一种基于联邦学习的无线电地图构建方法及系统技术方案

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于联邦学习的无线电地图构建方法及系统


[0001]本专利技术涉及无线通信
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]第一方面，本专利技术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。
[0008]根据本专利技术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。
[0009]根据本专利技术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。
[0010]根据本专利技术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。
[0011]根据本专利技术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。
[0012]根据本专利技术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。
[0013]根据本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张青，欧阳光，綦廷浩，王梦，
申请(专利权)人：湖北国际贸易集团有限公司，
类型：发明
国别省市：