CN109696698B - 导航定位预测方法、装置、电子设备及存储介质 - Google Patents
导航定位预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109696698B CN109696698B CN201910165074.3A CN201910165074A CN109696698B CN 109696698 B CN109696698 B CN 109696698B CN 201910165074 A CN201910165074 A CN 201910165074A CN 109696698 B CN109696698 B CN 109696698B
- Authority
- CN
- China
- Prior art keywords
- prediction
- position information
- neural network
- positioning
- model
- 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
-
- 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
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)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种导航定位预测方法、装置、电子设备及存储介质,涉及卫星定位技术领域。其中,所述方法包括:获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据;根据所述相邻上一轮预测对应的定位数据,利用神经网络预测模型,确定一预测位置信息;依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据。本方案采用了神经网络预测模型进行预测,利用神经网络预测模型的预测效果更稳定的特性,使得到的预测位置信息受客观条件的影响小、准确度也越高。进而,提高最终导航定位预测的准确性。
Description
技术领域
本发明涉及卫星定位技术领域,具体而言,涉及导航定位预测方法、装置、电子设备及存储介质。
背景技术
卫星定位技术是一种使用卫星对某物进行准确定位的技术。目前卫星定位技术已广泛应用于生活中的各类场景下,为人们的生活提供便利。
直接采用卫星定位技术进行定位,有时会由于各种客观条件的限制,造成比较大的误差。使得,相邻两次准确的定位之间的时间间隔可能会比较长,不适宜进行提供导航类服务。因此,通常基于卫星定位进行导航时,还包括位置预测环节,以矫正直接采用卫星定位时可能出现的误差。
目前,所用的位置预测的方式为:采用通过卫星星历得到的于上一个定位点时的速度、方向,再结合时间间隔,计算得到预测位置。然而,通过卫星星历得到的速度、方向受到卫星星历误差、大气延时误差、多路径、接收机信号跟踪误差、噪声等影响,这些影响都会造成位置预测结果出现过大的偏差,严重影响到导航定位精度。
发明内容
本发明实施例的目的在于提供一种导航定位预测方法、装置、电子设备及存储介质,用于提高导航定位的精确度。
为了实现上述目的,本发明实施例采用的技术方案如下:
本发明实施例第一方面提供了一种导航定位预测方法,所述方法包括:获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据;根据所述相邻上一轮预测对应的定位数据,利用神经网络预测模型,确定一预测位置信息;依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据。
本发明实施例第二方面提供了一种导航定位预测装置,所述装置包括:获取模块、预测模块和确定模块。其中,获取模块,用于获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据;预测模块,用于根据所述相邻上一轮预测对应的定位数据,利用神经网络预测模型,确定一预测位置信息;确定模块,用于依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据。
本发明实施例第三方面提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行以上第一方面的方法。
本发明实施例第四方面提供一种程序产品,例如计算机可读取存储介质,包括程序,该程序在被处理器执行时用于执行以上第一方面的方法。
相对现有技术,本发明实施例提供的导航定位预测方法,先采用神经网络预测模型对相邻上一轮预测对应的定位数据处理得到预测位置信息,再依据得到预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据。神经网络预测模型的预测效果更稳定,受客观条件的影响小,得到的预测位置信息准确度也越高。进而,提高最终导航定位预测的准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的电子设备的方框示意图。
图2示出了本发明实施例提供的导航定位预测方法的步骤流程图。
图3示出了本发明实施例提供的导航定位预测方法的步骤流程图的另一部分。
图4示出了本发明实施例提供的导航定位预测装置的结构示意图。
图标:100-电子设备;101-存储器;102-通信接口;103-处理器;104-总线;200-导航定位预测装置;201-获取模块;202-预测模块;203-确定模块;204-获得模块;205-训练模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
请参照图1,图1示出了本发明实施例提供的电子设备100的方框示意图。电子设备100可以是,但不限于移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(PersonalDigital Assistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中,机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中,电子设备100可以是能采用定位技术的设备。
电子设备100的操作系统可以是,但不限于,Windows系统、Linux系统等。上述电子设备包括存储器101、通信接口102、处理器103和总线104,所述存储器101、通信接口102和处理器103通过总线104连接,处理器103用于执行存储器101中存储的可执行模块,例如计算机程序。其中,存储器101可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口102(可以是有线或者无线)实现该电子设备与外部设备之间的通信连接。
总线104可以是ISA总线104、PCI总线104或EISA总线104等。图2中仅用一个双向箭头表示,但并不表示仅有一根总线104或一种类型的总线104。
其中,存储器101用于存储程序,例如图4所示的导航定位预测装置200。该导航定位预测装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述电子设备的操作系统(operating system,OS)中的软件功能模块。所述处理器103在接收到执行指令后,执行所述程序以实现本发明上述实施例揭示的导航定位预测方法。
处理器103可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器103可以是通用处理器103,包括中央处理器103(Central Processing Unit,简称CPU)、网络处理器103(Network Processor,简称NP)等;还可以是数字信号处理器103(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
第一实施例
请参照图2,图2示出了本发明实施例提供的导航定位预测方法的步骤流程图,应用于电子设备100。导航定位预测方法包括以下步骤:
步骤S101,获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据。
在本发明实施例中,上述观测位置信息可以是通过电子设备100通过GPS单元得到的星历数据得到的定位位置信息。可以理解地,导航定位是一个持续、循环的过程,在导航定位过程中,电子设备100通过GPS单元实时从定位卫星获取星历数据。也就是,在每一轮进行位置预测时,均会对应获取一次观测位置信息。在部分情况下,GPS接收到的星历数据受到的外界干扰比较大,使得到的观测位置信息与真实位置之间存在较大误差,需辅以预测的预测位置信息进行校正。上一轮预测的定位数据,则可以理解为依据上一轮预测得到的预测位置信息和上一轮预测时段内得到的观测位置信息得到的定位信息。
步骤S102,根据相邻上一轮预测对应的定位数据,利用神经网络预测模型,确定一预测位置信息。
在本发明实施例中,上述神经网络预测模型可以是预先训练得到的卷积神经网络模型。神经网络预测模型可以包括适应至少一类场景的神经网络预测模型。比如,可以包括适用于车辆导航定位的神经网络预测模型、适用于船导航定位的神经网络预测模型、适用于步行导航定位的神经网络预测模型等。
上述预测位置信息为预估的电子设备100在本轮预测时段内所处位置信息,上述电子设备100在本轮预测时段内所处的真实位置与预测位置信息之间的偏差与采用的神经网络预测模型精准度有关。
在一些可能的实施例中,可以根据当前的导航定位场景选择对应的神经网络预测模型。将相邻上一轮预测对应的定位数据作为输入值输入确定的对应的神经网络预测模型,再将神经网络预测模型的输出值作为预测位置信息。例如,当前采用本发明实施例提供的导航定位预测方法实现对车辆导航的定位时,则将相邻上一轮预测对应的定位数据作为输入值输入适用于车辆导航定位的神经网络预测模型,以得到对应的预测位置信息。
进一步地,如前所述,前述神经网络预测模型可以是预先训练得到,因此,如图3所示,本发明实施例提供的导航定位预测方法还可以包括以下步骤:
步骤S201,获取训练样本数据。
在本发明实施例中,上述训练样本数据包括多个历史定位数据。上述历史定位数据可以是收集到的导航定位的历史数据。可选地,可以利用不同类场景下采集的历史定位数据训练用于不同场景的神经网络预测模型。可以理解的,每一类场景下采集的历史定位数据均可以包括多个。比如,训练适用于车辆导航定位的神经网络预测模型时,将在车辆导航定位场景下采集到的历史定位数据作为训练样本数据、训练适用于船导航定位的神经网络预测模型时,将在船导航定位场景下采集到的历史定位数据作为训练样本数据、训练适用于步行导航定位的神经网络预测模型时,将在步行导航定位场景下采集到的历史定位数据作为训练样本数据。
步骤S202,利用训练样本数据对预先选定的初始神经网络模型进行训练,以得到神经网络预测模型。
在本发明实施例中,上述初始神经网络模型可以是各隐藏层参数已初始化的、隐藏层层数可调整的卷积神经网络模型。可选地,上述步骤S202可以包括以下步骤:
(1)采用梯度下降法,确定初始神经网络模型的隐藏层层数。
可以理解地,当卷积神经网络模型的隐藏层层数越多最终得到的预测精准度越高,但是随之,模型运行时的系统开销也就越大。
为了确定最适宜导航定位预测的模型,则需确定适宜导航定位预测的模型的隐藏层层数。确定隐藏层层数的方式可以是:先利用训练样本数据对初始神经网络模型进行训练,并获取其识别精度。将初始神经网络模型增加固定数目的隐藏层层数,重复利用训练样本数据增加了隐藏层层数的初始神经网络模型进行训练,及获取其识别精度。直至获取的识别精度与本轮增加隐藏层前的识别精度之间的变化量不超过指定阈值,则将增加后的隐藏层层数确定为最终确定的初始神经网络模型的隐藏层层数。在本发明实施例中,随着隐藏层层数的增加,初始神经网络模型被训练后的识别精度越高,与此同时,被训练后的模型运行时的系统开销也就越大。另外,随着隐藏层的层数增加,其识别精度的增幅逐渐变小。因此,为了确定一个最适合的模型结构,可以是确定模型的隐藏层层数。通过增加隐藏层后的识别精度与增加前的识别精度之间的变化量,确定模型最佳的隐藏层层数。
为了方便对上述步骤进行说明,下面以一实例进行描述:
初始神经网络模型初始状态时包括一层隐藏层,利用训练样本数据进行模型训练后,获取其识别精度为70%。将初始神经网络模型增加为二层隐藏层,在对二层隐藏层的初始神经网络模型进行训练后,获取其识别精度为80%,本轮隐藏层增加前后对应的识别精度之间的变化量为10%,预设的指定阈值为2%,则需要继续增加隐藏层。将初始神经网络模型的隐藏层增加到三层,对三层隐藏层的初始神经网络模型进行训练后,获取其识别精度为88%,本轮隐藏层增加前后对应的识别精度之间的变化量为8%,依然大于指定阈值,则需要继续增加隐藏层。将初始神经网络模型的隐藏层增加到四层,对四层隐藏层的初始神经网络模型进行训练后,获取其识别精度为93%,本轮隐藏层增加前后对应的识别精度之间的变化量为5%依然大于指定阈值,则需要继续增加隐藏层。将初始神经网络模型的隐藏层增加到五层,对五层隐藏层的初始神经网络模型进行训练后,获取其识别精度为95%,本轮隐藏层增加前后对应的识别精度之间的变化量为2%,此时不超过指定阈值,将五层隐藏层确定为最终的初始神经网络模型的层数。
(2)采用确定后的所述初始神经网络模型对所述训练样本数据进行学习,以调整各隐藏层节点的节点参数,以得到所述神经网络预测模型。
可选地,利用训练样本数据对确定后的所述初始神经网络模型进行训练,以得到神经网络预测模型。具体地,可以先将训练样本数据随机分为两部分,一部分为作为训练集、另一部分作为测试集。采用训练集对确定了隐藏层层数的初始神经网络模型进行训练,调整初始神经网络模型各隐藏层的参数,以得到神经网络预测模型。
在一些优选的实施例中,为了提高得到的神经网络预测模型的鲁棒性,在步骤S201之后,还可以包括对所述训练样本数据进行镜像处理。
进一步地,上述步骤S202,还可以是:利用镜像处理后的训练样本数据,结合正则化处理机制及随机消除神经网络节点的处理机制,对预先选定的初始神经网络模型进行训练,从而抑制过拟合的现象。
步骤S103,依据预测位置信息及观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据。
在本发明实施例中,可以是依据预测位置信息及观测位置信息,结合卡尔曼滤波算法,得到本轮预测对应的所述定位数据。具体地,可以是根据所述预测位置信息及观测位置信息,利用如下公式本轮预测对应的所述定位数据:
Xk=Xk-+Kk(Yk-CXk-);
Kk=Pk-CT(CPk-CT+R)-1;
其中,Kk代表卡尔曼增益;Pk-代表先验估计误差均方阵,所述先验估计误差均方阵由相邻上一轮预测对应的先验估计误差均方阵及过程噪声的协方差矩阵确定。具体地,Pk-=APk-1AT+Q,Q是过程噪声的协方差矩阵。C代表测量关系矩阵;R是测量误差协方差矩阵;所述C和R均为常系数矩阵;Xk代表本轮预测对应的所述定位数据;Xk-代表预测位置信息;Yk代表所述观测位置信息。
基于上述,可知在第k历元下Kk是关于Pk-的函数,假设Pk-值很大,使得R值相对于CPk-CT而言趋向于零,那么Kk就趋向于C-1,对应地,Xk就接近C-1Yk,也就是观测位置信息可以更很准确表征本轮预测时段内电子设备100的真实位置;反之Xk-可以更很准确表征本轮预测时段内电子设备100的真实位置。
作为一种实施方式,上述步骤S103还可以是:依据预测位置信息及观测位置信息,结合星历数据分别计算预测位置信息对应的伪距和多普勒频移、观测位置信息对应的伪距和多普勒频移。依据预测位置信息对应的伪距和多普勒频移、观测位置信息对应的伪距和多普勒频移,计算测量残差;根据测量残差,结合卡尔曼滤波模型进行处理,最终处理得到本轮预测对应的定位数据。
第二实施例
请参照图4,图4示出了本发明实施例提供的导航定位预测装置200的方框示意图。上述导航定位预测装置200应用于电子设备100,其包括获取模块201、预测模块202、确定模块203、获得模块204及训练模块205。
上述获取模块201用于获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据。
在本发明实施例中,上述步骤S101可以由获取模块201执行。
上述预测模块202用于根据所述相邻上一轮预测对应的定位数据,利用存储的神经网络预测模型,确定一预测位置信息。
在本发明实施例中,上述步骤S102可以由预测模块202执行。
上述确定模块203用于依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据。
在本发明实施例中,上述步骤S103可以由确定模块203执行。
上述获得模块204用于获取训练样本数据;所述训练样本数据包括多个历史定位数据。
在本发明实施例中,上述步骤S201可以由获得模块204执行。
上述训练模块205用于利用所述训练样本数据分别对预先选定的至少一个初始神经网络模型进行训练,以得到至少一个待选神经网络模型。
在本发明实施例中,上述步骤S202可以由训练模块205执行。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还揭示了一种计算机可读取存储介质,其上存储有计算机程序,所述计算机程序被处理器103执行时实现本发明前述实施例揭示的方法。
综上所述,本发明提供的一种导航定位预测方法、装置、电子设备及存储介质,所述方法包括:获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据;根据所述相邻上一轮预测对应的定位数据,利用神经网络预测模型,确定一预测位置信息;依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据。本方案采用了神经网络预测模型进行预测,利用神经网络预测模型的预测效果更稳定的特性,使预测结果受客观条件的影响小,得到的预测位置信息准确度也越高。进而,提高最终导航定位预测的准确性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (7)
1.一种导航定位预测方法,其特征在于,所述方法包括:
获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据;
根据所述相邻上一轮预测对应的定位数据,利用神经网络预测模型,确定一预测位置信息;
依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据;
所述方法还包括:
获取训练样本数据;所述训练样本数据包括多个历史定位数据;
利用所述训练样本数据对预先选定的初始神经网络模型进行训练,以得到所述神经网络预测模型;其中,包括:采用梯度下降法,确定所述初始神经网络模型的隐藏层层数;
采用确定后的所述初始神经网络模型对所述训练样本数据进行学习,以调整各隐藏层节点的节点参数,以得到所述神经网络预测模型。
2.如权利要求1所述的导航定位预测方法,其特征在于,在所述获取训练样本数据之后,所述方法还包括:对所述训练样本数据进行镜像处理;
所述利用所述训练样本数据对预先选定的初始神经网络模型进行训练的步骤包括:利用镜像处理后的训练样本数据,结合正则化处理机制及随机消除神经网络节点的处理机制,对预先选定的初始神经网络模型进行训练。
3.如权利要求1所述的导航定位预测方法,其特征在于,依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据的步骤包括:
依据所述预测位置信息及观测位置信息,结合卡尔曼滤波算法,得到本轮预测对应的所述定位数据。
5.一种导航定位预测装置,其特征在于,所述装置包括:
获取模块,用于获取本轮预测对应的观测位置信息及相邻上一轮预测对应的定位数据;
预测模块,用于根据所述相邻上一轮预测对应的定位数据,利用神经网络预测模型,确定一预测位置信息;
确定模块,用于依据所述预测位置信息及所述观测位置信息,结合滤波处理模型,得到本轮预测对应的定位数据;
所述装置还包括:
获得模块,用于获取训练样本数据;所述训练样本数据包括多个历史定位数据;
训练模块,用于利用所述训练样本数据对预先选定的初始神经网络模型进行训练,以得到所述神经网络预测模型;其中,具体用于采用梯度下降法,确定所述初始神经网络模型的隐藏层层数;采用确定后的所述初始神经网络模型对所述训练样本数据进行学习,以调整各隐藏层节点的节点参数,以得到所述神经网络预测模型。
6.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至4任一所述的导航定位预测方法的步骤。
7.一种计算机可读取存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910165074.3A CN109696698B (zh) | 2019-03-05 | 2019-03-05 | 导航定位预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910165074.3A CN109696698B (zh) | 2019-03-05 | 2019-03-05 | 导航定位预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109696698A CN109696698A (zh) | 2019-04-30 |
CN109696698B true CN109696698B (zh) | 2021-03-12 |
Family
ID=66233900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910165074.3A Active CN109696698B (zh) | 2019-03-05 | 2019-03-05 | 导航定位预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109696698B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110422767B (zh) * | 2019-06-27 | 2020-09-29 | 三一海洋重工有限公司 | 对吊具定位的方法、装置及系统 |
US20210001981A1 (en) * | 2019-07-02 | 2021-01-07 | Nokia Solutions And Networks Oy | Position determination of mobile objects |
CN110334651B (zh) * | 2019-07-05 | 2023-06-23 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的变电站坐标校验方法 |
CN111811507B (zh) * | 2020-04-08 | 2022-05-17 | 北京嘀嘀无限科技发展有限公司 | 移动设备姿态的确定方法、装置、存储介质及电子设备 |
CN113543305A (zh) * | 2020-04-22 | 2021-10-22 | 维沃移动通信有限公司 | 定位方法、通信设备和网络设备 |
CN113221450B (zh) * | 2021-04-27 | 2024-03-12 | 中国科学院国家空间科学中心 | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
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 |
CN113467250B (zh) * | 2021-07-27 | 2022-01-07 | 浙江中裕通信技术有限公司 | 基于北斗导航和数据驱动的船舶航向及其区域估计方法 |
TWI803165B (zh) * | 2022-01-24 | 2023-05-21 | 台灣松下電器股份有限公司 | 遠端監控的顯示方法 |
CN114742291A (zh) * | 2022-03-30 | 2022-07-12 | 阿里巴巴(中国)有限公司 | 偏航率预测方法、装置、设备、可读存储介质及程序产品 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5402520A (en) * | 1992-03-06 | 1995-03-28 | Schnitta; Bonnie S. | Neural network method and apparatus for retrieving signals embedded in noise and analyzing the retrieved signals |
CN104569907B (zh) * | 2014-09-04 | 2017-05-17 | 深圳市金溢科技股份有限公司 | 基于神经网络的无线定位方法、系统及路侧单元 |
CN105549049B (zh) * | 2015-12-04 | 2018-10-02 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
CN105510942A (zh) * | 2015-12-27 | 2016-04-20 | 哈尔滨米米米业科技有限公司 | 一种基于卡尔曼滤波的gps单点定位系统 |
CN106934408A (zh) * | 2015-12-29 | 2017-07-07 | 北京大唐高鸿数据网络技术有限公司 | 基于卷积神经网络的身份证照片分类方法 |
CN106093849B (zh) * | 2016-06-03 | 2018-05-25 | 清华大学深圳研究生院 | 一种基于测距和神经网络算法的水下定位方法 |
CN105891863B (zh) * | 2016-06-16 | 2018-03-20 | 东南大学 | 一种基于高度约束的扩展卡尔曼滤波定位方法 |
CN107871099A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 人脸定位方法和装置 |
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 |
CN108876822B (zh) * | 2018-07-09 | 2020-11-20 | 山东大学 | 一种行为危险度评估方法及家庭安防看护系统 |
-
2019
- 2019-03-05 CN CN201910165074.3A patent/CN109696698B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109696698A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109696698B (zh) | 导航定位预测方法、装置、电子设备及存储介质 | |
US20200158883A1 (en) | Systems and methods for reduced-outlier satellite positioning | |
CN111263900B (zh) | 用于组合传感器数据的方法和系统 | |
JP6907083B2 (ja) | 搬送波伝播距離のアンビギュイティ推定用分散カルマン・フィルタ・アーキテクチャ | |
US7522090B2 (en) | Systems and methods for a terrain contour matching navigation system | |
US20140347219A1 (en) | Receivers and methods for multi-mode navigation | |
CN111077555B (zh) | 一种定位方法及装置 | |
Ivanov | Real-time GPS track simplification algorithm for outdoor navigation of visually impaired | |
US6609080B1 (en) | Multiple-model navigation filter with hybrid positioning | |
CN112327340B (zh) | 终端定位精度评估方法、装置、设备以及介质 | |
KR20160139065A (ko) | 하나 이상의 온보드 센서들에 기초한 모바일 디바이스의 무선 신호-기반 포지셔닝 능력에 영향을 주는 기법들 | |
CN114384569A (zh) | 终端定位方法、装置、设备以及介质 | |
CN111380521B (zh) | 一种gnss/mems惯性组合芯片定位算法中的多路径滤波方法 | |
CN112556696B (zh) | 一种对象定位方法、装置、计算机设备以及存储介质 | |
US20180180420A1 (en) | Method and System for Improving Inertial Measurement Unit Sensor Signals | |
JP2012233800A (ja) | マルチセンサ判定装置及びプログラム | |
CN115902963A (zh) | 一种单点定位数据处理方法、装置、电子设备及存储介质 | |
KR101141984B1 (ko) | Dr/gps 데이터 융합 방법 | |
EP2813864A2 (en) | Receivers and methods for multi-mode navigation | |
US20110181462A1 (en) | System and Method for Positioning with GNSS Using Multiple Integer Candidates | |
US9678215B2 (en) | Correlated GPS pseudorange error estimation method | |
CN111123323B (zh) | 一种提高便携设备定位精度的方法 | |
CN116917771A (zh) | 用于借助卡尔曼滤波器确定至少一个系统状态的方法 | |
JP2014153113A (ja) | 速度推定装置及びプログラム | |
Rastorguev | To the question of the stability of the Kalman filter in integrated navigation system of transport means |
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 |