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！

龙图腾网获悉山东大学;哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院);青岛海尔科技有限公司;临沂大学申请的专利智能家居健康监测系统的可信联邦学习方法及设备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：CN120745755B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202511239833.8，技术领域涉及：G06N3/098；该发明授权智能家居健康监测系统的可信联邦学习方法及设备是由唐昊煜;姜涵;徐明珠;胡宇鹏;关惟俐;韩亮;吴建龙;邓翔;田云龙;张问银设计研发完成，并于2025-09-01向国家知识产权局提交的专利申请。

本智能家居健康监测系统的可信联邦学习方法及设备在说明书摘要公布了：本发明涉及可信联邦学习领域，具体涉及一种智能家居健康监测系统的可信联邦学习方法及设备。包括以下步骤：使用数据挖掘方法清洗智能终端客户端采集到的数据构建人群健康监测的事件类别,并建立各个客户端私密保留的本地数据集；根据终端的性能，在各个终端和中央服务器部署相应的深度学习模型，并建立联邦学习范式，基于各终端的数据集分布式训练该深度学习模型；通过高斯分布近似来获取集成模型，计算这些模型参数的协方差矩阵，进行高斯参数估计，得到轨迹模型的近似高斯分布，进而得到收敛的高斯混合模型；采用贝叶斯推理进行智能家居健康状态预测。本发明解决了现有技术中的模型可靠性问题，在智能家居健康监测等领域具有广泛的应用前景。

本发明授权智能家居健康监测系统的可信联邦学习方法及设备在权利要求书中公布了：1.一种智能家居健康监测系统的可信联邦学习方法，其特征在于，包括如下步骤： S1.使用数据挖掘方法清洗智能终端客户端通过视觉采集装置采集到的数据构建人群健康监测的事件类别,并建立各个客户端私密保留的本地数据集； S2.根据终端的性能，在各个终端客户端和中央服务器部署相应的健康监测深度学习模型，并基于FedAvg方式建立联邦学习范式，基于各终端客户端的数据集分布式训练所述深度学习模型； S3.收集健康监测深度学习模型联邦训练临近收敛时的不同轮次全局模型，利用高斯分布近似拟合其模型集群的参数分布，计算其参数均值与近似协方差矩阵，得到可信联邦学习健康监测模型，在本地智能家居终端轻量化部署可信联邦学习健康监测模型；具体过程如下： 给定起始通信轮次和采样步长，从所有全局模型参数对应的模型中采样个全局模型，所述个全局模型的模型参数分别，，基于采样到的个全局模型计算模型参数均值，计算公式如下： ， 其中，为第轮的全局模型参数，为本方法采样的个全局模型得到的参数均值； 构造对角线协方差矩阵，计算公式如下： ， 其中，表示以为对角线元素填充对角矩阵；通过小样本采样近似协方差矩阵，计算均值与各个选中的全局模型参数之间的偏差，得到小样本偏差矩阵，所述样本偏差矩阵的第列是偏差向量，通过计算得到全秩小样本协方差矩阵；根据对角线协方差矩阵和全秩小样本协方差矩阵，得到真实协方差矩阵； 根据所述参数均值和真实协方差矩阵得到可信联邦学习健康监测模型，具体步骤为：初始化高斯分布的参数：均值向量，方差向量，以及M列低秩空偏差矩阵；从第轮开始，每隔轮便使用当前估计的均值更新均值和方差向量，利用当前轮次采样的模型参数减去当前均值，并将所得偏差向量依次推入低秩偏差矩阵的空列来更新，得到轨迹模型的近似高斯分布，M表示低秩近似的采样样本数，基于得到的近似高斯分布进行最终模型的参数采样，得到可信联邦学习健康监测模型，计算公式如下： ， 其中满足高斯分布，满足高斯分布，其中是联邦模型的参数总量，和分别为维的单位矩阵和维的单位矩阵； S4.在智能家居终端上，通过部署的高斯分布对模型参数进行采样，得到多重健康监测判断信源，随后通过贝叶斯推理对本地部署环境下的人群进行智能家居健康状态预测。

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山东大学;哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院);青岛海尔科技有限公司;临沂大学，其通讯地址为：250000 山东省济南市历城区山大南路27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。