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！

龙图腾网获悉中国地质大学(武汉)申请的专利基于个性化联邦学习的零镜头室内定位方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118890595B 。

龙图腾网通过国家知识产权局官网在2025-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411152005.6，技术领域涉及：H04W4/02；该发明授权基于个性化联邦学习的零镜头室内定位方法及系统是由王碧瑶;游泽钰;李莹玉;黄英傲;胡晓雯;李家瑶设计研发完成，并于2024-08-21向国家知识产权局提交的专利申请。

本基于个性化联邦学习的零镜头室内定位方法及系统在说明书摘要公布了：本申请提供了一种基于个性化联邦学习的零镜头室内定位方法及系统，涉及WiFi定位和联邦学习领域，方法包括：初始化联邦学习训练环境，生成初始全局模型；获取本地CSI数据并进行预处理；通过预处理后的本地CSI数据，构建指纹库；根据指纹库，结合初始全局模型，进行个性化联邦学习训练，得到训练后的全局模型；获取待检测的CSI数据并输入至训练后的全局模型，输出室内定位结果并进行可视化显示。本申请的技术方案不仅可以保护用户的隐私，还能提高定位系统的鲁棒性和适应性，使之能够应对室内环境变化所带来的挑战。

本发明授权基于个性化联邦学习的零镜头室内定位方法及系统在权利要求书中公布了：1.一种基于个性化联邦学习的零镜头室内定位方法，其特征在于，方法包括以下步骤： S1：初始化联邦学习训练环境，生成初始全局模型； S2：获取本地CSI数据并进行预处理； S3：根据预处理后的本地CSI数据，构建指纹库； S4：根据指纹库，结合初始全局模型，进行个性化联邦学习训练，得到训练后的全局模型；步骤S4包括： S41：客户端对本地的指纹库中的数据，按预设比例进行划分为训练集和测试集； S42：中央服务器根据本地的指纹库中的数据，构建权重向量； S43：中央服务器根据权重向量，抽取K个客户端参与个性化联邦学习训练； 抽取K个数量的客户端，参与个性化联邦学习； S43a：基于数据量和历史贡献度的线性组合，计算客户端的权重，公式如下： 其中，wi是客户端i的权重，Di是客户端i的数据量，Hi是客户端i的历史贡献度，α是一个介于0和1之间的参数，用于平衡数据量和历史贡献度的相对重要性；N为中央服务器连接的客户端总数； S43b：通过客户端的权重，抽取客户端； 计算客户端i的累积权重分布C： 生成一个介于0和CN之间的参数r，CN表示最后一个客户端的累积权重； 遍历累积权重分布C，找到第一个满足ci＞r的索引i，客户端i即为被抽取的客户端； S43c：重复步骤S43a至步骤S43b，直至抽取K个客户端； S44：K个客户端接收中央服务器发送的全局模型参数θ，并进行个性化训练； 将训练后的本地个性化参数αk，输入初始全局模型进行训练，得到训练后的全局模型； S44a：对于每个客户端k，通过全局模型参数θ，更新客户端的本地模型参数； θk＝θ+αk 其中，θ为初始全局模型的全局模型参数，αk为本地个性化参数；θk表示本地模型参数； S44b：使用梯度下降和正则化算法更新本地个性化参数αk： 其中，η是学习率，Dk是被抽取的第k个客户端的本地CSI数据，l·是损失函数；表示关于αk的梯度；x表示输入样本，y表示输入样本对应的标签；λ表示正则化系数；为L2范数的平方，L2范数是用于度量向量αk中所有元素平方和的平方根； S44c：客户端上传更新后的本地个性化参数到中央服务器； 中央服务器通过更新后的本地个性化参数，更新全局模型参数θ： 其中，γ是服务器端的学习率； S44d：重复步骤S44a至步骤S44c，直到目标函数收敛或达到指定训练次数，输出训练后的全局模型；目标函数如下： 训练后的全局模型，如下： θ←θ+γ+γΔθ S5：获取待检测的CSI数据并输入至训练后的全局模型，输出室内定位结果并进行可视化显示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。