CN109781094A - 基于循环神经网络的地磁定位系统 - Google Patents
基于循环神经网络的地磁定位系统 Download PDFInfo
- Publication number
- CN109781094A CN109781094A CN201811580981.6A CN201811580981A CN109781094A CN 109781094 A CN109781094 A CN 109781094A CN 201811580981 A CN201811580981 A CN 201811580981A CN 109781094 A CN109781094 A CN 109781094A
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- module
- neural network
- earth magnetism
- data
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 230000005389 magnetism Effects 0.000 title claims abstract description 55
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims abstract description 70
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000001537 neural effect Effects 0.000 claims abstract description 17
- 230000033001 locomotion Effects 0.000 claims abstract description 14
- 230000003068 static effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 19
- 206010027476 Metastases Diseases 0.000 claims description 17
- 230000009401 metastasis Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000009415 formwork Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical group OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种基于循环神经网络的地磁定位系统，包括：磁场及加速度传感器数据获取模块、磁场信号预处理模块、神经网络训练模块、定位模块和输出模块，其中：磁场及加速度传感器数据获取模块和磁场信号预处理模块相连并传输磁场信息以及行人运动或静止时的加速度信息，磁场信号预处理模块分别与神经网络训练模块和定位模块相连并传输预处理后的磁场序列，神经网络训练模块和定位模块相连并传输训练后的地磁序列信息，定位模块和输出模块相连并传输定位结果。通过手机传感器获取磁场和加速度数据，进行预处理和训练后进行定位，然后输出结果应用于室内定位中，效率高，功耗少，需要安装的设备少。
Description
技术领域
本发明涉及的是一种定位与导航领域的技术，具体是一种基于循环神经网络的地磁定位系统。
背景技术
随着全球导航卫星系统的快速发展，基于位置的服务越来越广泛的应用于室外环境。然而，全球导航卫星系统的卫星信号在室内衰减严重甚至丢失。但近几年室内定位在诸如紧急救援、医疗保健和商业信息指引等领域中都有广泛的需求。室内环境利用地磁场实现室内行人定位是可行的。
在现有的行人室内定位技术中，主要是应用室内的设备产生的信号，例如Wi-Fi信号，手机基站信息，室内伪卫星信号等，但是基于泛在信号的定位方案具有以下一些缺陷：
1、利用设备产生的信号进行室内定位，需要安装信号发射设备，这些设备会因为供电或一些其他外部因素停止工作，在一些关键的时刻和场所会影响定位效果，造成不必要的损失。
2、获取定位信号所需的手机能耗比较高，Wi-Fi信号接收器、GPS信号接收器等信号接收器的功耗较高，不利于手机提供长时间的定位服务。
3、需要安装大量的设备，造成室内定位服务的成本上升。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于循环神经网络的地磁定位系统，通过手机传感器获取磁场和加速度数据，进行预处理和训练后进行定位，然后输出结果应用于室内定位中，效率高，功耗少，无需安装其他设备。
本发明是通过以下技术方案实现的：
本发明包括：磁场及加速度传感器数据获取模块、磁场信号预处理模块、神经网络训练模块、定位模块和输出模块，其中：磁场及加速度传感器数据获取模块和磁场信号预处理模块相连并传输磁场信息以及行人运动或静止时的加速度信息，磁场信号预处理模块分别与神经网络训练模块和定位模块相连并传输预处理后的磁场序列，神经网络训练模块和定位模块相连并传输训练后的地磁序列信息，定位模块和输出模块相连并传输定位结果，输出模块接收定位结果并输出行人精确位置的估计结果应用于地图上。
所述的磁场及加速度传感器数据获取模块包括：磁场及加速度传感器模块、低通滤波器、零速检测模块和磁场数据截取输出模块，其中：磁场及加速度传感器模块与低通滤波器相连并传输加速度数据，磁场及加速度传感器与磁场数据截取输出模块相连并传输地磁数据；低通滤波器与零速检测模块相连并处理加速度数据，零速检测模块与磁场数据截取输出模块相连并传输处理后的加速度数据，磁场数据截取输出模块与磁场信号预处理模块相连并传输原始的磁场数据和行人运动开始和终止的时刻。
所述的磁场及加速度传感器模块包括：三轴磁力传感器和三轴加速度传感器，其中：三轴磁力传感器与磁场数据截取输出模块相连并传输磁场数据，三轴加速度传感器与低通滤波器相连并传输加速度数据。
所述的三轴磁力传感器的采样频率不小于100Hz。
所述的磁场信号预处理模块包括：磁场数据平滑模块和磁场数据归一化模块，其中：磁场数据平滑模块与磁场数据截取输出模块相连接收原始磁场信息，磁场数据平滑模块与磁场数据归一化模块相连对磁场序列信息进行预处理并传输给地磁序列位置标注模块和定位模块。
所述的神经网络训练模块包括：地磁序列位置标注模块、神经网络模块和概率转移模型模块，其中：地磁序列位置标注模块与磁场数据归一化模块相连并接收预处理后的磁场序列信息，地磁序列位置标注模块与神经网络模块相连并传输位置分割并标注后的地磁序列信息，神经网络模块与概率转移模型模块相连对地磁序列进行训练，概率转移模型模块与定位模块相连并传输训练后的地磁序列信息。
所述的神经网络采用基于LSTM的双向三层循环神经网络，其包含两层全连接神经网络，循环神经网络与全连接神经网络相连并传输特征抽取并重新编码后的地磁序列到全连接神经网络中，全连接神经网络与条件随机场相连并传输每一个分类定位的短序列，条件随机场输出最终结果。
本发明涉及一种基于该上述系统的定位方法，包括以下步骤：
1)采集磁场以及加速度传感器数据，并对加速度数据进行预处理得到行人的初始运动时间；
2)对采集到的磁场序列进行平滑与归一化处理；
3)采用经标注的平滑和归一化之后的磁场序列对神经网络进行训练；
4)处理在线获取未标注的平滑和归一化之后的磁场数据，输出定位结果；
5)接收定位结果，输出行人精确位置的估计结果，供地图等应用使用。
所述的预处理是指：磁场及加速度传感器模块传输给低通滤波器加速度数据，通过低通滤波器和零速检测模块处理加速度数据，去掉加速度数据中的高频噪声，对平滑的数据进行运动时刻检测，输出行人运动开始和运动结束时刻。
所述的平滑与归一化处理是指：磁场数据平滑模块通过信号平滑的算法对地磁信号进行预处理，磁场数据归一化模块使用当地磁场的标准磁场强度作为基准，用获取到的磁场数据与当地磁场的标准磁场强度相减，得到的差再除以当地标准磁场强度，得到归一化之后的磁场序列。
所述的数据平滑的方法为移动窗口最小二乘多项式平滑数据平滑算法。
所述的训练是指：获取到预处理后的磁场序列信息，对磁场序列进行分割，将分割后并标注的地磁序列送入神经网络和概率转移模型中进行训练，通过反向传播算法，改变神经网络中节点的权重，神经网络的输出直接输入到概率转移模型中，最终由概率转移模型的输出决定反向传播的残差。
所述的分割方式是指：按时间长度分割，根据行人行走过程中采样点的数量进行分割，将行人走过的一整段地磁序列，分割成小段短的地磁序列；对每一小段地磁序列进行标注，每小段地磁序列都标注为其在地图中的位置坐标。
所述的处理在线获取未标注的平滑和归一化之后的磁场数据是指：接收到地磁序列后，以每段采样点的数量相同的分割方式对磁场序列进行分割，分割后的地磁序列输入由神经网络训练模块训练完成的循环神经网络中。
所述的对神经网络进行训练，其条件随机场的输出与真值计算残差，进行反向传播计算；通过条件随机场与全连接层网络的连接，残差的计算反向传播到神经网络模块中，改变神经网络模块中参数的权重；在定位过程中，条件随机场的输出结果包括：连续和单点的定位结果。
技术效果
与现有技术相比，本发明通过手机传感器获取磁场和加速度数据，进行预处理和训练后进行定位，然后输出结果应用于室内定位中，效率高，功耗少，需要安装的设备少。
附图说明
图1为本发明总体结构原理图；
图2为本发明磁场及加速度传感器数据获取模块的结构原理图；
图3为本发明磁场序列数据预处理模块的结构原理图；
图4为本发明基于循环神经网络算法的地磁定位网络训练过程原理图；
图5为本发明基于地磁定位方法的神经网络结构原理图；
其中：磁场及加速度传感器数据获取模块1、磁场信号预处理模块2、神经网络训练模块3、定位模块4、输出模块5、低通滤波器6、零速检测模块7、磁场数据截取输出模块8、磁场数据平滑模块9、磁场数据归一化模块10、地磁序列位置标注模块11、神经网络模块12、概率转移模型模块13、磁场及加速度传感器模块14、三轴磁力传感器15、三轴加速度传感器16、全连接神经网络17、条件随机场18。
具体实施方式
如图1所示，为本实施例涉及的一种基于循环神经网络的地磁定位系统，其中包含：磁场及加速度传感器数据获取模块1、磁场信号预处理模块2、神经网络训练模块3、定位模块4和输出模块5，其中：磁场及加速度传感器数据获取模块1和磁场信号预处理模块2相连并传输磁场信息以及行人运动或静止时的加速度信息，磁场信号预处理模块2分别与神经网络训练模块3和定位模块4相连并传输预处理后的磁场序列，神经网络训练模块3和定位模块4相连并传输训练后的地磁序列信息，定位模块4和输出模块5相连并传输定位结果，输出模块5接收定位结果并输出行人精确位置的估计结果应用于地图上。
所述的磁场及加速度传感器数据获取模块1包括：磁场及加速度传感器模块14、低通滤波器6、零速检测模块7和磁场数据截取输出模块8，其中：磁场及加速度传感器14与低通滤波器6相连并传输加速度数据，磁场及加速度传感器模块14与磁场数据截取输出模块8相连并传输地磁数据；低通滤波器6与零速检测模块7相连并处理加速度数据，零速检测模块7与磁场数据截取输出模块8相连并传输处理后的加速度数据，磁场数据截取输出模块8与磁场信号预处理模块2相连并传输原始的磁场数据和行人运动开始和终止的时刻。
所述的磁场及加速度传感器模块14包括：三轴磁力传感器15和三轴加速度传感器16，其中：三轴磁力传感器15与磁场数据截取输出模块8相连并传输磁场数据，三轴加速度传感器16与低通滤波器6相连并传输加速度数据。
所述的三轴磁力传感器15的采样频率不小于100Hz。
所述的磁场信号预处理模块2包括：磁场数据平滑模块9和磁场数据归一化模块10，其中：磁场数据平滑模块9与磁场数据截取输出模块8相连接收原始磁场信息，磁场数据平滑模块9与磁场数据归一化模块10相连对磁场序列信息进行预处理并传输给地磁序列位置标注模块11和定位模块4。
所述的神经网络训练模块3包括：地磁序列位置标注模块11、神经网络模块12和概率转移模型模块13，其中：地磁序列位置标注模块11与磁场数据归一化模块10相连并接收预处理后的磁场序列信息，地磁序列位置标注模块11与神经网络模块12相连并传输位置分割并标注后的地磁序列信息，神经网络模块12与概率转移模型模块13相连对地磁序列进行训练，概率转移模型模块13与定位模块4相连并传输训练后的地磁序列信息。
所述的基于神经网络定位模块4与磁场数据归一化模块10和概率转移模型模块13相连并接收地磁序列，基于神经网络定位模块4与输出模块5相连并传输定位结果。
一种基于该上述系统的应用方法，包括以下步骤：
1)采集磁场以及加速度传感器数据，并对加速度数据进行预处理得到行人的初始运动时间；
2)对采集到的磁场序列进行平滑与归一化处理；
3)采用经标注的平滑和归一化之后的磁场序列对神经网络进行训练；
4)处理在线获取未标注的平滑和归一化之后的磁场数据，输出定位结果；
5)接收定位结果，输出行人精确位置的估计结果，供地图等应用使用。
所述的预处理为：三轴加速度传感器16传输给低通滤波器6加速度数据，通过低通滤波器6和零速检测模块7处理加速度数据，去掉加速度数据中的高频噪声，对平滑的数据进行运动时刻检测，输出行人运动开始和运动结束时刻。
所述的平滑与归一化处理为：磁场数据平滑模块9通过信号平滑的算法对地磁信号进行预处理，磁场数据归一化模块10使用当地磁场的标准磁场强度作为基准，用获取到的磁场数据与当地磁场的标准磁场强度相减，得到的差再除以当地标准磁场强度，得到归一化之后的磁场序列。
以上海为例，上海标准磁场强度为48uT，在实现过程中使用通过采集获取到的数据为：N＝(D-48)/48。
所述的数据平滑的方法为移动窗口最小二乘多项式平滑数据平滑算法。
所述的训练为：获取到预处理后的磁场序列信息，对磁场序列进行分割，将分割后并标注的地磁序列送入神经网络和概率转移模型中进行训练，通过反向传播算法，改变神经网络中节点的权重，神经网络的输出直接输入到概率转移模型中，最终由概率转移模型的输出决定反向传播的残差。
所述的分割方式为：按时间长度分割，根据行人行走过程中采样点的数量进行分割，将行人走过的一整段地磁序列，分割成小段短的地磁序列；对每一小段地磁序列进行标注，每小段地磁序列都标注为其在地图中的位置坐标。
在标注的过程中，采样点的数据为40，通过多次匀速行走的方式，取平均值，对数据进行标注，具体描述为，在同一个路径上反复匀速走，由于采样率是相同的，行走速度相同，所以能够实现在同一路径上的采样点数量相同，将初始位置与终止位置内直线的坐标平均划分到每个小段地磁序列上。
所述的处理在线获取未标注的平滑和归一化之后的磁场数据为：接收到地磁序列后，以每段采样点的数量相同的分割方式对磁场序列进行分割，分割后的地磁序列输入由神经网络训练模块训练完成的循环神经网络中，输出定位结果。
所述的神经网络为：基于LSTM的双向的循环神经网络，网络层数中循环神经网络层数为三层，全连接神经网络的层数为二层，其中：循环神经网络与全连接神经网络17相连并传输特征抽取并重新编码后的地磁序列到全连接神经网络17中，全连接神经网络17与条件随机场18相连并传输每一个分类定位的短序列，条件随机场18输出最终结果。
在训练过程中，条件随机场18的输出与真值计算残差，进行反向传播计算；通过条件随机场与全连接层网络17的连接，残差的计算反向传播到神经网络模块12中，改变神经网络模块12中参数的权重；在定位过程中，条件随机场18的输出结果包括：连续和单点的定位结果。
本实施例通过PyTorch的开源网络结构实现了神经网络，并使用基于CUDA结构的GTX1080ti显卡进行训练和定位处理，手机端使用安卓操作系统，获取地磁数据，并传入服务器进行运算。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种基于循环神经网络的地磁定位系统，其特征在于，包括：磁场及加速度传感器数据获取模块、磁场信号预处理模块、神经网络训练模块、定位模块和输出模块，其中：磁场及加速度传感器数据获取模块和磁场信号预处理模块相连并传输磁场信息以及行人运动或静止时的加速度信息，磁场信号预处理模块分别与神经网络训练模块和定位模块相连并传输预处理后的磁场序列，神经网络训练模块和定位模块相连并传输训练后的地磁序列信息，定位模块和输出模块相连并传输定位结果；
所述的磁场及加速度传感器数据获取模块包括：磁场及加速度传感器模块、低通滤波器、零速检测模块和磁场数据截取输出模块，其中：磁场及加速度传感器与低通滤波器相连并传输加速度数据，磁场及加速度传感器与磁场数据截取输出模块相连并传输地磁数据；低通滤波器与零速检测模块相连并处理加速度数据，零速检测模块与磁场数据截取输出模块相连并传输处理后的加速度数据，磁场数据截取输出模块与磁场信号预处理模块相连并传输原始的磁场数据和行人运动开始和终止的时刻；
所述的磁场信号预处理模块包括：磁场数据平滑模块和磁场数据归一化模块，其中：磁场数据平滑模块与磁场数据截取输出模块相连接收原始磁场信息，磁场数据平滑模块与磁场数据归一化模块相连对磁场序列信息进行预处理并传输给地磁序列位置标注模块和定位模块；
所述的神经网络训练模块包括：地磁序列位置标注模块、神经网络模块和概率转移模型模块，其中：地磁序列位置标注模块与磁场数据归一化模块相连并接收预处理后的磁场序列信息，地磁序列位置标注模块与神经网络模块相连并传输位置分割并标注后的地磁序列信息，神经网络模块与概率转移模型模块相连对地磁序列进行训练，概率转移模型模块与定位模块相连并传输训练后的地磁序列信息。
2.根据权利要求1所述的地磁定位系统，其特征是，所述的磁场及加速度传感器模块包括：三轴磁力传感器和三轴加速度传感器，其中：三轴磁力传感器与磁场数据截取输出模块相连并传输磁场数据，三轴加速度传感器与低通滤波器相连并传输加速度数据。
3.根据权利要求1所述的地磁定位系统，其特征是，所述的神经网络采用基于LSTM的双向三层循环神经网络，其包含两层全连接神经网络，循环神经网络与全连接神经网络相连并传输特征抽取并重新编码后的地磁序列到全连接神经网络中，全连接神经网络与条件随机场相连并传输每一个分类定位的短序列，条件随机场输出最终结果。
4.一种基于权利要求1-3中任一所述系统的定位方法，其特征在于，包括以下步骤：
1)采集磁场以及加速度传感器数据，并对加速度数据进行预处理得到行人的初始运动时间；
2)对采集到的磁场序列进行平滑与归一化处理；
3)采用经标注的平滑和归一化之后的磁场序列对神经网络进行训练；
4)处理在线获取未标注的平滑和归一化之后的磁场数据，输出定位结果；
5)接收定位结果，输出行人精确位置的估计结果。
5.根据权利要求4所述的方法，其特征是，所述的预处理是指：磁场及加速度传感器模块传输给低通滤波器加速度数据，通过低通滤波器和零速检测模块处理加速度数据，去掉加速度数据中的高频噪声，对平滑的数据进行运动时刻检测，输出行人运动开始和运动结束时刻。
6.根据权利要求4所述的方法，其特征是，所述的平滑与归一化处理是指：磁场数据平滑模块通过信号平滑的算法对地磁信号进行预处理，磁场数据归一化模块使用当地磁场的标准磁场强度作为基准，用获取到的磁场数据与当地磁场的标准磁场强度相减，得到的差再除以当地标准磁场强度，得到归一化之后的磁场序列。
7.根据权利要求6所述的方法，其特征是，所述的数据平滑的方法为移动窗口最小二乘多项式平滑数据平滑算法。
8.根据权利要求4所述的方法，其特征是，所述的训练是指：获取到预处理后的磁场序列信息，对磁场序列进行分割，将分割后并标注的地磁序列送入神经网络和概率转移模型中进行训练，通过反向传播算法，改变神经网络中节点的权重，神经网络的输出直接输入到概率转移模型中，最终由概率转移模型的输出决定反向传播的残差。
9.根据权利要求8所述的方法，其特征是，所述的分割方式是指：按时间长度分割，根据行人行走过程中采样点的数量进行分割，将行人走过的一整段地磁序列，分割成小段短的地磁序列；对每一小段地磁序列进行标注，每小段地磁序列都标注为其在地图中的位置坐标。
10.根据权利要求4所述的方法，其特征是，所述的处理在线获取未标注的平滑和归一化之后的磁场数据是指：接收到地磁序列后，以每段采样点的数量相同的分割方式对磁场序列进行分割，分割后的地磁序列输入由神经网络训练模块训练完成的循环神经网络中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811580981.6A CN109781094A (zh) | 2018-12-24 | 2018-12-24 | 基于循环神经网络的地磁定位系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811580981.6A CN109781094A (zh) | 2018-12-24 | 2018-12-24 | 基于循环神经网络的地磁定位系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109781094A true CN109781094A (zh) | 2019-05-21 |
Family
ID=66498165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811580981.6A Pending CN109781094A (zh) | 2018-12-24 | 2018-12-24 | 基于循环神经网络的地磁定位系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109781094A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111256684A (zh) * | 2020-01-18 | 2020-06-09 | 杭州电子科技大学 | 一种基于多层门控循环单元网络的地磁室内定位方法 |
| CN111735478A (zh) * | 2020-08-19 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于lstm的行人实时导航零速检测方法 |
| CN112367614A (zh) * | 2020-10-27 | 2021-02-12 | 华南师范大学 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
| CN114143874A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于无线基站场强频度的精确定位方法 |
| CN114440888A (zh) * | 2022-01-14 | 2022-05-06 | 中山大学 | 基于序列分组滑动窗口的室内定位方法及装置 |
| WO2023185687A1 (zh) * | 2022-03-26 | 2023-10-05 | 华为技术有限公司 | 车辆位置的获取方法及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105263113A (zh) * | 2015-10-26 | 2016-01-20 | 深圳大学 | 一种基于众包的WiFi位置指纹地图构建方法及其系统 |
| CN105740226A (zh) * | 2016-01-15 | 2016-07-06 | 南京大学 | 使用树形神经网络和双向神经网络实现中文分词 |
| CN105910601A (zh) * | 2016-05-31 | 2016-08-31 | 天津大学 | 一种基于隐马尔科夫模型的室内地磁定位方法 |
| CN106643715A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 一种基于bp神经网络改善的室内惯性导航方法 |
| CN106846729A (zh) * | 2017-01-12 | 2017-06-13 | 山东大学 | 一种基于卷积神经网络的跌倒检测方法和系统 |
| CN107421535A (zh) * | 2017-05-22 | 2017-12-01 | 上海交通大学 | 一种基于磁场特征和加速度信息计步的室内行人定位系统 |
| CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
| CN107635204A (zh) * | 2017-09-27 | 2018-01-26 | 深圳大学 | 一种运动行为辅助的室内融合定位方法及装置、存储介质 |
| CN108720841A (zh) * | 2018-05-22 | 2018-11-02 | 上海交通大学 | 基于云检测的可穿戴下肢运动矫正系统 |
-
2018
- 2018-12-24 CN CN201811580981.6A patent/CN109781094A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105263113A (zh) * | 2015-10-26 | 2016-01-20 | 深圳大学 | 一种基于众包的WiFi位置指纹地图构建方法及其系统 |
| CN105740226A (zh) * | 2016-01-15 | 2016-07-06 | 南京大学 | 使用树形神经网络和双向神经网络实现中文分词 |
| CN105910601A (zh) * | 2016-05-31 | 2016-08-31 | 天津大学 | 一种基于隐马尔科夫模型的室内地磁定位方法 |
| CN106643715A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 一种基于bp神经网络改善的室内惯性导航方法 |
| CN106846729A (zh) * | 2017-01-12 | 2017-06-13 | 山东大学 | 一种基于卷积神经网络的跌倒检测方法和系统 |
| CN107421535A (zh) * | 2017-05-22 | 2017-12-01 | 上海交通大学 | 一种基于磁场特征和加速度信息计步的室内行人定位系统 |
| CN107635204A (zh) * | 2017-09-27 | 2018-01-26 | 深圳大学 | 一种运动行为辅助的室内融合定位方法及装置、存储介质 |
| CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
| CN108720841A (zh) * | 2018-05-22 | 2018-11-02 | 上海交通大学 | 基于云检测的可穿戴下肢运动矫正系统 |
Non-Patent Citations (1)
| Title |
|---|
| SHILONG YU等: "A c-lstm neural network for human activity recognition using wearables", 《IEEE》, 30 November 2018 (2018-11-30), pages 3 - 4 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111256684A (zh) * | 2020-01-18 | 2020-06-09 | 杭州电子科技大学 | 一种基于多层门控循环单元网络的地磁室内定位方法 |
| CN111735478A (zh) * | 2020-08-19 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于lstm的行人实时导航零速检测方法 |
| CN111735478B (zh) * | 2020-08-19 | 2020-11-13 | 中国人民解放军国防科技大学 | 基于lstm的行人实时导航零速检测方法 |
| CN112367614A (zh) * | 2020-10-27 | 2021-02-12 | 华南师范大学 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
| CN112367614B (zh) * | 2020-10-27 | 2022-10-21 | 华南师范大学 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
| CN114143874A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于无线基站场强频度的精确定位方法 |
| CN114143874B (zh) * | 2021-12-06 | 2022-09-23 | 上海交通大学 | 基于无线基站场强频度的精确定位方法 |
| CN114440888A (zh) * | 2022-01-14 | 2022-05-06 | 中山大学 | 基于序列分组滑动窗口的室内定位方法及装置 |
| CN114440888B (zh) * | 2022-01-14 | 2023-05-16 | 中山大学 | 基于序列分组滑动窗口的室内定位方法及装置 |
| WO2023185687A1 (zh) * | 2022-03-26 | 2023-10-05 | 华为技术有限公司 | 车辆位置的获取方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109781094A (zh) | 基于循环神经网络的地磁定位系统 | |
| Li et al. | Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation | |
| CN103363988B (zh) | 一种利用智能手机传感器实现地磁室内定位导航的方法 | |
| CN108225304A (zh) | 基于多源传感器室内快速定位方法与系统 | |
| Groves et al. | Context detection, categorization and connectivity for advanced adaptive integrated navigation | |
| CN106093843B (zh) | 一种基于地磁辅助WiFi的智能手机用户室内定位方法 | |
| CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及系统 | |
| Ren et al. | Movement pattern recognition assisted map matching for pedestrian/wheelchair navigation | |
| CN107360549A (zh) | 一种基于蓝牙5的室内定位导航方法 | |
| CN103491627B (zh) | 一种集成多种算法的近距离实时精确定位方法 | |
| CN108882151A (zh) | 基于csi信息区域化标注的室内定位方法 | |
| CN111582160B (zh) | 基于分布式光纤传感系统的车辆轨迹提取方法及装置 | |
| CN108226852A (zh) | 基于空中无线电监测平台的无人机操作者定位系统及方法 | |
| CN107421535A (zh) | 一种基于磁场特征和加速度信息计步的室内行人定位系统 | |
| CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
| CN106447579A (zh) | 适用于复杂山地景区的天地空一体化协同搜救系统 | |
| CN103997717A (zh) | 一种实时室内定位系统及方法 | |
| CN103686999A (zh) | 基于WiFi信号的室内无线定位方法 | |
| CN106248077A (zh) | 一种基于粒子滤波的可见光组合定位系统和方法 | |
| CN105246153A (zh) | 一种室内指纹定位数据库高密度快速采集方法 | |
| CN107014375A (zh) | 超低部署的室内定位系统及方法 | |
| CN104902233A (zh) | 综合安全监控系统 | |
| CN109848996A (zh) | 基于图优化理论的大规模三维环境地图创建方法 | |
| CN110049439A (zh) | 一种定位方法、装置、通信设备及电力管廊系统 | |
| CN114222240A (zh) | 一种基于粒子滤波的多源融合定位方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |