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！

龙图腾网获悉中山大学申请的专利基于在线伪标签半监督学习与个性化联邦学习的室内定位方法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：CN114897063B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202210467468.6，技术领域涉及：H04W4/02；该发明授权基于在线伪标签半监督学习与个性化联邦学习的室内定位方法是由伍哲舜;吴晓萍;龙云亮设计研发完成，并于2022-04-29向国家知识产权局提交的专利申请。

本基于在线伪标签半监督学习与个性化联邦学习的室内定位方法在说明书摘要公布了：本发明涉及室内定位技术领域，公开了一种基于在线伪标签半监督学习与个性化联邦学习的室内定位方法，包括以下步骤：S1.用户构建本地数据集，服务器构造云端数据集；S2.服务器设置有机器学习模型，并且服务器分别给各个用户发放机器学习模型，将位于用户端的机器学习模型称为本地模型，将位于用户端的机器学习模型称为本地模型；S3.用户通过本地数据集中带有标签的数据训练本地模型，得到初始本地模型；S4.服务器通过云端数据集中带有标签的数据训练全局模型，得到初始全局模型；S5.通过联邦学习得到训练后的本地模型和更新后的全局模型；S6，用户根据训练后的本地模型和更新后的全局模型，通过混合专家模型进行个性化定位。本发明解决了现有技术中忽视本地数据高度动态和定位需求差异，无法进行个性化定位的问题，并具有高效率，高精度的特点。

本发明授权基于在线伪标签半监督学习与个性化联邦学习的室内定位方法在权利要求书中公布了：1.一种基于在线伪标签半监督学习与个性化联邦学习的室内定位方法，其特征在于：包括以下步骤： S1.用户构建本地数据集，服务器构造云端数据集； S2.服务器设置有机器学习模型，并且服务器分别给各个用户发放机器学习模型，将位于用户端的机器学习模型称为本地模型，将位于用户端的机器学习模型称为本地模型； S3.用户通过本地数据集中带有标签的数据训练本地模型，得到初始本地模型； S4.服务器通过云端数据集中带有标签的数据训练全局模型，得到初始全局模型；其具体步骤为： S401.将本地数据集视为无标注，通过对初始本地模型和初始全局模型进行在线伪标签半监督学习得到伪标签，并通过伪标签标注本地数据集；其具体步骤为： K1.通过初始全局模型和初始本地模型对本地数据集中的RSS数据进行标注，获得初始全局模型估计的伪标签和初始本地模型估计的伪标签： 其中，为初始全局模型估计的伪标签，为初始本地模型估计的伪标签；M为MLP模型，为第t轮用户k的RSS数据的特征、为第t轮用户k的全局模型的权重参数、为第k个用户的本地模型权重； K2.通过将和加权和得到最终伪标签： 其中为平衡两个伪标签估计值的参数； K3.通过下式自适应调整： 其中sim函数为欧氏距离的倒数； K4.若大于设定的阈值则使用全局模型的伪标签对本地数据集进行标注，否则使用本地模型的伪标签对本地数据进行标注； S402.结合伪标签标注后的本地数据集，通过知识蒸馏技术进一步训练初始本地模型，得到训练后的本地模型；其具体步骤为： A1.将初始全局模型作为教师网络，初始本地模型作为学生网络，修改本地模型训练使用的损失函数； 其中，为本地模型训练使用的联邦知识蒸馏损失函数，为知识蒸馏因子，y为位置标签，Mkx为本地模型输出的位置预测，MGx是全局模型输出的位置预测； A2.将本地模型训练使用的函数进一步修改，通过公式 得到，并将 中的修改为； 得到修改后的目标函数： A3.通过得到的修改后的目标函数结合标注的本地数据集训练本地模型； S403.服务器将训练后的本地模型进行联邦学习得到本地模型权重的平均值，并根据本地模型权重的平均值更新全局模型； S5.通过联邦学习得到训练后的本地模型和更新后的全局模型； S6.用户根据训练后的本地模型和更新后的全局模型，通过混合专家模型进行个性化定位。

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山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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。