[发明专利]一种基于RSSI原理的联邦学习方法及系统

权利要求书

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，具体包括：

以每一终端确定的更新后的识别模型的参数为RSSI算法中锚节点坐标，结合质心算法确定聚合后的模型参数；

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。

5.一种基于RSSI原理的联邦学习系统，其特征在于，包括：

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；

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；

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，直至完成训练参数，确定最终的全局模型；

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。

6.一种基于RSSI原理的联邦学习系统，其特征在于，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如权利要求1-4中任一项所述的一种基于RSSI原理的联邦学习方法。