CN109061705B - 基于tensorflow的数据处理方法及终端、差分定位平台 - Google Patents
基于tensorflow的数据处理方法及终端、差分定位平台 Download PDFInfo
- Publication number
- CN109061705B CN109061705B CN201810686584.0A CN201810686584A CN109061705B CN 109061705 B CN109061705 B CN 109061705B CN 201810686584 A CN201810686584 A CN 201810686584A CN 109061705 B CN109061705 B CN 109061705B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- track
- tensoflow
- differential positioning
- 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.)
- Active
Links
Images
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
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (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)
- Image Analysis (AREA)
Abstract
本发明适用于卫星定位技术领域,提供了一种基于tensorflow的数据处理方法及终端、差分定位平台,所述数据处理方法包括:提取用户的轨迹信息;基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合;将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。本发明中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
Description
技术领域
本发明属于卫星定位技术领域,尤其涉及一种基于tensorflow的数据处理方法及终端、差分定位平台。
背景技术
随着技术的发展,智能化及无人驾驶技术的应用越来越广泛,而对高精度的定位需求也日益提高。
由于大气层误差、多路径效应、卫星钟差等因素影响,单点定位的效果不理想。为了满足高精度定位需求,通常需要使用ntrip技术,获得基准站的差分数据以提高定位精度。ntrip技术是在互联网上进行RTK数据传输的协议。
现有技术中的RTK定位终端通过移动网络连接播发平台,实时接收地基增强系统基准站播发的数据,大部分定位终端除了配置GNSS定位芯片外,还集成有加速度传感器、陀螺仪、磁力计、气压计等,而该定位终端由于配置的传感器种类较多,会出现偏差,给数据分析带来难度。而定位算法对数据有较强的依赖,因此需要花费大量的人力来进行数据分析,不利于定位算法的优化迭代,定位精度也较低。
发明内容
本发明实施例提供了一种卫星通信方法及终端、中继站及通信系统,旨在解决现有技术的通信过程对信息进行编码以减少信道噪音干扰而增加成本的问题。
一种基于tensorflow的数据处理方法,包括:
提取用户的轨迹信息;
基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合;
将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。
优选地,所述提取用户的轨迹信息之前还包括:
获取用户的数据,所述数据包括预期轨迹数据及真实轨迹数据。
优选地,所述提取用户的轨迹信息包括:
从所述预期轨迹数据中提取对应的轨迹信息;
从所述真实轨迹数据中提取对应的轨迹信息。
优选地,所述将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据包括:
将所述轨迹图片集合分为测试集及训练集;
将所述测试集及训练集输入至tensorflow卷积神经网络模型中进行训练,得到训练数据。
优选地,所述将所述测试集及训练集输入至卷积神经网络模型中进行训练,得到训练数据具体为:
将所述测试集及训练集输入至所述tensorflow卷积神经网络模型进行训练迭代,提取轨迹图像特征,得到对应的训练数据。
本发明还提供一种差分定位方法,包括:
提取用户的轨迹信息;
基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据;
基于所述训练数据进行差分定位运算,获得差分定位数据。
本发明还提供一种基于tensorflow的定位数据处理终端,包括:
提取单元,用于提取用户的轨迹信息;
描点单元,用于基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
训练单元,用于将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。
本发明还提供一种差分定位平台,该差分定位平台包括一种基于tensorflow的定位数据处理终端及与其连接的定位单元,其中:
定位单元,用于基于训练数据进行差分定位运算,获得差分定位数据
所述定位数据处理终端包括:
提取单元,用于提取用户的轨迹信息;
描点单元,用于基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
训练单元,用于将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。
本发明还提供一种存储器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被处理器执行如下步骤:
提取用户的轨迹信息;
基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。
本发明还提供一种服务终端,包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
提取用户的轨迹信息;
基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。
本发明实施例中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
附图说明
图1为本发明第一实施例提供的一种基于tensorflow的数据处理方法的流程图;
图2为本发明第一实施例提供的一种基于tensorflow的数据处理方法的步骤S1的具体流程图;
图3为本发明第一实施例提供的一种基于tensorflow的数据处理方法的步骤S3的具体流程图;
图4为本发明第二实施例提供的一种差分定位方法的流程图;
图5为本发明第三实施例提供的一种卫星通信终端的结构图;
图6为本发明第五实施例提供的一种服务终端的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例中,一种基于tensorflow的数据处理方法,包括:提取用户的轨迹信息;基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明第一实施例提供的一种基于tensorflow的数据处理方法的流程图,该方法包括:
步骤S1,提取用户的轨迹信息;
具体地,首先提取用户的轨迹信息,该轨迹信息包括预期轨迹信息及真实轨迹信息。
步骤S2,基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合;
具体地,基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合,进一步地,可对轨迹信息进行分段描点,每一段形成对应的轨迹图片,最终形成图片集合。
优选地,基于真实轨迹信息在高精度地图上进行描点,基于预期轨迹信息在高精度地图(同一地图)上进行描点,形成多幅二维图像。
步骤S3,将轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据;
具体地,该tensorflow卷积神经网络模型在使用过程中经历以下进程:
初始化权值、初始化偏置、使用卷积核进行卷积、使用relu激活函数、使用max-pooling进行特征压缩、全连接层输出层;将前述轨迹图片集合输入该模型中进行学习训练,得到对应的训练数据。
进一步地,该卷积神经网络模型采用SGD(Barch Gradient Descent,随机梯度下降)优化器,评估模型性能的损失函数为交叉熵lost函数,卷积层采用relu激活函数,采用两层卷积加一层池化的结构,最后以全连接层的形式输出。
本实施例中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
在本实施例的一个优选方案中,该步骤S1之前还包括:
步骤S4,获取用户的数据;
具体地,该用户的数据包括:预期轨迹数据及真实轨迹数据,分别获取预期轨迹数据及真实轨迹数据,其中,可同时获取预期轨迹数据及真实轨迹数据,或者先获取预期轨迹数据后获取真实轨迹数据,或者先获取真实轨迹数据后获取预期轨迹数据,此处对此不作限制。进一步地,该真实轨迹数据可以是用户主动上报的,预期轨迹数据为通过传感器(例如传感器芯片)获取。
进一步地,用户真实轨迹数据通过
再进一步地,该用户的预期轨迹数据
在本实施例的一个优选方案中,如图2所示,为本发明第一实施例提供的一种基于tensorflow的数据处理方法的步骤S1的具体流程图,该步骤S1具体包括:
步骤S11,从预期轨迹数据中提取对应的轨迹信息;
具体地,首先对预期轨迹数据进行预处理,该预处理可包括去噪等处理,然后提取NMEA(National Marine Electronics Association,美国国家海洋电子协会)的轨迹信息,该轨迹信息包括对应的经纬度信息,优选地,该轨迹信息包括一个以上轨迹点对应的经纬度信息;
步骤S12,从真实轨迹数据中提取对应的轨迹信息;
具体地,从真实轨迹数据中提取到对应的轨迹信息;
需要说明的是,步骤S11与步骤S12还可以是同步进行,或者先执行步骤S12后执行步骤S11,此处对此不作限制。
在本实施例的一个优选方案中,如图3所示,为本发明第一实施例提供的一种基于tensorflow的数据处理方法的步骤S3的具体流程图,该步骤S3具体包括:
步骤S31,将轨迹图片集合分为测试集及训练集;
具体地,获取轨迹图片集合之后,首先需要对轨迹图片集合的顺序打乱,即让轨迹图片乱序,然后随机将轨迹图片集合中的轨迹图片进行分组,分为测试集及训练集,其中,可随机进行分组,此处对此不作限制。
步骤S32,将测试集及训练集输入至tensorflow卷积神经网络模型中进行训练,得到训练数据;
具体地,将测试集及训练集输入至所述tensorflow卷积神经网络模型进行训练迭代,提取轨迹图像特征,得到对应的训练数据;
将该测试集及训练集输入至tensorflow卷积神经网络模型中进行不断的训练及学习,当训练一次后,将训练结果输入至tensorflow卷积神经网络模型再次进行迭代训练,直到训练次数达到预设次数时,停止迭代训练,然后输出最终的训练数据。
本实施例中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
实施例二:
图4示出了本发明第二实施例提供的一种差分定位方法的流程图,该差分定位方法包括:
步骤A1,提取用户的轨迹信息;
具体地,首先提取用户的轨迹信息,该轨迹信息包括预期轨迹信息及真实轨迹信息。
步骤A2,基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合;
具体地,基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合,进一步地,可对轨迹信息进行分段描点,每一段形成对应的轨迹图片,最终形成图片集合。
优选地,基于真实轨迹信息在高精度地图上进行描点,基于预期轨迹信息在高精度地图(同一地图)上进行描点,形成多幅二维图像。
步骤A3,将轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据;
具体地,该tensorflow卷积神经网络模型在使用过程中经历以下进程:
初始化权值、初始化偏置、使用卷积核进行卷积、使用relu激活函数、使用max-pooling进行特征压缩、全连接层输出层;将前述轨迹图片集合输入该模型中进行学习训练,得到对应的训练数据。
步骤A4,基于训练数据进行差分定位运算;
具体地,根据原始的位相数据及该训练数据来进行差分定位运算。
本实施例中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度,也可提高定位精度。
在本实施例的一个优选方案中,该步骤A1之前还包括:
步骤A5,获取用户的数据;
具体地,该用户的数据包括:预期轨迹数据及真实轨迹数据,分别获取预期轨迹数据及真实轨迹数据,其中,可同时获取预期轨迹数据及真实轨迹数据,或者先获取预期轨迹数据后获取真实轨迹数据,或者先获取真实轨迹数据后获取预期轨迹数据,此处对此不作限制。进一步地,该真实轨迹数据可以是用户主动上报的,预期轨迹数据为通过传感器(例如传感器芯片)获取。
实施例三:
如图5所示,为本发明第三实施例提供的一种卫星通信终端的结构图,该终端包括:提取单元1、与提取单元1连接的描点单元2、与描点单元2连接的训练单元3,其中:
提取单元1,用于提取用户的轨迹信息;
具体地,首先提取用户的轨迹信息,该轨迹信息包括预期轨迹信息及真实轨迹信息。
描点单元2,用于基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合;
具体地,基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合,进一步地,可对轨迹信息进行分段描点,每一段形成对应的轨迹图片,最终形成图片集合。
优选地,基于真实轨迹信息在高精度地图上进行描点,基于预期轨迹信息在高精度地图(同一地图)上进行描点,形成多幅二维图像。
训练单元3,用于将轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据;
具体地,该tensorflow卷积神经网络模型在使用过程中经历以下进程:
初始化权值、初始化偏置、使用卷积核进行卷积、使用relu激活函数、使用max-pooling进行特征压缩、全连接层输出层;将前述轨迹图片集合输入该模型中进行学习训练,得到对应的训练数据。
进一步地,该卷积神经网络模型采用SGD(Batch Gradient Descent,随机梯度下降)优化器,评估模型性能的损失函数为交叉熵lost函数,卷积层采用relu激活函数,采用两层卷积加一层池化的结构,最后以全连接层的形式输出。
本实施例中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
在本实施例的一个优选方案中,该终端还包括:与提取单元1连接的获取单元4,其中:
获取单元4,用于获取用户的数据;
具体地,该用户的数据包括:预期轨迹数据及真实轨迹数据,分别获取预期轨迹数据及真实轨迹数据,其中,可同时获取预期轨迹数据及真实轨迹数据,或者先获取预期轨迹数据后获取真实轨迹数据,或者先获取真实轨迹数据后获取预期轨迹数据,此处对此不作限制。进一步地,该真实轨迹数据可以是用户主动上报的,预期轨迹数据为通过传感器(例如传感器芯片)获取。
在本实施例的一个优选方案中,该获取单元1主要用于:
从预期轨迹数据中提取对应的轨迹信息;
具体地,首先对预期轨迹数据进行预处理,该预处理可包括去噪等处理,然后提取NMEA(National Marine Electronics Association,美国国家海洋电子协会)的轨迹信息,该轨迹信息包括对应的经纬度信息,优选地,该轨迹信息包括一个以上轨迹点对应的经纬度信息;
从真实轨迹数据中提取对应的轨迹信息;
具体地,从真实轨迹数据中提取到对应的轨迹信息;
在本实施例的一个优选方案中,该训练单元3具体包括:分组子单元及与其连接的训练子单元,其中:
分组子单元,用于将轨迹图片集合分为测试集及训练集;
具体地,获取轨迹图片集合之后,首先需要对轨迹图片集合的顺序打乱,即让轨迹图片乱序,然后随机将轨迹图片集合中的轨迹图片进行分组,分为测试集及训练集,其中,可随机进行分组,此处对此不作限制。
训练子单元,用于将测试集及训练集输入至tensorflow卷积神经网络模型中进行训练,得到训练数据;
具体地,将测试集及训练集输入至所述tensorflow卷积神经网络模型进行训练迭代,提取轨迹图像特征,得到对应的训练数据;
将该测试集及训练集输入至tensorflow卷积神经网络模型中进行不断的训练及学习,当训练一次后,将训练结果输入至tensorflow卷积神经网络模型再次进行迭代训练,直到训练次数达到预设次数时,停止迭代训练,然后输出最终的训练数据。
本实施例中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
实施例四:
基于上述实施例三,本发明还提出一种差分定位平台,该差分定位平台包括如上述实施例三所述的定位数据处理终端及与其连接的定位单元,其中,所述定位数据处理终端的具体结构及工作原理可参照前述实施例三的描述,此处不再赘述;
定位单元,用于基于训练数据进行差分定位运算,获得差分定位数据。
具体地,根据原始的位相数据及该训练数据来进行差分定位运算。
实施例五:
图6示出了本发明第五实施例提供的一种服务终端的结构图,该服务终端包括:存储器(memory)61、处理器(processor)62、通信接口(Communications Interface)63和总线64,该处理器62、存储器61、通信接口63通过总线64完成相互之间的交互通信。
存储器61,用于存储各种数据;
具体地,存储器61用于存储各种数据,例如通信过程中的数据、接收的数据等,此处对此不作限制,该存储器还包括有多个计算机程序。
通信接口63,用于该服务终端的通信设备之间的信息传输;
处理器62,用于调用存储器61中的各种计算机程序,以执行上述实施例一所提供的一种基于tensorflow的定位数据处理方法,例如:
提取用户的轨迹信息;
基于所提取的轨迹信息在平面地图上描点,形成对应的轨迹图片集合;
将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据。
本实施例中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
本发明还提供一种存储器,该存储器存储有多个计算机程序,该多个计算机程序被处理器调用执行上述实施例一所述的一种基于tensorflow的数据处理方法。
本发明中,采用tensorflow卷积神经网络模型对用户数据进行迭代处理,可提高数据的准确度。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种差分定位方法,其特征在于,包括:
提取用户的轨迹信息;
基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据;
基于所述训练数据进行差分定位运算,获得差分定位数据。
2.根据权利要求1所述的差分定位方法,其特征在于,所述提取用户的轨迹信息之前还包括:
获取用户的数据,所述数据包括预期轨迹数据及真实轨迹数据。
3.根据权利要求2所述的差分定位方法,其特征在于,所述提取用户的轨迹信息包括:
从所述预期轨迹数据中提取对应的轨迹信息;
从所述真实轨迹数据中提取对应的轨迹信息。
4.根据权利要求1所述的差分定位方法,其特征在于,所述将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据包括:
将所述轨迹图片集合分为测试集及训练集;
将所述测试集及训练集输入至tensorflow卷积神经网络模型中进行训练,得到训练数据。
5.根据权利要求4所述的差分定位方法,其特征在于,所述将所述测试集及训练集输入至卷积神经网络模型中进行训练,得到训练数据具体为:
将所述测试集及训练集输入至所述tensorflow卷积神经网络模型进行训练迭代,提取轨迹图像特征,得到对应的训练数据。
6.一种差分定位平台,其特征在于,包括:
提取单元,用于提取用户的轨迹信息;
描点单元,用于基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
训练单元,用于将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据;
定位单元,用于基于所述训练数据进行差分定位运算,获得差分定位数据。
7.一种存储器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被处理器执行如下步骤:
提取用户的轨迹信息;
基于所提取的轨迹信息平面地图上描点,形成对应的轨迹图片集合;
将所述轨迹图片集合输入tensorflow卷积神经网络模型中训练,得到训练数据;
基于所述训练数据进行差分定位运算,获得差分定位数据。
8.一种服务终端,包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的差分定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686584.0A CN109061705B (zh) | 2018-06-27 | 2018-06-27 | 基于tensorflow的数据处理方法及终端、差分定位平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686584.0A CN109061705B (zh) | 2018-06-27 | 2018-06-27 | 基于tensorflow的数据处理方法及终端、差分定位平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109061705A CN109061705A (zh) | 2018-12-21 |
CN109061705B true CN109061705B (zh) | 2022-07-12 |
Family
ID=64818229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810686584.0A Active CN109061705B (zh) | 2018-06-27 | 2018-06-27 | 基于tensorflow的数据处理方法及终端、差分定位平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109061705B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112333625A (zh) * | 2019-11-05 | 2021-02-05 | 重庆邮电大学 | 一种基于Tensorflow的室内指纹定位方法 |
CN110991751A (zh) * | 2019-12-06 | 2020-04-10 | 讯飞智元信息科技有限公司 | 用户生活模式预测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868691A (zh) * | 2016-03-08 | 2016-08-17 | 中国石油大学(华东) | 基于快速区域卷积神经网络的城市车辆追踪方法 |
CN107907895A (zh) * | 2017-11-28 | 2018-04-13 | 千寻位置网络有限公司 | 基于卷积神经网络的云端定位误差修正方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150134651A1 (en) * | 2013-11-12 | 2015-05-14 | Fyusion, Inc. | Multi-dimensional surround view based search |
-
2018
- 2018-06-27 CN CN201810686584.0A patent/CN109061705B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868691A (zh) * | 2016-03-08 | 2016-08-17 | 中国石油大学(华东) | 基于快速区域卷积神经网络的城市车辆追踪方法 |
CN107907895A (zh) * | 2017-11-28 | 2018-04-13 | 千寻位置网络有限公司 | 基于卷积神经网络的云端定位误差修正方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109061705A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Real-time motion tracking on a cellphone using inertial sensing and a rolling-shutter camera | |
JP2017508197A (ja) | オブジェクト認識システムにおける動的な特徴データベース管理のためのインクリメンタル学習 | |
CN109061705B (zh) | 基于tensorflow的数据处理方法及终端、差分定位平台 | |
US20150002663A1 (en) | Systems and Methods for Generating Accurate Sensor Corrections Based on Video Input | |
CN114186632A (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
CN112927234A (zh) | 点云语义分割方法、装置、电子设备和可读存储介质 | |
CN114894205B (zh) | 三维车道线信息生成方法、装置、设备和计算机可读介质 | |
US20210041259A1 (en) | Methods and Systems for Determining Geographic Orientation Based on Imagery | |
CN115115593A (zh) | 一种扫描处理方法、装置、电子设备及存储介质 | |
CN105389812B (zh) | 基于计算机视觉的车载信息终端功能自动测试方法 | |
US11692829B2 (en) | System and method for determining a trajectory of a subject using motion data | |
US11557059B2 (en) | System and method for determining position of multi-dimensional object from satellite images | |
CN107683496B (zh) | 用于3d地图的假设线地图绘制和验证 | |
CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
CN112595330B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN110320496B (zh) | 一种室内定位方法及装置 | |
CN112526571A (zh) | 位姿数据的处理方法、处理装置、处理器和车辆系统 | |
CN115187510A (zh) | 回环检测方法、装置、电子设备及介质 | |
CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
CN113744236A (zh) | 回环检测方法、装置、存储介质及计算机程序产品 | |
CN110853087A (zh) | 一种视差估计方法、装置、存储介质及终端 | |
CN116109478B (zh) | 基于可比性的遥感影像镶嵌处理方法及装置 | |
CN110531395B (zh) | 用于无人车定位的方法、装置和设备 | |
CN111148015B (zh) | 定位方法及装置、移动终端及Android系统的终端、应用系统 | |
CN115830276A (zh) | 基于终端真实尺度跟踪的sfm建图尺度恢复方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |