83、参数上传模块84和构建定位模块85，其中：用户确定模块81用于确定目标室内区域的多个训练用户节点；参数下载模块82用于划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；本地训练模块83用于获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；参数上传模块84用于由每一个训练用户节点基于所述可变长度全局参数传输协议将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；构建定位模块85用于基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。
[0064]
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(communications interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行基于联邦学习的无线电地图构建方法，该方法包括：确定目标室内区域的多个训练用户节点；划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；由每一个训练用户节点基于所述可变长度全局参数传输协议将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。
[0065]
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以
软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0066]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于联邦学习的无线电地图构建方法，该方法包括：确定目标室内区域的多个训练用户节点；划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；由每一个训练用户节点基于所述可变长度全局参数传输协议将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。
[0067]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0068]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
[0069]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于联邦学习的无线电地图构建方法，其特征在于，包括：确定目标室内区域的多个训练用户节点；划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；由每一个训练用户节点基于所述可变长度全局参数传输协议将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。2.根据权利要求1所述的基于联邦学习的无线电地图构建方法，其特征在于，确定目标室内区域的多个训练用户节点，包括：将所有用户节点划分为n个用户组，在每轮分布式训练时确定同一用户组中的m个用户；若确定编号为i的用户组在当前训练轮次中进行训练，则确定编号为i+1的用户组在下一训练轮次中进行训练；待n个用户组完成遍历训练，重新从第1个用户组开始训练。3.根据权利要求1所述的基于联邦学习的无线电地图构建方法，其特征在于，获取每个训练用户节点的众包样本，包括：获取每个训练用户节点的采集位置坐标和采集位置接收信号强度向量，所述采集位置接收信号强度向量由众包样本编号和信号源总数所确定；将所述采集位置坐标和所述采集位置接收信号强度向量形成所述每个训练用户节点的众包样本。4.根据权利要求3所述的基于联邦学习的无线电地图构建方法，其特征在于，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分，包括：确定每个子区域的训练样本阈值；若确定每个子区域的众包样本数量小于所述训练样本阈值，则对所述众包样本进行增强处理，得到增强后众包样本；若确定每个子区域的众包样本数量大于所述训练样本阈值乘以预设比例，则获取每个众包样本的可靠性权重，基于所述可靠性权重筛选所述众包样本，得到筛选后众包样本；利用所述增强后众包样本或所述筛选后众包样本，以及所述初始训练参数，计算得到所述曲面拟合参数和所述曲面信号强度估计误差得分。5.根据权利要求4所述的基于联邦学习的无线电地图构建方法，其特征在于，若确定每个子区域的众包样本数量小于所述训练样本阈值，则对所述众包样本进行增强处理，得到增强后众包样本，包括：
获取众包样本平均值，确定构造随机扰动虚拟样本，其中所述随机扰动虚拟样本的取值范围在0与1之间；将所述随机扰动虚拟样本分别与所述众包样本中的采集位置坐标和采集位置接收信号强度向量进行相加，获得所述增强后众包样本。6.根据权利要求4所述的基于联邦学习的无线电地图构建方法，其特征在于，若确定每个子区域的众包样本数量大于所述训练样本阈值乘以预设比例，则利用跨域聚类交叉算法计算每个众包样本的可靠性权重，基于所述可靠性权重筛选所述众包样本，得到筛选后众包样本，包括：利用跨域聚类交叉算法计算每个众包样本的可靠性权重；确定每个子区域中的分区，筛选每个分区中归一化权值最高的众包样本；若确定任一分区没有众包样本，则在所述众包样本中确定采用最大权值对应的样本作为所述任一分区的众包样本，直至筛选出的众包样本数量等于分区数量，得到所述筛选后众包样本。7.根据权利要求4所述的基于联邦学习的无线电地图构建方法，其特征在于，利用所述增强后众包样本或所述筛选后众包样本，以及所述初始训练参数，计算得到所述曲面拟合参数和所述曲面信号强度估计误差得分，包括：从所述中心节点获取每个子区域的全局参数和全局得分，确定所述全局得分为原始全局得分，利用所述全局参数确定每个子区域在当前用户数据的第一全局得分；利用所述当前用户数据，采用基于加权样本的曲面拟合模型构建每个子区域的无线电地图，获取所述无线电地图的曲面训练参数，采用所述曲面训练参数在所述当前用户数据的第二全局得分；若确定所述原始全局得分大于所述第二全局得分，则结束训练，否则继续进行训练；以所述第一全局得分和所述第二全局得分作为权重，对所述全局参数和所述曲面训练参数进行加权融合求平均值，得到第三全局得分；确定所述第一全局得分、所述第二全局得分和所述第三全局得分中的最高全局得分，将所述最高全局得分对应的曲面拟合参数作为最新曲面拟合参数；采用最小二乘法计算所述最新曲面拟合参数对应的真实信号强度和估计信号强度，利用接收信号强度预设极小值和接收信号强度预设极大值进行约束，得到所述曲面信号强度估计误差得分。8.根据权利要求1所述的基于联邦学习的无线电地图构建方法，其特征在于，所述可变长度全局参数传输协议，包括：在上传或下载的传输报文头中增加区域索引字段；根据所述区域索引字段，确定在未进行训练的子区域或所述曲面信号强度估计误差得分小于预设得分阈值的子区域内上传或下载曲面拟合参数。9.一种基于联邦学习的无线电地图构建系统，其特征在于，包括：用户确定模块，用于确定目标室内区域的多个训练用户节点；参数下载模块，用于划分所述目标室内区域的多个子区域，由中心节点基于可变长度全局参数传输协议将所述多个子区域的全局参数和全局得分下载至每一个训练用户节点，作为每一个训练用户节点的初始训练参数；
本地训练模块，用于获取每个训练用户节点的众包样本，基于所述众包样本和所述初始训练参数训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；参数上传模块，用于由每一个训练用户节点基于所述可变长度全局参数传输协议将所述曲面拟合参数和所述曲面信号强度估计误差得分上传至所述中心节点，所述中心节点确定利用所有子区域的最佳曲面拟合参数和最佳曲面信号强度估计误差得分更新所述全局参数，得到所有子区域的最新全局参数；构建定位模块，用于基于最新全局参数构建无线电地图，在所述无线电地图中利用信号强度特征确定目标子区域，在所述目标子区域中确定待定位点位置。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述基于联邦学习的无线电地图构建方法。

技术总结
本发明提供一种基于联邦学习的无线电地图构建方法及系统，属于无线通信技术领域，包括：划分目标室内区域的多个子区域，由中心节点将多个子区域的参数下载至每一个训练用户节点；获取每个训练用户节点的众包样本，训练得到所有子区域的曲面拟合参数和曲面信号强度估计误差得分；由每一个训练用户节点上传至中心节点，中心节点确定更新全局参数，得到所有子区域的最新全局参数；构建无线电地图，利用信号强度特征确定目标子区域，在目标子区域中确定待定位点位置。本发明有效缓解室内范围区域间信号强度存在跳变的现象以及不同区域信号强度变化规律不一致的问题，提升整体无线电地图构建质量，同时节省训练过程中上下行通信开销。信开销。信开销。


技术研发人员：张青 欧阳光 綦廷浩 王梦
受保护的技术使用者：湖北国际贸易集团有限公司
技术研发日：2023.05.31
技术公布日：2023/7/12