CN111079603A - 步长预测方法、控制器、定位设备和可读存储介质 - Google Patents

Abstract

本发明公开了一种步长预测方法，该方法包括：获取目标对象步长相关的第一特征参数；根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值。本发明还公开了一种控制器、定位设备和可读存储介质。本发明旨在实现步长的准确预测，从而提高位置预测的准确度。

Description

步长预测方法、控制器、定位设备和可读存储介质

技术领域

本发明涉及智能设备技术领域，尤其涉及步长预测方法、控制器、定位设备和可读存储介质。

背景技术

室内定位指的是当人或者物体在室内时，获取其位置信息的定位技术。由于室内场所使用的全球定位系统在室内并不适用。因此，目前已开发了多种室内定位的新技术。

其中，有室内定位技术基于目标对象的步长进行位置预测，但是该技术中的步长是由积分而来的，这样所得到的步长存在累积误差，因此基于步长所得到的预测位置存在较大误差。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种步长预测方法，旨在实现步长的准确预测，从而提高位置预测的准确度。

为实现上述目的，本发明提供一种步长预测方法，所述步长预测方法包括以下步骤：

获取目标对象步长相关的第一特征参数；

根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值。

可选地，所述获取目标对象步长相关的第一特征参数的步骤包括：

获取所述目标对象的人体特征参数，以及获取所述目标对象的运动特征参数。

可选地，所述运动特征参数通过所述目标对象携带的传感器检测；所述获取所述目标对象的运动特征参数的步骤包括：

基于所述传感器获取所述目标对象的加速度信息、角速度信息和线速度信息，作为所述运动特征参数。

可选地，所述根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值的步骤之前，还包括：

判断所述目标对象是否产生运动行为；

当所述目标对象产生运动行为时，执行所述根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值的步骤。

可选地，所述获取目标对象步长相关的第一特征参数的步骤之前，还包括：

基于多个不同被测对象，获取多个步长相关的第二特征参数及对应的步长值；所述第二特征参数包括各所述被测对象的人体特征参数和运动特征参数；

在多个所述第二特征参数及其对应的步长值中，选取训练样本；

获取基于预设超参数构建的深度信念网络的预设学习模型；

通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数；其中，所述模型参数包括权值和偏置；

根据所述预设超参数和所述模型参数，构建深度信念网络；

将所述深度信念网络作为所述预设神经网络。

可选地，所述将所述深度信念网络作为所述预设神经网络的步骤之前，还包括：

在多个所述第二特征参数及其对应的步长值中，选取测试样本；

基于所述测试样本获取所述深度信念网络的测试准确率；

判断所述测试准确率是否大于或等于预设准确率；

若是，则执行所述将所述深度信念网络作为所述预设神经网络的步骤；

若否，则调整所述预设超参数；

根据调整后的所述预设超参数调整所述预设学习模型；

返回执行所述通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数的步骤。

可选地，所述通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数的步骤包括：

基于所述预设学习模型，通过无监督学习方法学习所述训练样本，得到所述预设学习模型中每个受限玻尔兹曼机的权值和偏置；

将确定所述权值和偏置后的预设学习模型作为预训练模型；

基于所述预训练模型，通过有监督学习方法学习所述训练样本，优化所述预训练模型中每个受限玻尔兹曼机对应的权值和偏置；

将优化后的所述权值和所述偏置作为所述模型参数。

此外，为了实现上述目的，本申请还提出一种控制器，所述控制器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的步长预测程序，所述步长预测程序被所述处理器执行时实现如上任一项所述的步长预测方法的步骤。

此外，为了实现上述目的，本申请还提出一种定位设备，所述定位设备包括：

加速度计；

陀螺仪；以及

如上所述的控制器，所述加速度计和所述陀螺仪均与所述控制器通信连接。

此外，为了实现上述目的，本申请还提出一种可读存储介质，所述可读存储介质上存储有步长预测程序，所述步长预测程序被处理器执行时实现如上任一项所述的步长预测方法的步骤。

本发明提出的一种步长预测方法，该方法基于预设神经网络对第一特征参数的分析，实现目标对象的步长预测，预设神经网络是基于机器学习大量样本训练得到的分析算法，其可对目标对象步长相关的第一特征参数中步长的特征进行独立的多重提取，从而得到精确的目标对象的步长预测值，这过程不需要将多个数据进行叠加处理，因此所得到的步长值不存在累积误差，所以更为地准确，从而实现步长的准确预测，从而提高位置预测的准确度。

附图说明

图1是本发明定位设备一实施例运行涉及的硬件结构示意图；

图2为本发明步长预测方法第一实施例的流程示意图；

图3为本发明步长预测方法第二实施例的流程示意图；

图4为本发明步长预测方法第三实施例的流程示意图；

图5为本发明步长预测方法第四实施例的流程示意图；

图6为本发明步长预测方法第五实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

本发明实施例的主要解决方案是：获取目标对象步长相关的第一特征参数；根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值。

由于现有技术中实现室内定位时，在基于步长预测实现位置预测的过程中，一般通过积分的方式实现步长预测，因此所得到的步长值存在较大的累积误差，导致基于步长所得到的预测位置误差较大。

本发明提供上述的解决方案，旨在实现步长的准确预测，从而提高位置预测的准确度。

本发明提出一种定位设备。定位设备指的是任何具有定位功能的便携设备，可以是具有定位的移动终端(如手机等)，也可以是具有定位功能的可穿戴设备(如智能手环等)。

在本发明实施例中，参照图1，定位设备具体包括加速度计100、陀螺仪200、人机交互模块300和控制器400。加速度计100、陀螺仪200、人机交互模块300和控制器400可集成安装到一起。此外，在其他实施例中，控制器400还可独立于加速度计100和陀螺仪200设置，控制器400可通过无线通信等方式获取加速度计100和陀螺仪200的检测数据。

其中，携带(如手持、放在口袋、穿戴等)有定位设备的对象可作为目标对象。加速度计100主要用于检测目标对象的加速度信息(如线性加速度、重力加速度等)、线速度信息等速度信息，陀螺仪200主要用于检测目标对象的角速度信息。人机交互模块300具体用于实现定位设备与人的交互，以获取用户的设置信息或用户查看定位设备输出的信息。具体的，人机交互模块300可用于获取如身高等人体特征参数。

在本发明实施例中，控制器包括：处理器4001，例如CPU，存储器4002，等。存储器4002可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器4002可选的还可以是独立于前述处理器4001的存储装置。

其中，处理器4001分别与存储器4002、加速度计100、陀螺仪200和人机交互模块300通信连接。处理器4001可调用存储器4002中步长预测相关的数据，也可将步长预测相关的数据保存到存储器4002。处理器4001还可从加速度计100和陀螺仪200中获取其检测数据，从人机交互模块300中获取人体特征参数(如身高等)。

本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种可读存储介质的存储器4002中可以包括步长预测程序。在图1所示的装置中，处理器4001可以用于调用存储器4002中存储的步长预测程序，并执行以下实施例中步长预测方法的相关步骤操作。

本发明还提供一种步长预测方法。

参照图2，提出本发明步长预测方法第一实施例，所述步长预测方法包括：

步骤S10，获取目标对象步长相关的第一特征参数；

这里的目标对象具体指的是需要进行步长预测的对象，可以是人，也可以是动物。具体的，可将携带有步长预测装置的对象作为目标对象。第一特征参数可通过获取步长预测装置内传感器检测数据得到。此外，在将传感器检测数据作为第一特征参数同时，还可将步长预测装置中的人机交互模块所获取的与步长相关的设置信息作为第一特征参数。

这里的第一特征参数具体为目标对象运动过程中与步长相关的特征参数。第一特征参数可具体包括目标对象的运动特征参数。具体的，运动特征参数指的是目标对象在携带步长预测装置运动过程中被检测到的表征其运动特性的参数(例如加速度、线速度、速度和/或角速度等)。另外，第一特征参数除了包括运动特征参数以外，还可包括人体特征参数。人体特征参数具体为表征目标对象本身与步长相关的特征参数(例如身高、性别等)。

因此，步骤S10可具体包括：获取所述目标对象的人体特征参数，以及获取所述目标对象的运动特征参数。其中，可通过读取用户的设置信息得到。人体特征参数；可通过获取目标对象所携带的传感器的检测数据，得到运动特征参数。

步骤S20，根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值。

这里预设神经网路具体为通过学习大量的第一特征参数相对应的数据类型的数据样本，所得到的用于分析目标对象的步伐长度的数学分析模型。具体的，可获取当前时刻之前在不同场景下、不同运动状态下不同对象步长相关的运动特征参数及其对应的实际步长值作为数据样本。用数据样本训练预设神经网络对应的数学模型，得到预设神经网络。预设神经网络可具体为深度神经网络、深度信念网络等，可根据实际需要进行选择。

将第一特征参数作为输入向量输入到预设神经网络中，预设神经网路的输出值即为目标对象的步长预测值。

本发明实施例提出的一种步长预测方法，该方法基于预设神经网络对第一特征参数的分析，实现目标对象的步长预测，预设神经网络是基于机器学习大量样本训练得到的分析算法，其可对目标对象步长相关的第一特征参数中步长的特征进行独立的多重提取，从而得到精确的目标对象的步长预测值，这过程不需要将多个数据进行叠加处理，因此所得到的步长值不存在累积误差，所以更为地准确，从而实现步长的准确预测，从而提高位置预测的准确度。

具体的，运动特征参数通过目标对象携带的传感器检测。步骤S10中获取目标对象的运动特征的步骤包括：基于所述传感器获取所述目标对象的加速度信息、角速度信息和线速度信息，作为所述运动特征参数。这里用于预测步长的加速度信息、角速度信息和线速度信息等运动特征参数均通过目标对象所携带的传感器检测，基于此，在预测目标对象的步长时，可无需依赖其余设备，便可实现准确预测目标对此的步长，从而保证目标对象位置的精准预测。

其中，在步骤S20之后，还可包括：根据所述步长预测值确定所述目标对象的位置预测值，从而实现对精准的定位导航。

进一步的，基于第一实施例，提出本申请步长预测方法第二实施例。在第二实施例中，参照图3，所述步骤S20之前，还包括：

步骤S11，判断所述目标对象是否产生运动行为；

具体的，可通过目标对象所携带的传感器中检测的加速度信息进行过零点分析或峰值检测，当存在零点或峰值，则判定目标对象产生运动行为；当不存在零点或峰值，则判定目标对象未产生运动行为。

当所述目标对象产生运动行为时，执行所述步骤S20；当所述目标对象未产生运动行为时，返回执行步骤S10。

在本实施例中，通过对目标对象运动状态的分析，在目标对象产生运动行为时，才基于第一特征参数和预设神经网络预测步长，从而保证步长预测值的精准性。其中，由于加速度信息可准确反映用户的振动状态，而目标对象一般在产生运动行为时会在其所携带的加速度计产生相应的特征数据，因此基于加速度信息对目标对象的运动行为进行分析，可保证运动行为状态分析的准确性，从而进一步提高步长预测值的精准性。

进一步的，基于上述任一实施例，提出本申请步长预测方法第三实施例。在第三实施例中，所述预设神经网络为深度信念网络。深度信念网络具体是一种生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据，其中受限玻尔兹曼机为深度信念网络的组成元件。由于深度信念网络相较于其他神经网络重要特征的提取能力更强、对无标签的数据处理能力更强，在对步长相关的检测数据进行分析时可以更为准确，从而保证基于预设神经网络和第一特征参数所得到的步长预测值的精准性。

基于此，参照图4，所述步骤S10之前，还包括：

步骤S01，基于多个不同被测对象，获取多个步长相关的第二特征参数及对应的步长值；所述第二特征参数包括各所述被测对象的人体特征参数和运动特征参数；

这里的第二特征参数具体为目标对象运动过程中与步长相关的特征参数。被测对象可任意选择，可以将尽量多不同场景下的人员作为被测对象。获取被测对象尽量多的不同运动状态(慢走、快走、慢跑、快跑等)下的运动特征参数(例如加速度信息、线速度信息和角速度信息等)作为第二特征参数。此外，还可获取被测对象的人体特征参数(如身高、性别等)作为第二特征参数。

进一步的，在获取第二特征参数中的运动特征参数的同时，获取运动特征参数所对应的步长值。所获取的步长值为被测对象在形成第二特征参数的时候所对应的实际步伐长度。步长值可通过实际测量得到；也可以通过精准的检测模型检测得到。具体的，可基于第二特征参数采用行人航迹推算技术计算对应的步长基准值，并对步长基准值进行校正，得到这里的步长值。通过上述方式可得到多个第二特征参数及其对应的步长值。

步骤S02，在多个所述第二特征参数及其对应的步长值中，选取训练样本；

具体的，所获取的多个第二特征参数及其对应的步长值作为数据样本，在数据样本中可按照预设比例(如7：3)划分为训练样本和测试样本，训练样本占比70％。其中训练样本具体指的是用于生成深度信念网络的样本集；测试样本具体指的是用于验证所生成的深度信念网络的样本集。

步骤S03，获取基于预设超参数构建的深度信念网络的预设学习模型；

深度信念网络的构建参数具体包括两类，一种是预先设置的无需经过训练得到的超参数，另一种是通过训练得到的模型参数。这里的预设超参数指的是由用户通过输入指令预先设置的深度信念网络中的构建参数，已设置预设超参数且模型参数未确定的深度信念网络形成预设学习模型。

超参数一般可以分为两类：优化器超参数和模型超参数。其中，优化器参数包括学习率、小批量数据(mini_batch)大小和迭代的次数等；模型超参数包括网络层数、隐藏层单元数和激活函数等。

步骤S04，通过所述预设学习模型学习所述训练样本，确定所述深度信念网络的模型参数；其中，模型参数包括权值和偏置；

将第二特征参数作为预设学习模型的输入量，将步长值作为预设学习模型的输出量，预设学习模型基于对多个输入量和输出量的不同学习、修正，从而确定预设学习模型中所述深度信念网络的模型参数。这里的模型参数具体指的是深度信念网络中受限波尔兹曼机的权值和偏置。

步骤S05，根据所述预设超参数和所述模型参数，构建深度信念网络；

由预设超参数和模型参数作为构建参数，可得到深度信念网络。

步骤S06，将所述深度信念网络作为所述预设神经网络。

已确定构建参数的特征模型即为所需的深度信念网络，则可用于确定步长预测值的预设神经网络。

在本实施例中，通过获取多个被测对象步长相关的多个第二特征参数及其对应的步长值，从中确定深度信念网络的训练样本，从而保证所确定深度信念网络可实现对步长的准确预测。

进一步的，基于上述第三实施例，提出本申请步长预测方法第四实施例。在第四实施例中，参照图5，所述步骤S06之前，还包括：

步骤S001，在多个所述第二特征参数及其对应的步长值中，选取测试样本；

具体的，所获取的多个第二特征参数及其对应的步长值作为数据样本，在数据样本中可按照预设比例(如7：3)划分为训练样本和测试样本，训练样本占比30％。这里的步骤S001可与上述的步骤S02同步执行。

步骤S002，基于所述测试样本获取所述待定网络的测试准确率；

具体的，可采用上述实施例中的测试样本中的每个第二特征参数输入到待定网络中，将得到的输出结果与所输入的第二特征参数对应的步长值做匹配，确定输出结果与步长值匹配的第二特征参数的个数，将所确定的个数占测试样本总数的百分比作为测试准确率。

步骤S003，判断所述测试准确率是否大于或等于预设准确率；

若是，则执行所述步骤S06；若否，则执行步骤S004、步骤S005后返回执行步骤S04。

预设准确率可根据实际情况进行设置。

步骤S004，调整所述预设超参数；

具体的，调整预设学习模型中的学习率、小批量数据(mini_batch)大小、迭代的次数、网络层数、隐藏层单元数和激活函数等预设学习模型预先设置的超参数。

步骤S005，根据调整后的所述预设超参数调整所述预设学习模型；

根据调整后预设超参数重新构建预设学习模型。

在步骤S005之后返回执行步骤S04，采用重新构建的预设学习模型重新学习训练样本，从而确定新的模型参数，基于新的预设超参数和新的模型参数构建的深度信念网络再重新进行准确率判断，从而保证作为预设神经网络的深度信念网络满足准确率要求。

在本实施例中，通过测试准确率对所确定的待定网络进行验证测试，测试准确率不满足要求时，进行超参数的调整，并基于调整后的超参数构建新的预设学习模型，通过新的预设学习模块重新学习训练样本，从而重新确定新的模型参数，在保证基于模型参数和超参数构建的深度信念网络的准确率达到要求时，才将其作为步长预测的预设神经网络，从而进一步保证所得到步长预测值的精准性。

进一步的，基于上述第三或第四实施例，提出本申请步长预测方法第五实施例。在第五实施例中，参照图6，所述步骤S03包括：

步骤S031，基于所述预设学习模型，通过无监督学习方法学习所述训练样本，得到所述预设学习模型中每个受限玻尔兹曼机的权值和偏置；

预设学习模型具体为多个受限玻尔兹曼机(RBM)堆叠而成的，可被作为一个回归模型。通过寻找最优的权值和偏置来匹配网络的输入和输出。具体的，可通过自下而上的无监督训练RBM的过程，通过对堆叠的RBM逐层对训练样本进行特征提取，得到每个RBM合适的权值和偏置。

步骤S032，将确定所述权值后的预设学习模型作为预训练模型；

步骤S033，基于所述预训练模型，通过有监督学习方法学习所述训练样本，优化所述预训练模型中每个受限玻尔兹曼机对应的权值和偏置；

在得到预训练模型后，通过自上而下的有监督学习，利用梯度下降或其他优化算法学习训练样本，以对预训练模型进行优化，这个过程可以看作是向下的重构过程，向下的重构指的是基于向上的过程中生成的抽象表示和权重，进行信息重建得到每个受限波尔兹曼机所对应的最终权值和偏置，以形成用于步长预测的深度信念网络

步骤S034，将优化后的所述权值和所述偏置作为所述模型参数。

在本实施例中，通过无监督学习进行预训练，再结合有监督学习方法进行优化，从而保证所确定的模型参数的精确性，相较于单一采用无监督学习或有监督学习所构建的神经网络，基于此方式所构建的深度信念网络在进行步长预测分析时更为精确，从而进一步提高所得到步长预测值的精准性。

此外，本发明实施例还提出一种可读存储介质，所述可读存储介质上存储有步长预测程序，所述步长预测程序被处理器执行时实现如上步长预测方法任一实施例的相关步骤。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，定位设备，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种步长预测方法，其特征在于，所述步长预测方法包括以下步骤：

获取目标对象步长相关的第一特征参数；

根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值。

2.如权利要求1所述的步长预测方法，其特征在于，所述获取目标对象步长相关的第一特征参数的步骤包括：

获取所述目标对象的人体特征参数，以及获取所述目标对象的运动特征参数。

3.如权利要求2所述的步长预测方法，其特征在于，所述运动特征参数通过所述目标对象携带的传感器检测；所述获取所述目标对象的运动特征参数的步骤包括：

基于所述传感器获取所述目标对象的加速度信息、角速度信息和线速度信息，作为所述运动特征参数。

4.如权利要求1所述的步长预测方法，其特征在于，所述根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值的步骤之前，还包括：

判断所述目标对象是否产生运动行为；

当所述目标对象产生运动行为时，执行所述根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值的步骤。

5.如权利要求1至4中任一项所述的步长预测方法，其特征在于，所述获取目标对象步长相关的第一特征参数的步骤之前，还包括：

基于多个不同被测对象，获取多个步长相关的第二特征参数及对应的步长值；所述第二特征参数包括各所述被测对象的人体特征参数和运动特征参数；

在多个所述第二特征参数及其对应的步长值中，选取训练样本；

获取基于预设超参数构建的深度信念网络的预设学习模型；

通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数；其中，所述模型参数包括权值和偏置；

根据所述预设超参数和所述模型参数，构建深度信念网络；

将所述深度信念网络作为所述预设神经网络。

6.如权利要求5所述的步长预测方法，其特征在于，所述将所述深度信念网络作为所述预设神经网络的步骤之前，还包括：

在多个所述第二特征参数及其对应的步长值中，选取测试样本；

基于所述测试样本获取所述深度信念网络的测试准确率；

判断所述测试准确率是否大于或等于预设准确率；

若是，则执行所述将所述深度信念网络作为所述预设神经网络的步骤；

若否，则调整所述预设超参数；

根据调整后的所述预设超参数调整所述预设学习模型；

返回执行所述通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数的步骤。

7.如权利要求5所述的步长预测方法，其特征在于，所述通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数的步骤包括：

基于所述预设学习模型，通过无监督学习方法学习所述训练样本，得到所述预设学习模型中每个受限玻尔兹曼机的权值和偏置；

将确定所述权值和偏置后的预设学习模型作为预训练模型；

基于所述预训练模型，通过有监督学习方法学习所述训练样本，优化所述预训练模型中每个受限玻尔兹曼机对应的权值和偏置；

将优化后的所述权值和所述偏置作为所述模型参数。

8.一种控制器，其特征在于，所述控制器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的步长预测程序，所述步长预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的步长预测方法的步骤。

9.一种定位设备，其特征在于，所述定位设备包括：

加速度计；

陀螺仪；以及

如权利要求8所述的控制器，所述加速度计和所述陀螺仪均与所述控制器通信连接。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有步长预测程序，所述步长预测程序被处理器执行时实现如权利要求1至7中任一项所述的步长预测方法的步骤。

Images