一种基于RSSI原理的联邦学习方法及系统技术方案

本发明专利技术公开一种基于RSSI原理的联邦学习方法及系统，该方法包括服务器确定初始模型以及训练参数；每一终端根据从服务器获取的初始模型，并根据对应的数据训练初始模型，更新模型的参数，并将更新后的模型的参数上传至服务器；服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并将聚合后的模型参数更新全局模型；迭代更新全局模型的参数，将更新后的模型的参数上传至服务器的步骤，直至完成训练；每一终端利用最终的识别模型进行对应数据的识别。本发明专利技术可在几乎不影响模型时间复杂度和性能和效率的情况下提升训练模型准确度，进而提高数据的识别精度。进而提高数据的识别精度。进而提高数据的识别精度。

【技术实现步骤摘要】
一种基于RSSI原理的联邦学习方法及系统


[0001]本专利技术涉及机器学习领域，特别是涉及一种基于RSSI原理的联邦学习方法及系统。

技术介绍

[0002]近些年来，平板电脑、智能手机、智能手表逐渐被越来越多的人所接受，成为了人们生活中不可或缺的一部分，而这些终端往往存储着来自多种传感器例如图像、语音、个人运动、健康状态等许多类型的数据，这些移动设备通过各种各样的本地数据通过训练机器学习模型来为用户提供更加丰富方便的功能(图像识别、语音识别等)，但是在上传数据的过程中往往存在着隐私泄露、数据质量不均、数据传输存在额外成本等等问题，针对以上问题，谷歌在2016年提出了联邦学习这一全新的方法，联邦学习旨在解决传统机器学习所可能存在的隐私泄露，数据不均等等问题，一经提出就引起了海内外学者的广泛关注。联邦学习是一种分布式机器学习框架，相对比传统机器学习框架，联邦学习并不需要终端将数据上传到总服务器，各终端只需要利用总服务器传输的初始模型和终端上的本地数据进行训练，在训练结束后将模型参数上传到服务器，在服务器端进行参数融合更新全局模型，服务器再将更新后的模型传输到各个终端开始下一轮训练，这种全新的机器学习训练方式在很大程度上避免了终端向服务器上传数据时可能造成的隐私泄露问题。但是联邦学习因为数据来源不同导致数据属于非独立同分布并且数据质量参差不齐，多种因素都会导致整合后的模型准确度下降影响模型的性能。
[0003]因此，亟需提出一种新思想的联邦学习方法或系统，能够在几乎没有对整体模型性能造成影响的前提下，提高了模型的准确度；并且适用于多种数据分布情况，具有良好的普适性。

技术实现思路

[0004]本专利技术的目的是提供一种基于RSSI原理的联邦学习方法及系统，可在几乎不影响模型时间复杂度和性能和效率的情况下提升训练模型准确度，进而提高数据的识别精度。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于RSSI原理的联邦学习方法，包括：
[0007]服务器确定初始识别模型以及训练参数；所述训练参数包括：训练轮次和训练后模型的目标精度；
[0008]每一终端根据从服务器获取的初始识别模型，并根据对应的数据训练初始识别模型，更新识别模型的参数，并将更新后的识别模型的参数上传至服务器；
[0009]服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并利用聚合后的模型参数更新全局模型，并将更新后的全局模型传输至每一终端；并返回所述每一终端根据从服务器获取的初始识别模型，并循环这个步骤根据对应的数据训练初始识别模型，更新识别模型的参数，并将更新后的识别模型的参数上传至服务器的步骤，直至完成训
练，确定最终的全局模型；
[0010]每一终端利用最终的识别模型进行对应数据的识别。
[0011]可选地，所述服务器确定初始模型以及训练参数，具体包括：
[0012]服务器根据测试数据集确定训练后模型的目标精度以及初始模型的参数。
[0013]可选地，所述测试数据集包括：MNIST图像识别数据集或CIFAR
‑
10图像识别数据集。
[0014]可选地，所述服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并将聚合后的识别模型参数更新识别模型，并将更新后的模型传输至每一终端，具体包括：
[0015]以每一终端确定的更新后的模型的参数为RSSI算法中锚节点坐标，结合质心算法确定聚合后的全局模型参数；
[0016]将聚合后的识别模型参数更新全局模型，并将更新后的全局模型传输至每一终端。
[0017]一种基于RSSI原理的联邦学习系统，包括：
[0018]初始模块，用于服务器确定初始模型以及训练参数；所述训练参数包括：训练轮次和训练后模型的目标精度；
[0019]模型参数更新模块，用于每一终端根据从服务器获取的初始模型，并根据对应的数据训练初始模型，更新模型的参数，并将更新后的模型的参数上传至服务器；
[0020]模型更新模块，用于服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并将聚合后的模型参数更新全局模型，并将更新后的全局模型传输至每一终端；并返回所述模型参数更新模块，直至完成训练，确定最终的全局模型；
[0021]终端数据识别模块，用于每一终端利用最终的识别模型进行对应数据的识别。
[0022]一种基于RSSI原理的联邦学习系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的一种基于RSSI原理的联邦学习方法。
[0023]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0024]本专利技术所提供的一种基于RSSI原理的联邦学习方法及系统，通过服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并将聚合后的模型参数更新全局模型，并将更新后的全局模型传输至每一终端；通过这种全新的参数聚合方式，无论终端的数据属于何种分布类型均可以正常参与训练，通过训练后所得模型准确度加以区分，能够有效减小非独立同分布数据对最终模型准确度和性能的影响，使得模型能够在有限的训练轮次内更快的收敛。解决传统的联邦学习只是简单的将训练后得到的模型参数进行简单的数字平均求解，并没有考虑到各终端的数据类型和精度等指标的问题。本专利技术在几乎不影响模型时间复杂度和性能和效率的情况下提升训练模型准确度。本专利技术适用于多种数据类型，相对比普通的算术平均的联邦学习算法，无论是针对独立同分布还是非独立同分布数据，最终的训练模型均具有更高的精度。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0026]图1为本专利技术所提供的一种基于RSSI原理的联邦学习方法流程示意图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0028]本专利技术的目的是提供一种基于RSSI原理的联邦学习方法及系统，可在几乎不影响模型时间复杂度和性能和效率的情况下提升训练模型准确度，进而提高数据的识别精度。
[0029]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0030]如图1所示，本专利技术所提供的一种基于RSSI原理的联邦学习方法，包括：
[0031]S101，服务器确定初始识别模型以及训练参数；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RSSI原理的联邦学习方法，其特征在于，包括：服务器确定初始模型以及训练参数；所述训练参数包括：训练轮次和训练后模型的目标精度；每一终端根据从服务器获取的初始模型，并根据对应的数据训练初始模型，更新模型的参数，并将更新后的模型的参数上传至服务器；服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并将聚合后的模型参数更新全局模型，并将更新后的全局模型传输至每一终端；并返回所述每一终端根据从服务器获取的初始模型，并根据对应的数据训练初始模型，更新模型的参数，并将更新后的模型的参数上传至服务器的步骤，直至模型收敛完成训练，确定最终的全局模型；每一终端利用最终的识别模型进行对应数据的识别。2.根据权利要求1所述的一种基于RSSI原理的联邦学习方法，其特征在于，所述服务器确定初始模型以及训练参数，具体包括：服务器根据测试数据集确定训练后模型的目标精度以及初始模型的参数。3.根据权利要求2所述的一种基于RSSI原理的联邦学习方法，其特征在于，所述测试数据集包括：MNIST图像识别数据集或CIFAR
‑
10图像识别数据集。4.根据权利要求1所述的一种基于RSSI原理的联邦学习方法，其特征在于，所述服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行...

【专利技术属性】
技术研发人员：张剑飞，周超然，张婧，杨宏伟，冯欣，王冠宇，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：