欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024103174846
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于语义通信式联邦学习的掌静脉识别方法,其特征在于,所述方法包括如下步骤:步骤1:预处理掌静脉数据;

步骤1-1:提取ROI区域;

步骤1-2:统一设置图像分辨率;

步骤1-3:采用直方图均衡化算法进行图像增强;

步骤2:获取本地掌静脉数据,进行一级特征提取;

步骤2-1:对本地客户端训练数据进行基于纹理的特征提取;

步骤2-2:对各子区域特征进行分数级融合,得到特征融合分数;

步骤3:获取本地掌静脉数据,本地客户端进行初始深度学习训练;

步骤3-1:对本地客户端数据进行基于CNN的深度学习训练;

步骤3-2:形成本地初始模型,并将本地初始模型发送到服务端;

步骤4:对多个客户端数据进行联邦学习;

步骤4-1:服务端接收本地初始模型,分配秘钥至各客户端并分发初始模型;

步骤4-2:迭代客户端训练,更新模型参数{M1,M2,...,Mn},引入预训练语义网络对模型参数更新信息进行语义提取,利用参数集合'β'的信道编解码模型Cβ(·)模拟实际联邦通信以及加密过程,语义网络对模型参数更新信息的语义提取以及信道编码过程可表示为:x=Cβ(Bα(x));

其中Bα(·)表示基于预训练的语义网络模型和参数集合'α'的语义编码器,Cβ(·)表示参数集合'β'的信道编码器,语义解码信息的过程是编码过程的逆过程,表示为:x'=Bα(Cβ(x));

此外,引入语义相似度估计方法来表征提取的语义信息与原始梯度信息在模型更新任务上所适应的重要程度,公式表达为:其中B(·)代表了基于转换器的预训练语义网络模型,s代表原始梯度信息,代表编码后的语义信息,T代表对矩阵的转置,语义相似度ξ是一个在0和1之间的连续值,当提取的语义表征对模型更新综合重要程度越高,语义相似度越高,则代表语义网络的效率越高,整个联邦学习的训练性能越大;

在模拟信道编解码中,对于要传输的训练信息的语义集合x,模拟传输的过程可以表示为:y=hx'+ω,

其中,h表示衰落系数,它是一个随机变量,其概率密度函数(PDF)可以用瑞利分布表示,ω表示加性白高斯噪声(AWGN),衰落系数的概率密度函数可以表示为瑞利分布,其表达式为:其中,σ是衰落信道的尺度参数,决定了衰落的严重程度,衰落系数h取非负实数值;

步骤4-3:迭代联邦学习训练及更新直至共享掌静脉识别网络训练完成;

步骤5:决策层融合,联合决策并将识别结果返回客户端用户,完成用户识别。

2.根据权利要求1所述的一种基于语义通信式联邦学习的掌静脉识别方法,其特征在于,所述步骤1包括:预处理掌静脉数据,具体计算步骤为:(2a)提取ROI区域,将掌静脉的灰度图像视为三维曲面z=h(u,v),u代表图像的水平坐标,v代表图像的垂直坐标,设p为曲面z上的一个点,表示经过点p在曲面z上的所有曲线,这些曲线对应的曲率用k表示;在k中,将最大曲率k1和最小曲率k2作为点p的两个主曲率,K为高斯曲率,H为平均曲率,他们与主曲率k1和k2的关系可以表示为:K=k1×k2;

经过变换可得:

其中,hu表示h表示对于u的偏导,hv表示h表示对于v的偏导,表示hu的平方,表示hv的平方,huu表示h表示对于u的二阶偏导,huv表示h表示对于u,v的二阶偏导,hvv表示h表示对于v,v的二阶偏导;通过对原始ROI图像上所有的点进行最大主曲率计算,从而得到最大主曲率图像;

(2b)设置图像分辨率为128*128;

(2c)采用直方图均衡化算法进行图像增强;

针对大小为(m×n)的灰度图像G,对于任意位置所对应像素灰度值大小(L指图像灰度级总数),不同灰度级出现概率可表示为:其中,δ(·)表示离散冲激函数,当g(x,y)=i时取1,因此,对灰度图像G,采用直方图均衡进行图像增强的方法可描述为:这里,函数表示增强前图像灰度级与增强后灰度级之间的映射关系;在发明中,直方图均衡化的灰度级映射表示式为:通过映射,得到直方图均衡结果。

3.针对权利要求1中所述的一种基于语义通信式联邦学习的掌静脉识别方法,其特征在于,所述步骤2包括:获取本地掌静脉数据,进行一级特征提取,具体计算步骤为:(3a)对本地客户端训练数据进行基于纹理的特征提取;利用像素的BSIF编码值的直方图来表征手掌静脉各子区域的纹理属性;BSIF二进制编码字符串中的每个元素(即比特)的值是通过对一个线性滤波器的响应进行二值化得到的,取零作为阈值;每一比特都与一个不同的滤波器相关联,而比特字符串的期望长度决定了使用的滤波器的数量;BSIF方法通过考虑一个大小为l×l像素的图像块X和一个同样大小的线性滤波器Wi来工作;滤波器响应si计算公式为其中,向量w和x包含了Wi和X的像素值;因此,使用BSIF提取的二值化特征bi得到的方式是:如果si>0,则设置bi=1,否则设置bi=0;滤波器Wi通过最大化si的统计独立性,使用独立成分分析(ICA)来学习的;

(3b)将各子区域的匹配分数进行分数级融合,得到一个单一的匹配分数向量,在分类阶段用于对样本测试图像进行分类。

4.针对权利要求1中所述的一种基于语义通信式联邦学习的掌静脉识别方法,其特征在于,所述步骤3包括:获取本地掌静脉数据,本地客户端进行初始深度学习训练,具体计算步骤为:(4a)对本地客户端数据进行基于CNN的深度学习训练;使用基于深度学习的CNN架构与AlexNet结构进行内联建模;构建CNN架构,包含五个卷积层,每个卷积层使用滤波器从输入图像映射出值来实现;深度学习训练过程进行特征映射,其中输入图像用f表示,滤波器用h表示;所得矩阵的行索引和列索引分别用m和n表示;特征映射函数G[m,n]表示为每个卷积层的激活函数使用整流线性单位(ReLU),由y=max(0,x)给出,对于所有正值转换为线性,对于所有负值转换为零;为使数据类似于正态分布,使用的批量归一化公式表示为其中B是一批训练集的均值,是一批训练集的方差;最大池化层遵循每个卷积层,通过取一个2×2区域的最大值来创建一个新的输出矩阵,其中每个元素是原始输入中一个区域的最大值,从而缩小其输入;该架构由一个退出层和一个全连接层完成,其中Softmax作为激活函数,该激活函数将输入值归一化为(0,1),公式具体表示为其中每个输入值xi的指数被除以所有输入值的指数之和,即从xj到xk所有输入值的指数之和;

(4b)形成本地初始模型,并将本地初始模型发送到服务端。

5.针对权利要求1中所述的一种基于语义通信式联邦学习的掌静脉识别方法,其特征在于,所述步骤4包括:对多个客户端数据进行联邦学习,服务端接收本地初始模型,分配秘钥至各客户端并分发初始模型,客户端{C1,C2,...,Cn}读取并利用初始卷积神经网络训练本地数据,更新模型参数{M1,M2,...,Mn},引入预训练语义网络对模型参数更新信息进行语义提取,采用信道编码方式模拟实际联邦通信以及加密过程,在服务器接收端进行信道解码,之后经过语义网络恢复重要的模型参数信息,以此上传本地训练梯度以及损失,服务端更新共享的掌静脉识别网络,之后迭代训练及更新,最终完成掌静脉深度网络的训练;具体计算步骤为:(5a)服务端接收本地初始模型,客户端{C1,C2,...,Cn}读取并利用初始卷积神经网络训练本地数据,更新模型参数{M1,M2,...,Mn};数据分布在k(k=5)个不同的客户端,Pk由分布的训练数据形成,nk=|Pk|,n为数据总数全局损失函数f(w)满足条件为其中,Fk(w)表示第k个客户端的本地损失函数,本发明使用基于FederatedSGD(FedSGD)的掌静脉联邦学习方法,每轮随机选择的客户端进行一次梯度计算,然后得到k个梯度信息并进行后续的语义提取;梯度计算过程可用公式表示为通过迭代,对每个客户端增加计算,表示为

其中,η表示学习率,初始设为0.01;训练过程设置多个超参数;

(5b)引入预训练语义网络对模型参数更新信息进行语义提取,采用信道编码方式模拟实际联邦通信以及加密过程,在服务器接收端进行信道解码,之后经过语义网络恢复重要的模型参数信息,以此上传本地训练梯度以及损失,服务端更新共享的掌静脉识别网络;本发明通过控制衰落信道中衰落增益和衰落损失来控制整体仿真的基础通信环境的一致;

(5c)迭代联邦学习训练及更新直至共享掌静脉识别网络训练完成。

6.针对权利要求1中所述的一种基于语义通信式联邦学习的掌静脉识别方法,其特征在于,所述步骤5包括:决策层融合,对基于纹理的特征识别得分与基于CNN的深度学习网络识别得分联合决策,结合一级决策(基于纹理)和二级决策(基于CNN)的识别损失加权处理,得到最终决策,并返回本地客户端完成用户识别;

在决策级融合过程中,我们主要关注的是如何有效地整合来自不同来源的信息以做出最终判决;本发明中,特别考虑了基于纹理的特征识别得分与基于CNN的深度学习网络得分,由于决策过程仅受到两个网络的影响,我们选了线性加权判决作为基本方法,该方法通过对不同来源的判决结果分配不同的权重(Wfex)和(Wcnn),来计算一个加权和,以此作为最终的识别判决,具体过程可用公式表达为:Sfin=Wfex·Sf+Wcnn·Sc,

其中,Wfex和Wcnn分别表示基于纹理的特征识别得分与基于CNN的深度学习网络判决结果占最终识别得分的权重,其受模型训练参数的影响,在迭代过程中根据二者的训练损失进行综合判断并动态赋值,Sf和Sc则代表一级决策和二级决策得分,经过线性相加,得到最终决策得分Sfin,根据预定义的决策阈值,得到用户识别结果。