基于联邦学习的室内定位方法研究.pdfVIP

基于联邦学习的室内定位方法研究

摘要

室内定位已成为许多新兴技术的基础支撑，用户可通过室内定位系统获取位置信

息与各项拓展服务。它在公共安全、卫生医疗、建筑管理和灾害预防等领域发挥着重

要的作用。在“十四五”规划中，政府计划推动数字化应用场景的发展和落地使用，

室内定位的应用场景将更加丰富。

然而，可靠的室外定位方法在室内环境下效果较差。在现有的室内定位方法中，

基于Wi-Fi位置指纹的定位方法因其无需额外设施、灵活性较强、定位精度较好，具

有一定的研究价值。但Wi-Fi位置指纹方法多用于处理二维平面定位场景数据，对于

三维建筑群的定位效果较差。在模型训练时频繁地进行用户数据传输，可能会泄露用

户的位置隐私数据。而联邦学习只在客户端与中央服务器之间传输模型参数，可有效

保护用户的位置隐私。因此，提出了基于联邦学习的室内定位方法。

首先，针对现有基于联邦学习的定位方法存在的定位准确率偏低、泛化能力差、

用户位置隐私数据保护效果差的问题，提出了一种联邦指纹差分定位方法。该方法在

联邦学习框架的基础上，通过差分隐私技术插入噪声数据实现数据干扰，进而改进卷

积神经网络模型。通过定位子模型的置信训练与全局模型的参数优化等方式，提升模

型的鲁棒性与泛化质量、降低模型产生过拟合的概率。并针对非独立同分布数据场景

下的定位效果进行优化。

其次，针对客户端存在的通信、运算能量损耗较高、待机时间较长的问题，提出

一种客户端资源动态均衡调节方法。该方法对强化学习中的近端策略优化算法进行改

进，通过对智能体进行基于共识的优化，根据通信速率与网络状况等历史变化记录，

对客户端资源分配方案动态调整，选取合适的参数，从而提高客户端的资源利用率。

最后，通过对比仿真实验，验证了联邦指纹差分定位方法在定位精度、隐私保护

等方面的优越性与鲁棒性，以及客户端资源动态均衡调节方法在提高系统资源利用率

方面的有效性。

关键词：室内定位；联邦学习；用户隐私保护；强化学习；资源调节

基于联邦学习的室内定位方法研究

Abstract

Indoorlocalizationhasbecomethefoundationofmanyemergingtechnologies,enabling

userstoaccesslocationinformationandvariousexpandedservicesthroughindoor

localizationsystems.Itplaysavitalroleinpublicsafety,healthcare,buildingmanagement,

anddisasterprevention,amongotherfields.Inthe14thFive-YearPlan,thegovernmentplans

topromotethedevelopmentandimplementationofdigitalapplicationscenarios,whichwill

maketheapplicationscenariosofindoorlocalizationmorediverse.

However,reliableoutdoorlocalizationmethodsarelesseffectiveinindoorenvironments.

Amongtheexistingindoorlocalizationtechnologies,Wi-Fifingerprint-basedlocalization

methodshavecertainresearchvalueduetotheydonotrequireadditionalfacilities,aremore

flexibleandhavebetterlocalizationaccuracy.However,Wi-Fifingerprint-basedlocalization

m