CN107907895A - 基于卷积神经网络的云端定位误差修正方法及系统 - Google Patents

基于卷积神经网络的云端定位误差修正方法及系统 Download PDF

Info

Publication number
CN107907895A
CN107907895A CN201711220895.XA CN201711220895A CN107907895A CN 107907895 A CN107907895 A CN 107907895A CN 201711220895 A CN201711220895 A CN 201711220895A CN 107907895 A CN107907895 A CN 107907895A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
clouds
position error
terminal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711220895.XA
Other languages
English (en)
Inventor
林利瓦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qianxun Position Network Co Ltd
Original Assignee
Qianxun Position Network Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qianxun Position Network Co Ltd filed Critical Qianxun Position Network Co Ltd
Priority to CN201711220895.XA priority Critical patent/CN107907895A/zh
Publication of CN107907895A publication Critical patent/CN107907895A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/40—Correcting position, velocity or attitude
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明针对目前依托于全球卫星定位系统的多数定位设备的定位结果不准确，且定位误差随时间呈现不规则变化，波动较大的技术问题，提供了一种基于卷积神经网络的云端定位误差修正方法及系统，对卫星原始定位误差进行修正的方法。其核心思想是利用卷积神经网络与现有大数据对误差模型进行训练，终端定位设备将原始定位结果、时间、定位设备类型等信息发送到云端服务器，云端服务器使用已训练好的模型，计算得出此次定位误差，并将修正结果回馈到终端定位设备。本发明提高了定位精度，同时大幅降低了成本。

Description

基于卷积神经网络的云端定位误差修正方法及系统
技术领域
本发明涉及高精度GNSS卫星定位，具体涉及一种基于卷积神经网络、云端服务器，通过大数据优化定位模型，对GNSS设备原始定位结果进行修正的方法及系统。
背景技术
近年来随着经济的高速发展，智能化，无人化驾驶等需求，人们对高精度定位的需求日益迫切。但高精度定位技术目前仍掌握在少数厂家手中，价格高昂，设备体积庞大，在多数场合无法大规模应用。目前依托于全球卫星定位系统的多数定位设备的定位结果不准确，且定位误差随时间呈现不规则变化，波动较大的现状。若需提高定位精度必须较大程度提高硬件设备的性能，大幅增加成本。
发明内容
本发明解决了目前依托于全球卫星定位系统的多数定位设备的定位结果不准确，且定位误差随时间呈现不规则变化，波动较大的技术问题。
为了解决上述技术问题，本发明采用的技术方案如下：
一种基于卷积神经网络的云端定位误差修正方法，卫星定位终端将位置信息发送到云端服务器，云端服务器使用已训练好的模型，计算得出定位误差，并将修正结果回馈到卫星定位终端。
进一步地，所述云端服务器包括云端大数据处理平台，云端大数据处理平台包括卷积神经网络模型、Hadoop大数据集群和分布式服务器；卫星定位终端将位置信息发送到云端大数据处理平台，经过卷积神经网络模型处理后依次发送到Hadoop大数据集群和分布式服务器，分布式服务器将修正结果回馈到卫星定位终端。
进一步地，所述云端服务器还包括云端数据库，云端数据库存储卫星定位终端发送的位置信息以及经过卷积神经网络模型处理后的修正结果。
进一步地，所述云端数据库采用MySQL数据库。
进一步地，所述卫星定位终端与云端服务器之间，云端大数据处理平台与云端服务器之间，以及卷积神经网络模型、Hadoop大数据集群和分布式服务器之间均通过高速移动网络连接。
进一步地，所述卫星定位终端通过捕获卫星原始观测量信息解算出位置信息，并通过高速移动网络将位置信息实时发送到云端服务器。
进一步地，所述卷积神经网络模型采用6层卷积神经网络，依次为输入层、卷积层1、采样层2、卷积层2、采样层2和输出层，使用全连接层进行训练。
进一步地，所述采样层1包括池化层1和全连接层1，所述采样层2包括池化层2和全连接层2，卷积神经网络处理步骤具体如下：
步骤S1，数据预处理；
步骤S2，卷积层1进行特征提取；
步骤S3，池化层1进行特征压缩，提取关键特征；
步骤S4，全连接层1连接所有提取到的关键特征；
步骤S5，卷积层2进行特征提取；
步骤S6，池化层2进行特征压缩，提取关键特征；
步骤S7，全连接层2连接所有提取到的关键特征；
步骤S8，数据输出。
一种基于卷积神经网络的云端定位误差修正系统，包括卫星定位终端和云端服务器，卫星定位终端将位置信息发送到云端服务器，云端服务器使用已训练好的模型，计算得出定位误差，并将修正结果回馈到卫星定位终端。
进一步地，所述云端服务器包括云端大数据处理平台，云端大数据处理平台包括卷积神经网络模型、Hadoop大数据集群和分布式服务器；卫星定位终端将位置信息发送到云端大数据处理平台，经过卷积神经网络模型处理后依次发送到Hadoop大数据集群和分布式服务器，分布式服务器将修正结果回馈到卫星定位终端；
所述云端服务器还包括云端数据库，云端数据库存储卫星定位终端发送的位置信息以及经过卷积神经网络模型处理后的修正结果。
本发明的有益效果在于，提高了定位精度，并大幅降低了成本。
附图说明
图1是本发明基于卷积神经网络的云端定位误差修正系统框图。
图2是本发明卷积神经网络流程框图。
图3是本发明卷积神经网络程序流程图。
具体实施方式
本发明提供了一种基于卷积神经网络的云端定位误差修正方法及系统，依靠高速移动网络与云计算强大的计算能力，对卫星原始定位误差进行修正的方法。其核心思想是利用卷积神经网络与现有大数据对误差模型进行训练，终端定位设备将原始定位结果、时间、定位设备类型等信息发送到云端服务器，云端服务器使用已训练好的模型，计算得出此次定位误差，并将修正结果回馈到终端定位设备。
GNSS定位误差主要包括与GNSS卫星相关的误差、与信号传播有关的误差、与接收设备有关的误差。其中与传播途径相关的误差，主要包括电离层折射、对流层折射、多路径效应等。云端服务器基于大数据建模，主要对传播途径相关的误差进行修正。
下文中，结合附图和实施例对本发明作进一步阐述。
图1是本发明基于卷积神经网络的云端定位误差修正系统框图，从图1中可以看出，云端定位误差修正系统包括卫星定位终端和云端服务器，云端服务器包括云端大数据处理平台和云端数据库。云端定位误差修正系统中所有的设备通过高速移动网络连接。卫星定位终端实时发送位置信息到云端大数据处理平台，原始定位数据经卷积神经网络模型处理后，云端服务器将纠偏后的位置信息回馈到卫星定位终端，以此来提高定位精度，从而使普通低成本的定位终端展现出更好的定位效果。
1)云端大数据处理平台
云端高速大数据处理平台需具备有强大的并行计算能力，其硬件平台由多个多核CPU、多个多核GPU、多个海量并行存储及多个高速内存单元组成。
云端大数据处理平台采用Hadoop分布式集群方案，Hadoop是一个由Apache基金会所开发的分布式系统基础架构。Hadoop集群实现了一个分布式文件系统HDFS(HadoopDistributed File System)，具备高容错性，高吞吐能力。Hadoop另一个核心设计是MapReduce(Map映射和Reduce归约)，为海量的数据提供了高效可靠的运算能力。
云端数据处理的主要步骤依次是：1.数据调入；2.数据预处理；3.数据从内存拷贝到显存并计算；4.数据结果返回到内存；5.数据保存。
云端大数据处理平台采用深度学习中的卷积神经网络模型。卷积神经网络是一种前馈神经网络，是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。主要包括数据预处理、特征提取、卷积层、权值共享，前向传播，反向传播，梯度下降及Loss评价等。
本发明使用6层卷积网络，依次为输入层、卷积层1、采样层2、卷积层2、采样层2和输出层，使用全连接层进行训练，如图2所示，其中M、N、O、P、Q为矩阵的行和列。采样层1包括池化层1和全连接层1，所述采样层2包括池化层2和全连接层2。
2)云端数据库
云端数据库主要用于存储海量的历史数据，包括卫星定位终端上传的位置信息(原始定位数据)、云端服务器计算后的纠偏信息(定位误差修正结果值)及有效的真实误差信息。云端数据库采用MySQL数据库，MySQL是一种关系型数据库管理系统，将数据保存在不同的表内，增加了检索速度，提高了灵活性。
3)卫星定位终端
卫星定位终端：具备卫星定位能力与移动网络能力的终端硬件，通过捕获卫星播发的载波、伪距等原始观测量信息解算出原始定位信息，并通过高速移动网络将原始位置信息实时(1秒1次)发送至云端服务器，云端服务器计算后实时反馈原始定位的纠偏信息。部分卫星定位终端在条件允许时，可将定位真实误差(True Value)反馈至云端服务器。卫星定位终端与云端服务器的通讯协议如下：
上行协议：
下行协议：
帧头 数据内容1 帧尾
前导符 定位纠偏信息。 CRC校验值
图3是本发明卷积神经网络程序流程图，主要描述了卷积神经网络各个层级的工作流程，主要包括特征提取层，池化层(特征压缩，提取关键特征)，全连接层(起到分类器的作用)，优选实施例具体包括以下步骤：
步骤S1，数据预处理；
步骤S2，卷积层1进行特征提取；
步骤S3，池化层1进行特征压缩，提取关键特征；
步骤S4，全连接层1连接所有提取到的关键特征；
步骤S5，卷积层2进行特征提取；
步骤S6，池化层2进行特征压缩，提取关键特征；
步骤S7，全连接层2连接所有提取到的关键特征；
步骤S8，数据输出。
本发明云端高速大数据处理优选采用Java、C++进行开发，卫星定位终端设备优选使用C/C++语言进行开发。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种基于卷积神经网络的云端定位误差修正方法，其特征在于，卫星定位终端将位置信息发送到云端服务器，云端服务器使用已训练好的模型，计算得出定位误差，并将修正结果回馈到卫星定位终端。
2.如权利要求1所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述云端服务器包括云端大数据处理平台，云端大数据处理平台包括卷积神经网络模型、Hadoop大数据集群和分布式服务器；卫星定位终端将位置信息发送到云端大数据处理平台，经过卷积神经网络模型处理后依次发送到Hadoop大数据集群和分布式服务器，分布式服务器将修正结果回馈到卫星定位终端。
3.如权利要求2所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述云端服务器还包括云端数据库，云端数据库存储卫星定位终端发送的位置信息以及经过卷积神经网络模型处理后的修正结果。
4.如权利要求3所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述云端数据库采用MySQL数据库。
5.如权利要求3所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述卫星定位终端与云端服务器之间，云端大数据处理平台与云端服务器之间，以及卷积神经网络模型、Hadoop大数据集群和分布式服务器之间均通过高速移动网络连接。
6.如权利要求3所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述卫星定位终端通过捕获卫星原始观测量信息解算出位置信息，并通过高速移动网络将位置信息实时发送到云端服务器。
7.如权利要求3所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述卷积神经网络模型采用6层卷积神经网络，依次为输入层、卷积层1、采样层2、卷积层2、采样层2和输出层，使用全连接层进行训练。
8.如权利要求7所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述采样层1包括池化层1和全连接层1，所述采样层2包括池化层2和全连接层2，卷积神经网络处理步骤具体如下：
步骤S1，数据预处理；
步骤S2，卷积层1进行特征提取；
步骤S3，池化层1进行特征压缩，提取关键特征；
步骤S4，全连接层1连接所有提取到的关键特征；
步骤S5，卷积层2进行特征提取；
步骤S6，池化层2进行特征压缩，提取关键特征；
步骤S7，全连接层2连接所有提取到的关键特征；
步骤S8，数据输出。
9.一种基于卷积神经网络的云端定位误差修正系统，其特征在于，包括卫星定位终端和云端服务器，卫星定位终端将位置信息发送到云端服务器，云端服务器使用已训练好的模型，计算得出定位误差，并将修正结果回馈到卫星定位终端。
10.如权利要求9所述的一种基于卷积神经网络的云端定位误差修正方法，其特征在于，所述云端服务器包括云端大数据处理平台，云端大数据处理平台包括卷积神经网络模型、Hadoop大数据集群和分布式服务器；卫星定位终端将位置信息发送到云端大数据处理平台，经过卷积神经网络模型处理后依次发送到Hadoop大数据集群和分布式服务器，分布式服务器将修正结果回馈到卫星定位终端；
所述云端服务器还包括云端数据库，云端数据库存储卫星定位终端发送的位置信息以及经过卷积神经网络模型处理后的修正结果。
CN201711220895.XA 2017-11-28 2017-11-28 基于卷积神经网络的云端定位误差修正方法及系统 Pending CN107907895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711220895.XA CN107907895A (zh) 2017-11-28 2017-11-28 基于卷积神经网络的云端定位误差修正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711220895.XA CN107907895A (zh) 2017-11-28 2017-11-28 基于卷积神经网络的云端定位误差修正方法及系统

Publications (1)

Publication Number Publication Date
CN107907895A true CN107907895A (zh) 2018-04-13

Family

ID=61849022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711220895.XA Pending CN107907895A (zh) 2017-11-28 2017-11-28 基于卷积神经网络的云端定位误差修正方法及系统

Country Status (1)

Country Link
CN (1) CN107907895A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872932A (zh) * 2018-05-03 2018-11-23 中国人民解放军战略支援部队信息工程大学 基于神经网络的超视距目标直接定位结果纠偏方法
CN109061705A (zh) * 2018-06-27 2018-12-21 千寻位置网络有限公司 基于tensorflow的数据处理方法及终端、差分定位平台
CN109743095A (zh) * 2018-11-26 2019-05-10 南京熊猫电子股份有限公司 一种基于大数据技术的卫星移动通信终端监控系统及方法
CN111624634A (zh) * 2020-05-11 2020-09-04 中国科学院深圳先进技术研究院 基于深度卷积神经网络的卫星定位误差评估方法和系统
CN112543470A (zh) * 2019-09-23 2021-03-23 中国移动通信集团重庆有限公司 基于机器学习的终端定位方法及系统
CN112698645A (zh) * 2019-10-21 2021-04-23 百度（美国）有限责任公司 具有基于学习的定位校正系统的动态模型
CN112902989A (zh) * 2021-05-07 2021-06-04 腾讯科技（深圳）有限公司 数据误差标定方法、装置、电子设备和存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1888824A (zh) * 2006-07-18 2007-01-03 华南农业大学 一种导航定位数据的校正方法
CN102608632A (zh) * 2012-02-16 2012-07-25 厦门雅迅网络股份有限公司 北斗gps双模云差分定位方法及系统
CN102833342A (zh) * 2012-09-03 2012-12-19 江苏科技大学 一种云补偿终端数据处理系统及其方法
CN103605143A (zh) * 2013-11-26 2014-02-26 中国人民武装警察部队工程大学 一种神经网络组合导航方法
CN103823228A (zh) * 2014-01-29 2014-05-28 北京红旗胜利科技发展有限责任公司 定位系统、终端和定位方法
CN103852773A (zh) * 2012-11-30 2014-06-11 东莞市泰斗微电子科技有限公司 一种基于云计算技术的定位系统和定位方法
CN104898148A (zh) * 2015-06-02 2015-09-09 北京航空航天大学 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法
CN104977596A (zh) * 2015-06-08 2015-10-14 深圳北斗应用技术研究院有限公司 基于云计算的高精度位置修正定位系统
CN105929419A (zh) * 2016-04-13 2016-09-07 南京理工大学 一种基于bp人工神经网络的gps载波跟踪方法
CN106772511A (zh) * 2017-01-19 2017-05-31 湖南北云科技有限公司 一种分布式云rtk定位方法及系统
CN106772495A (zh) * 2017-02-14 2017-05-31 千寻位置网络有限公司 一种基于终端定位结果的gnss差分数据质量监控系统
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统
CN106998535A (zh) * 2017-05-31 2017-08-01 哈尔滨学院 移动终端定位校正方法和系统
CN107063301A (zh) * 2017-03-02 2017-08-18 合肥极友软件开发有限公司 一种车载卫星定位的自动位置纠正系统
CN107255825A (zh) * 2017-07-24 2017-10-17 吴高翔 信号分类方法、装置及卫星信号检测设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1888824A (zh) * 2006-07-18 2007-01-03 华南农业大学 一种导航定位数据的校正方法
CN102608632A (zh) * 2012-02-16 2012-07-25 厦门雅迅网络股份有限公司 北斗gps双模云差分定位方法及系统
CN102833342A (zh) * 2012-09-03 2012-12-19 江苏科技大学 一种云补偿终端数据处理系统及其方法
CN103852773A (zh) * 2012-11-30 2014-06-11 东莞市泰斗微电子科技有限公司 一种基于云计算技术的定位系统和定位方法
CN103605143A (zh) * 2013-11-26 2014-02-26 中国人民武装警察部队工程大学 一种神经网络组合导航方法
CN103823228A (zh) * 2014-01-29 2014-05-28 北京红旗胜利科技发展有限责任公司 定位系统、终端和定位方法
CN104898148A (zh) * 2015-06-02 2015-09-09 北京航空航天大学 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法
CN104977596A (zh) * 2015-06-08 2015-10-14 深圳北斗应用技术研究院有限公司 基于云计算的高精度位置修正定位系统
CN105929419A (zh) * 2016-04-13 2016-09-07 南京理工大学 一种基于bp人工神经网络的gps载波跟踪方法
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统
CN106772511A (zh) * 2017-01-19 2017-05-31 湖南北云科技有限公司 一种分布式云rtk定位方法及系统
CN106772495A (zh) * 2017-02-14 2017-05-31 千寻位置网络有限公司 一种基于终端定位结果的gnss差分数据质量监控系统
CN107063301A (zh) * 2017-03-02 2017-08-18 合肥极友软件开发有限公司 一种车载卫星定位的自动位置纠正系统
CN106998535A (zh) * 2017-05-31 2017-08-01 哈尔滨学院 移动终端定位校正方法和系统
CN107255825A (zh) * 2017-07-24 2017-10-17 吴高翔 信号分类方法、装置及卫星信号检测设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘瑞华等: "利用人工神经网络仿真GPS误差信号", 《南京航空航天大学学报》 *
刘镇等: "基于云计算的卫星定位误差补偿方法的研究", 《计算机仿真》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872932A (zh) * 2018-05-03 2018-11-23 中国人民解放军战略支援部队信息工程大学 基于神经网络的超视距目标直接定位结果纠偏方法
CN109061705A (zh) * 2018-06-27 2018-12-21 千寻位置网络有限公司 基于tensorflow的数据处理方法及终端、差分定位平台
CN109061705B (zh) * 2018-06-27 2022-07-12 千寻位置网络有限公司 基于tensorflow的数据处理方法及终端、差分定位平台
CN109743095A (zh) * 2018-11-26 2019-05-10 南京熊猫电子股份有限公司 一种基于大数据技术的卫星移动通信终端监控系统及方法
CN109743095B (zh) * 2018-11-26 2021-09-21 南京熊猫电子股份有限公司 一种基于大数据技术的卫星移动通信终端监控系统及方法
CN112543470A (zh) * 2019-09-23 2021-03-23 中国移动通信集团重庆有限公司 基于机器学习的终端定位方法及系统
CN112698645A (zh) * 2019-10-21 2021-04-23 百度（美国）有限责任公司 具有基于学习的定位校正系统的动态模型
CN111624634A (zh) * 2020-05-11 2020-09-04 中国科学院深圳先进技术研究院 基于深度卷积神经网络的卫星定位误差评估方法和系统
CN111624634B (zh) * 2020-05-11 2022-10-21 中国科学院深圳先进技术研究院 基于深度卷积神经网络的卫星定位误差评估方法和系统
CN112902989A (zh) * 2021-05-07 2021-06-04 腾讯科技（深圳）有限公司 数据误差标定方法、装置、电子设备和存储介质
CN112902989B (zh) * 2021-05-07 2021-07-16 腾讯科技（深圳）有限公司 数据误差标定方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN107907895A (zh) 基于卷积神经网络的云端定位误差修正方法及系统
US10820296B2 (en) Generating wireless network access point models using clustering techniques
CN109117856B (zh) 基于智能边缘云的人及物追踪方法、装置及系统
CN104680250B (zh) 一种位置预测系统
CN113988314B (zh) 一种选择客户端的分簇联邦学习方法及系统
CN107203891A (zh) 一种自动多阀值特征过滤方法及装置
US20210018332A1 (en) Poi name matching method, apparatus, device and storage medium
Gou et al. Hierarchical multi-attention transfer for knowledge distillation
CN102880719A (zh) 基于位置社交网络的用户轨迹相似性挖掘方法
CN109558605A (zh) 用于翻译语句的方法和装置
CN103871402A (zh) 语言模型训练系统、语音识别系统及相应方法
CN109709985B (zh) 一种无人机任务优化方法、装置及系统
CN113497717A (zh) 网络流量的预测方法、装置、设备及存储介质
WO2021000645A1 (zh) 基于数据爬取的合约生成方法、装置和计算机设备
CN116977763A (zh) 模型训练方法、装置、计算机可读存储介质及计算机设备
CN111723306A (zh) 一种基于地理感知的序列位置推荐方法
CN114861907A (zh) 数据计算方法、装置、存储介质和设备
CN107301094A (zh) 面向大规模动态事务查询的动态自适应数据模型
CN102136007A (zh) 基于小世界特性的工程信息组织方法
CN110196951A (zh) 用户匹配方法及设备
CN117829307A (zh) 一种面向数据异构性的联邦学习方法及系统
CN115129831A (zh) 数据处理方法、装置、电子设备及计算机存储介质
CN111182465A (zh) 终端归属的确定方法及装置
CN113742495B (zh) 基于预测模型的评级特征权重确定方法及装置、电子设备
Ning et al. Following the correct direction: Renovating sparsified SGD towards global optimization in distributed edge learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180413

RJ01 Rejection of invention patent application after publication