1.一种基于隐私保护的个性化联邦学习方法，其特征在于，包括以下步骤：(1)初始化联邦学习训练环境；

(2)服务器在云端为每个客户端设置相对应的个性化模型，每个个性化模型将自身的全局模型矩阵参数下发给相对应的客户端，开始联邦学习训练；

(3)参与训练的客户端，进行第t轮的训练，得到训练好的本地模型矩阵参数并上传给相对应的个性化模型；根据本轮训练好的本地模型矩阵参数的变化量，计算每个客户端的阈值αi,t，并更新每个客户端的矩阵[(wcf‑matrix)i,t]；根据每个客户端的矩阵[(wcf‑matrix)i,t]，计算每个客户端的频率稀疏度εi,t，得到频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}；

所述步骤(3)具体包括以下子步骤：

(3.1)参与训练的客户端pi不进行数据共享，在本地对下发的全局模型权重进行本地模型训练：对于第t轮训练，得到训练好的本地模型矩阵参数 并上传给相对应的个性化模型Ni；

(3.2)计算第t轮本地模型训练后每个客户端pi的阈值αit，计算公式如下：其中，αi,t表示第t轮本地模型训练后每个客户端pi的阈值； 表示本地模型矩阵参数 中第u行、第v列的子参数； 表示初始化的全局模型矩阵参数 中第u行、第v列的子参数；

(3.3)若 则更新矩阵[(wcf‑matrix)i,t]中第u行、第v列的子参数：

若 则更新矩阵[(wcf‑matrix)i,t]中第u行、第v列的子参数：

其中，[(wcf‑matrix)i,t]u,v表示矩阵[(wcf‑matrix)i,t]中第u行、第v列的子参数；

重复上述步骤，更新整个矩阵[(wcf‑matrix)i,t]；

(3.4)由每个客户端的矩阵[(wcf‑matrix)i,t]，计算每个客户端的频率稀疏度εi,t，并得到频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}，频率稀疏度εi,t的计算公式如下：(4)根据频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}进行K‑Means聚类操作，将频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}中的频率稀疏度分为K簇；并将同一簇内的频率稀疏度εi,t所表示的客户端分为同一簇；

(5)对同一个簇的客户端上传的本地模型参数求平均，并将平均值作为新的全局模型矩阵参数下发给同一个簇的客户端；

(6)重复步骤(3)‑步骤(5)，直至全局模型收敛，完成个性化联邦学习模型的训练。

2.根据权利要求1所述的一种基于隐私保护的个性化联邦学习方法，其特征在于，所述步骤(1)具体为：设定整体训练轮次E、本地数据D、参与联邦学习的整体客户端数k。

3.根据权利要求2所述的一种基于隐私保护的个性化联邦学习方法，其特征在于，所述步骤(2)具体包括以下子步骤：(2.1)服务器在云端为每个客户端pi设置好相对应的个性化模型Ni，并初始化每个个性化模型Ni得到初始化的全局模型矩阵参数 i＝1,2,…i,…k；所述初始化的全局模型矩阵参数 的矩阵尺寸为W×H；

(2.2)每个个性化模型Ni将初始化的全局模型矩阵参数 下发给相对应的客户端pi，开始联邦学习训练。

4.根据权利要求1所述的一种基于隐私保护的个性化联邦学习方法，其特征在于，所述步骤(4)具体包括以下子步骤：(4.1)根据频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}进行K‑Means聚类操作，设置簇的数量为K，所述K‑Means聚类操作具体如下：从频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}中随机选择K个频率稀疏度作为初始质心；计算每个频率稀疏度εi,t到各个质心的距离，将频率稀疏度εi,t划分到距离最近的质心所对应的簇中；计算每个簇内所有频率稀疏度εi,t的均值，并使用该均值更新簇的质心重复步骤达到最大迭代次数，最终形成K个簇：S1、S2…SK；

(4.2)将在同一簇内的频率稀疏度εi,t所表示的客户端分为同一簇。

5.一种基于隐私保护的个性化联邦学习装置，其特征在于，包括一个或多个处理器，用于实现权利要求1‑4中任一项所述的基于隐私保护的个性化联邦学习方法。

6.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，用于实现权利要求1‑4中任一项所述的基于隐私保护的个性化联邦学习方法。