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！

龙图腾网获悉南京邮电大学申请的专利一种基于语义通信式联邦学习的掌静脉识别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：CN118155251B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202410317484.6，技术领域涉及：G06V40/14；该发明授权一种基于语义通信式联邦学习的掌静脉识别方法是由陈元乐;何学敏;晏子祥;徐浚源;吴伟;潘亚刚设计研发完成，并于2024-03-20向国家知识产权局提交的专利申请。

本一种基于语义通信式联邦学习的掌静脉识别方法在说明书摘要公布了：本发明公开了一种基于语义通信式联邦学习的掌静脉识别方法，其借助联邦学习Federallearning，FL实现高安全性、高可靠性的掌静脉生物特征识别。通过将语义通信应用于基于fedavg的联邦学习的联合算法，优化了通信负载，保证了即使在带宽受限的网络环境下，各端设备也能高效地参与到全局模型的学习和优化过程。此外，本发明采用先进的图像处理技术，提出基于纹理和卷积神经网络CNN方法融合的高效深度学习算法，结合联邦学习技术，有效解决了掌静脉识别有效性与安全性的平衡问题。仿真结果表明，与其他方法相比，所提出的方法在保证用户数据安全性的前提下，可以极大提高各客户端用户掌静脉识别性能，同时拥有良好的收敛效果。

本发明授权一种基于语义通信式联邦学习的掌静脉识别方法在权利要求书中公布了：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＝CβBαx； 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'＝BαCβx； 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。

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南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区仙林街道文苑路9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”。