CN117647250B - 基于智能手环的导航方法及系统 - Google Patents
基于智能手环的导航方法及系统 Download PDFInfo
- Publication number
- CN117647250B CN117647250B CN202410114921.4A CN202410114921A CN117647250B CN 117647250 B CN117647250 B CN 117647250B CN 202410114921 A CN202410114921 A CN 202410114921A CN 117647250 B CN117647250 B CN 117647250B
- Authority
- CN
- China
- Prior art keywords
- navigation
- target
- vibration
- path
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000033001 locomotion Effects 0.000 claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 32
- 241000287127 Passeridae Species 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000010845 search algorithm Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- 230000006399 behavior Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- WDEFWOPTRFWZLM-LEQGEALCSA-N (2,5-dioxopyrrolidin-1-yl) (2r)-2,5,7,8-tetramethyl-6-(oxan-2-yloxy)-3,4-dihydrochromene-2-carboxylate Chemical compound C([C@@](C)(OC=1C(C)=C2C)C(=O)ON3C(CCC3=O)=O)CC=1C(C)=C2OC1CCCCO1 WDEFWOPTRFWZLM-LEQGEALCSA-N 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000008713 feedback mechanism Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本申请涉及智能手环导航技术领域，公开了一种基于智能手环的导航方法及系统。所述方法包括：基于智能手环获取目标用户的目标位置移动模式；进行线性路径规划和路径调整，得到目标规划路径；进行实时导航并监测得到实时位置数据，分析得到手环摩擦振动数据；通过多类支持向量机模型进行运动特征分类，得到多个目标运动特征；通过反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对初始导航策略进行策略动态优化，得到目标导航策略；计算智能手环的振动参数集合，并根据振动参数集合生成振动反馈信息，同时，通过智能手环响应振动反馈信息以对目标用户进行实时导航，本申请提高了智能手环的导航精度。
Description
技术领域
本申请涉及智能手环导航技术领域，尤其涉及一种基于智能手环的导航方法及系统。
背景技术
随着智能手环技术的不断发展和普及，其在生活中的应用场景也逐渐扩展至导航服务。当前的导航系统多依赖于卫星定位技术，但在城市峡谷、高楼林立的区域，由于信号被阻挡和反射，导致定位精度下降。同时，传统导航系统难以解决用户在复杂环境中的实时动态导航需求，例如行人穿越拥挤街道、避开临时障碍物等。为了解决这些问题，研究者们开始探索基于智能手环的导航方法，通过结合位置数据处理、路径规划、导航偏差检测和摩擦振动分析等技术，以提供更准确、实时的导航服务。
然而，当前基于智能手环的导航方法仍存在一些挑战和问题。对于复杂城市环境下的路径规划和导航偏差检测，传统算法仍有改进的空间，特别是在高度动态变化的情境下，系统的适应性和实时性仍然需要提高。其次，摩擦振动数据的特征提取和分类算法的精度对于用户行为的准确判断至关重要，当前的技术在处理摩擦振动时尚存在一定的局限性。导航策略的优化与动态调整，以适应不同用户的行为偏好和环境变化，仍需要深入研究。
发明内容
本申请提供了一种基于智能手环的导航方法及系统，本申请提高了智能手环的导航精度。
第一方面，本申请提供了一种基于智能手环的导航方法，所述基于智能手环的导航方法包括：
基于智能手环获取目标用户的历史位置数据集并通过自编码器网络模型进行位置特征提取和位置移动模式预测，得到所述目标用户的目标位置移动模式；
通过所述智能手环获取所述目标用户的起始位置数据并通过所述目标位置移动模式进行线性路径规划和路径调整，得到对应的目标规划路径；
根据所述目标规划路径对所述目标用户进行实时导航并监测得到实时位置数据，以及对所述实时位置数据和所述目标规划路径进行导航偏差检测和摩擦振动分析，得到手环摩擦振动数据；
对所述手环摩擦振动数据进行特征提取，得到多个摩擦振动特征，并将所述多个摩擦振动特征输入预置的多类支持向量机模型进行运动特征分类，得到多个目标运动特征；
将所述多个目标运动特征输入预置的反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对所述初始导航策略进行策略动态优化，得到目标导航策略；
基于所述目标导航策略计算所述智能手环的振动参数集合，并根据所述振动参数集合生成振动反馈信息，同时，通过所述智能手环响应所述振动反馈信息以对所述目标用户进行实时导航。
第二方面，本申请提供了一种基于智能手环的导航系统，所述基于智能手环的导航系统包括：
获取模块，用于基于智能手环获取目标用户的历史位置数据集并通过自编码器网络模型进行位置特征提取和位置移动模式预测，得到所述目标用户的目标位置移动模式；
规划模块，用于通过所述智能手环获取所述目标用户的起始位置数据并通过所述目标位置移动模式进行线性路径规划和路径调整，得到对应的目标规划路径；
监测模块，用于根据所述目标规划路径对所述目标用户进行实时导航并监测得到实时位置数据，以及对所述实时位置数据和所述目标规划路径进行导航偏差检测和摩擦振动分析，得到手环摩擦振动数据；
分类模块，用于对所述手环摩擦振动数据进行特征提取，得到多个摩擦振动特征，并将所述多个摩擦振动特征输入预置的多类支持向量机模型进行运动特征分类，得到多个目标运动特征；
分析模块，用于将所述多个目标运动特征输入预置的反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对所述初始导航策略进行策略动态优化，得到目标导航策略；
反馈模块，用于基于所述目标导航策略计算所述智能手环的振动参数集合，并根据所述振动参数集合生成振动反馈信息，同时，通过所述智能手环响应所述振动反馈信息以对所述目标用户进行实时导航。
本申请提供的技术方案中，通过智能手环获取目标用户的历史位置数据，并利用自编码器网络模型提取位置特征和移动模式，实现了对用户个性化行为的学习和预测。这有助于更准确地理解用户的导航偏好和行为模式，从而提供更符合用户需求的导航服务。通过监测实时位置数据、导航路径偏差和摩擦振动分析，实现了对用户导航过程中环境变化的实时感知。系统可以根据实时情况对路径进行调整，提高导航准确性和适应性，使用户在复杂环境中更容易找到目标位置。利用智能手环的振动反馈机制，根据计算得到的振动参数集合生成振动反馈信息，实现了通过触觉方式辅助用户导航。这种创新的导航反馈方式有望提高用户对导航指令的感知，特别是在需要避免视觉或听觉干扰的情况下。通过反向传播神经网络和麻雀搜索算法，实现了对导航策略的深度学习和动态优化。这使得系统可以更好地适应不同用户、不同环境和不同导航场景，提高导航的智能性和灵活性。采用了多个技术层次的特征提取和分类模型，包括自编码器网络、支持向量机和反向传播神经网络。这种多层次的特征处理能够更全面地捕捉和分析用户的位置、运动和环境信息，提高导航系统的综合性能。综合运用了自编码器网络、支持向量机、反向传播神经网络和麻雀搜索算法等多种技术手段。这种综合运用有助于克服单一技术的局限性，提高了导航系统的鲁棒性和可靠性，进而提高了智能手环的导航精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于智能手环的导航方法的一个实施例示意图；
图2为本申请实施例中基于智能手环的导航系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于智能手环的导航方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于智能手环的导航方法的一个实施例包括：
步骤101、基于智能手环获取目标用户的历史位置数据集并通过自编码器网络模型进行位置特征提取和位置移动模式预测，得到目标用户的目标位置移动模式；
可以理解的是，本申请的执行主体可以为基于智能手环的导航系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，通过智能手环收集目标用户在不同时间和空间的历史位置数据，这些数据通常包含大量的维度信息，直接处理不仅计算量大，而且包含噪声和冗余信息。为了提高处理效率并提取有价值的位置特征，引入非负主成分分析（Non-negative PrincipalComponent Analysis, NPCA）算法进行数据降维和特征提取。NPCA算法通过保持数据的非负性，能够更好地揭示数据内在的结构和模式，相较于传统的主成分分析算法，它在处理自然数据时更加有效，尤其是在处理位置数据时，能更直观地表示数据的空间分布和结构。为了进一步理解目标用户的行为模式和运动趋势，构建连续吸引子网络模型。吸引子网络模型是一种动态系统模型，它可以描述复杂系统中的稳定状态和转换规律。通过对历史位置数据的时间序列分析，连续吸引子网络模型能够捕捉到用户移动的动态特性和潜在规律，从而对用户未来的移动方向进行预测。这种方法不仅能够有效预测用户的一般移动趋势，还能在一定程度上预测突发事件或非规律性移动，极大地提高了导航系统对用户行为的适应性和预测准确性。通过自编码器网络模型对提取的目标位置特征数据进行进一步的分析和处理。自编码器是一种无监督的神经网络，通过学习输入数据的高效表示（编码）来重建输入数据（解码）。在这个过程中，自编码器能够学习到数据的深层次特征和结构，从而用更加抽象和压缩的方式表示原始数据。将NPCA算法提取的目标位置特征数据输入自编码器网络模型，可以有效地对用户的移动位置进行预测，进一步提炼出目标移动位置的精准信息。结合目标移动方向和目标移动位置，生成目标用户的目标位置移动模式。这一模式不仅包含了用户的一般行为习惯和运动趋势，还融入了用户在特定时间和空间的个性化移动特征。通过这种方式，可以生成更加精准和个性化的导航策略，使得基于智能手环的导航方法不仅能够提供通用的路径规划，还能够根据用户的实际情况和需求进行动态调整和优化，极大地提升了导航的准确性、可靠性和用户体验。
步骤102、通过智能手环获取目标用户的起始位置数据并通过目标位置移动模式进行线性路径规划和路径调整，得到对应的目标规划路径；
具体的，通过智能手环获取目标用户的起始位置数据。根据用户的起始位置数据和预先计算的目标位置移动模式，生成目标用户的初始规划路径。这一初始规划路径是基于用户历史移动模式和当前位置的基本推测。通过预置的导航测度函数对初始规划路径进行导航测度计算。这一测度函数通过综合考虑路径上各个障碍物的权重和用户到障碍物的距离，计算出在各个距离处的导航测度值。导航测度值能够反映出在特定路径点的导航难度和风险，为后续的路径避障优化提供了量化的评估标准。通过对初始规划路径进行导航测度计算，可以有效识别出路径上的高风险区域，为路径优化提供重要依据。通过预置的线性路径规划模型对初始规划路径进行路径避障优化。这一线性路径规划模型包括一个线性规划目标函数和一个导航函数。线性规划目标函数通过最小化总成本或风险来寻找最优路径，而导航函数则通过考虑目的地坐标和导航测度值来调整路径。这种结合了成本最小化和导航测度的路径规划方法能够有效地规避路径上的障碍物和高风险区域，生成一个优化后的安全、高效的导航路径。获取优化后的路径对应的环境变化数据集，并根据这些数据对优化后的路径进行进一步的调整。环境变化数据集包括实时交通信息、天气变化、地形地貌变动等。通过实时监测环境变化并及时调整路径，可以确保导航路径始终是在当前环境下最安全、最高效的。这种动态的路径调整机制大大提高了导航系统的适应性和可靠性，确保用户在各种复杂多变的环境中都能得到最优的导航服务。
步骤103、根据目标规划路径对目标用户进行实时导航并监测得到实时位置数据，以及对实时位置数据和目标规划路径进行导航偏差检测和摩擦振动分析，得到手环摩擦振动数据；
具体的，根据用户的目标规划路径，生成相应的智能手环路径导航指令。这些指令将指导智能手环提供实时的导航服务，包括转向提示、距离下一个转向点的距离、预计到达时间等，确保用户可以按照预定路径安全前进。通过智能手环内置的定位模块对用户进行实时位置监测，实时收集和更新用户的位置数据。这些实时位置数据是后续导航偏差检测和摩擦振动分析的基础，也是确保导航准确性的关键。通过对用户的实时位置进行持续监控，导航系统能够及时响应用户的实际行动，动态调整导航指令，提高导航的灵活性和准确性。对实时位置数据和目标规划路径进行导航路径偏差计算。通过比较用户的实际位置与预定路径的差异，计算出导航路径偏差量，这一偏差量是评估导航准确性和用户遵循导航指令情况的重要指标。如果偏差量超出预设的安全范围，说明用户偏离了预定路径，需要及时进行调整和干预。对导航路径偏差量与预设目标值进行比较，得到导航偏差检测结果。如果检测结果显示用户严重偏离预定路径，系统将立即采取措施，通过智能手环发出警示信号，提示用户注意，并提供回到正确路径的指导。根据导航偏差检测结果，对用户和智能手环之间的摩擦振动进行数据采集，得到手环摩擦振动数据。手环摩擦振动数据不仅能够反映用户的运动状态和环境条件，还可以作为调整导航指令和优化导航策略的重要参考。
步骤104、对手环摩擦振动数据进行特征提取，得到多个摩擦振动特征，并将多个摩擦振动特征输入预置的多类支持向量机模型进行运动特征分类，得到多个目标运动特征；
具体的，分别计算手环摩擦振动数据的规范特征、规范方差以及频域特征。规范特征和规范方差可以反映摩擦振动数据的统计属性，如振动的强度和稳定性，而频域特征则揭示了振动数据的频率分布和周期性特点，这些都是理解摩擦振动行为的重要依据。对这些统计和频域特征进行进一步的特征提取，从原始的振动数据中提炼出更加精细和有代表性的特征信息，提高后续分类模型的准确性和效率。通过应用各种特征提取技术，如主成分分析、小波变换等，可以有效地压缩数据量，减少噪声干扰，得到多个初始振动特征。对初始振动特征进行特征聚类分析，旨在发现特征之间的内在联系和分类模式。特征聚类分析可以将相似的特征聚集在一起，形成多个摩擦振动特征。这些聚类后的特征更能体现用户的运动状态和环境条件，为后续的分类提供了更加明确和区分度高的特征集。将提取和聚类后的多个摩擦振动特征输入预置的多类支持向量机（SVM）模型。多类支持向量机是一种强大的机器学习模型，它通过构建在不同类别之间的最优边界来实现分类。在这个模型中，每个支持向量代表了数据中的一个关键特征点，而核函数则用于计算输入数据与这些支持向量之间的相似度，从而判断输入数据的类别。通过调整支持向量的系数和偏置项，多类支持向量机能够形成一个复杂的非线性决策边界，有效地将多个摩擦振动特征分配到正确的运动类别中。通过多类支持向量机模型对多个摩擦振动特征进行运动特征分类。这一过程是动态的，随着更多的摩擦振动数据被收集和分析，分类模型会不断地学习和调整，从而提高分类的准确性和鲁棒性。通过这种方式，系统能够从手环摩擦振动数据中准确地提取出多个目标运动特征，这些特征不仅能够反映用户当前的运动状态，还能为调整导航策略、优化用户体验提供重要信息。
步骤105、将多个目标运动特征输入预置的反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对初始导航策略进行策略动态优化，得到目标导航策略；
具体的，通过预置的图卷积网络对环境变化数据集进行分析，提取出多个环境变化特征。图卷积网络是一种强大的深度学习模型，适合处理图结构数据，如路网、社交网络等。通过图卷积网络，可以有效地提取出反映环境变化的复杂特征，如交通状况、天气变化、地形地貌等，为导航策略提供重要的环境信息。将多个环境变化特征和多个目标运动特征进行特征融合。特征融合是通过一定的算法将来自不同源的特征集合整合到一起，形成一个综合特征表示，能够更全面地反映用户的运动状态和外部环境条件。这些目标融合特征将作为反向传播神经网络的输入，用于预测最佳的导航策略。将目标融合特征输入预置的反向传播神经网络进行导航策略预测。反向传播神经网络是一种经典的深度学习模型，通过对大量历史数据的学习，能够发现数据之间的深层次关系和规律，为复杂问题提供准确的预测。通过反向传播神经网络对目标融合特征进行分析和处理，可以得到一个初始的导航策略。这个初始导航策略是基于当前的用户状态和外部环境条件提出的最佳导航方案，但还不是最优的，需要进一步优化和调整。为了优化初始导航策略，计算初始导航策略的预测误差值，并采用麻雀搜索算法进行参数优化。麻雀搜索算法是一种新兴的群体智能优化算法，它模仿麻雀的觅食行为和反捕食策略，通过群体的合作和竞争来寻找最优解。通过麻雀搜索算法对反向传播神经网络的参数进行优化，可以有效减少预测误差，提高导航策略的准确性和可靠性。根据参数优化后的反向传播神经网络对目标融合特征进行再次导航策略预测，得到最终的目标导航策略。这个目标导航策略是在充分考虑用户运动状态、外部环境条件以及导航需求的基础上，通过智能算法优化和调整得到的，能够为用户提供更加安全、高效、个性化的导航服务。
步骤106、基于目标导航策略计算智能手环的振动参数集合，并根据振动参数集合生成振动反馈信息，同时，通过智能手环响应振动反馈信息以对目标用户进行实时导航。
具体的，根据所确定的目标导航策略计算智能手环的振动强度，得到振动强度数据。振动强度是用户感知振动的直接参数，适当的振动强度可以更好地引起用户的注意，而不会造成不适。振动强度的计算需要综合考虑用户的个人偏好、当前环境噪声水平、手环佩戴的紧密度等因素，以确保振动反馈既明显又不干扰。对智能手环进行振动频率计算以得到振动频率数据，并计算振动持续时间以得到振动持续时间数据。振动频率和持续时间是影响振动感知的重要因素，不同的频率和持续时间可以传达不同的导航指令或警示信息。例如，快速的振动频率表示即将到达转弯点，而较长的振动持续时间表示前方有较远的直行距离。通过精确计算这些参数，智能手环能够提供更加丰富和精确的振动反馈信息。根据振动强度数据、振动频率数据以及振动持续时间数据生成智能手环的振动参数集合。这个参数集合是振动反馈信息生成的基础，它将被用来指导智能手环产生相应的振动模式。通过综合考虑这些振动参数，生成多种不同的振动模式，以适应不同的导航需求和用户偏好。根据振动参数集合生成智能手环的振动反馈信息。这些振动反馈信息是用户接收导航指令的直接方式，需要确保清晰、准确且易于理解。可以设计一系列标准的振动模式，如短振、长振、连续快振等，每种模式对应一种特定的导航指令或信息。通过不断测试和用户反馈，优化这些振动模式，使它们更加符合用户的直觉和习惯。通过智能手环响应振动反馈信息以对目标用户进行实时导航。当用户进行行走或其他运动时，智能手环根据预设的振动模式产生振动，用户通过感知这些振动来获得导航指令，从而实现实时导航。这种基于振动反馈的导航方式不仅可以在嘈杂的环境中有效工作，还可以在用户视线被遮挡或手忙脚乱的情况下提供帮助，极大地提高了导航的灵活性和适用性。
本申请实施例中，通过智能手环获取目标用户的历史位置数据，并利用自编码器网络模型提取位置特征和移动模式，实现了对用户个性化行为的学习和预测。这有助于更准确地理解用户的导航偏好和行为模式，从而提供更符合用户需求的导航服务。通过监测实时位置数据、导航路径偏差和摩擦振动分析，实现了对用户导航过程中环境变化的实时感知。系统可以根据实时情况对路径进行调整，提高导航准确性和适应性，使用户在复杂环境中更容易找到目标位置。利用智能手环的振动反馈机制，根据计算得到的振动参数集合生成振动反馈信息，实现了通过触觉方式辅助用户导航。这种创新的导航反馈方式有望提高用户对导航指令的感知，特别是在需要避免视觉或听觉干扰的情况下。通过反向传播神经网络和麻雀搜索算法，实现了对导航策略的深度学习和动态优化。这使得系统可以更好地适应不同用户、不同环境和不同导航场景，提高导航的智能性和灵活性。采用了多个技术层次的特征提取和分类模型，包括自编码器网络、支持向量机和反向传播神经网络。这种多层次的特征处理能够更全面地捕捉和分析用户的位置、运动和环境信息，提高导航系统的综合性能。综合运用了自编码器网络、支持向量机、反向传播神经网络和麻雀搜索算法等多种技术手段。这种综合运用有助于克服单一技术的局限性，提高了导航系统的鲁棒性和可靠性，进而提高了智能手环的导航精度。
在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：
（1）基于智能手环获取目标用户的历史位置数据集，并通过非负主成分分析算法对历史位置数据集进行数据降维和特征提取，得到目标位置特征数据；
（2）构建目标用户的连续吸引子网络模型，并根据连续吸引子网络模型对目标用户进行移动方向预测，得到目标移动方向；
（3）通过自编码器网络模型对目标位置特征数据进行移动位置预测，得到目标移动位置；
（4）根据目标移动方向以及目标移动位置生成目标用户的目标位置移动模式。
具体的，通过智能手环收集目标用户的历史位置数据集。这些数据集通常包含时间戳和地理位置信息，如经度和纬度。为了有效利用这些数据并提取有用的特征，应用非负主成分分析（Non-negative Principal Component Analysis, NPCA）算法进行数据降维和特征提取。NPCA是一种数据处理技术，它通过将高维数据转换为低维表示，来揭示数据的内在结构和模式。与传统的主成分分析不同，NPCA保持了数据的非负性，这对于保持物理意义和解释性尤为重要。例如，如果历史位置数据集表明用户倾向于在周末前往特定地点，NPCA可以帮助识别出这一模式，并将其转换为一个更简洁的特征表示形式。构建目标用户的连续吸引子网络模型，这是一种动态系统模型，它用于描述系统随时间演变的行为。吸引子网络模型可以帮助预测用户的移动方向。这个模型通过分析历史位置数据集中的时间序列信息，识别出用户移动的动态规律和趋势。通过对历史数据的深入分析，连续吸引子网络模型能够提供关于用户未来移动方向的有力预测。通过自编码器网络模型对提取出的目标位置特征数据进行进一步的移动位置预测。自编码器是一种特殊类型的神经网络，它通过学习输入数据的紧凑表示来尝试重构输入数据。在这个过程中，自编码器能够发现数据的深层结构和模式。根据预测出的目标移动方向和目标移动位置生成目标用户的目标位置移动模式。这个目标位置移动模式是对用户未来移动行为的全面描述，它综合了用户的历史行为习惯、个人偏好以及外部环境等多种因素。
在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：
（1）通过智能手环获取目标用户的起始位置数据，并根据起始位置数据和目标位置移动模式生成目标用户的初始规划路径；
（2）通过预置的导航测度函数对初始规划路径进行导航测度计算，得到导航测度值，导航测度函数为：，/>表示在距离d处的导航测度值，/>表示第i个障碍物的权重，/>表示狄拉克δ函数，/>表示到第i个障碍物的距离；
（3）通过预置的线性路径规划模型，根据导航测度值对初始规划路径进行路径避障优化，得到优化后的路径，线性路径规划模型包括：线性规划目标函数：，Z为目标函数值，表示总成本或风险，/>表示第i个变量的成本系数，/>表示决策变量；导航函数：/>，/>表示在点/>外的导航函数值，k表示归一化常数，/>表示目的地坐标，M表示导航测度值；
（4）获取优化后的路径对应的环境变化数据集，并根据环境变化数据集对优化后的路径进行路径调整，得到对应的目标规划路径。
具体的，通过智能手环获取目标用户的起始位置数据。这些数据通常包括时间戳、经纬度等信息。根据这些起始位置数据及预先计算好的目标位置移动模式生成目标用户的初始规划路径。这个初始规划路径基于用户的历史移动习惯和当前的位置状态，提供了一条从起点到预期目的地的推荐路线。通过预置的导航测度函数对初始规划路径进行导航测度计算，得到导航测度值。测度函数是一个数学模型，它通过计算路径上的障碍物及其对用户移动的潜在影响来评估路径的难度和风险。每个障碍物都有一个权重系数，表示其对路径影响的重要程度，而狄拉克δ函数则用于确保只有当用户接近障碍物时，该障碍物的影响才会被计入导航测度值。这个测度值为后续的路径优化提供了一个量化的风险评估。通过预置的线性路径规划模型，根据导航测度值对初始规划路径进行路径避障优化。线性路径规划模型是一个数学优化模型，旨在找到一条既能最小化总成本或风险又能达到目的地的最优路径。模型中的目标函数反映了总成本或风险，而决策变量代表了路径选择。导航函数则是一种数学公式，它结合了目的地坐标、导航测度值和其他参数来计算不同位置的导航值，从而指导路径规划。这个模型通过数学计算，将初始规划路径调整为一条更安全、更高效的优化后路径。获取优化后的路径对应的环境变化数据集，并根据这些数据对优化后的路径进行进一步的调整。环境变化数据集包括实时交通信息、天气变化、道路封闭等，这些都是影响路径选择的重要因素。通过实时监测这些环境变量，并将其纳入路径调整过程，确保所规划的路径始终是在当前条件下最优的。这种动态的路径调整机制使得导航系统具有很强的适应性和灵活性，能够应对复杂多变的现实环境。
在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：
（1）根据目标规划路径生成智能手环对应的路径导航指令，并根据路径导航指令对目标用户进行实时导航；
（2）通过智能手环对目标用户进行实时位置监测，得到实时位置数据；
（3）对实时位置数据和目标规划路径进行导航路径偏差计算，得到导航路径偏差量；
（4）对导航路径偏差量与预设目标值进行比较，得到导航偏差检测结果；
（5）根据导航偏差检测结果，对目标用户和智能手环之间的摩擦振动进行数据采集，得到手环摩擦振动数据。
具体的，根据目标规划路径生成智能手环对应的路径导航指令。这些指令是导航系统与用户交互的基础，包含了转向指示、距离下一个转向点的距离、预计到达时间等关键信息。通过智能手环对目标用户进行实时位置监测，以获取实时位置数据。智能手环内置的定位模块可以持续跟踪用户的位置。对实时位置数据和目标规划路径进行导航路径偏差计算。导航路径偏差是指用户当前位置与目标规划路径之间的差异，这个差异是由多种因素引起的，如用户故意改道、路线受阻等。计算导航路径偏差需要系统精确地比较实时位置数据与目标规划路径，找出两者之间的空间差异，并将这个差异量化为导航路径偏差量。将导航路径偏差量与预设目标值进行比较，得到导航偏差检测结果。预设目标值是系统预先设定的一个阈值，表示系统允许的最大偏差范围。如果导航路径偏差量超过了这个阈值，说明用户已经严重偏离了目标规划路径，需要系统及时进行干预。导航偏差检测结果是系统判断用户导航状态并做出响应的依据，是维持导航准确性和用户安全的重要环节。根据导航偏差检测结果，对目标用户和智能手环之间的摩擦振动进行数据采集，以得到手环摩擦振动数据。智能手环通过内置的传感器能够检测和记录与用户手腕接触时产生的摩擦振动，这些数据不仅可以用来分析用户的运动模式和习惯，还可以作为调整导航指令的依据。例如，如果系统检测到用户正在加速或改变方向，意味着用户在尝试回到正确的路径上，这时系统可以通过调整振动指令的频率和强度来提供更准确的导航信息。
在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：
（1）分别计算手环摩擦振动数据的规范特征、规范方差以及频域特征；
（2）对规范特征、规范方差以及频域特征进行特征提取，得到多个初始振动特征；
（3）对多个初始振动特征进行特征聚类分析，得到多个摩擦振动特征；
（4）将多个摩擦振动特征输入预置的多类支持向量机模型，多类支持向量机模型包括：，y表示目标运动特征，/>表示支持向量的系数，/>表示第i个数据点的类别，/>表示核函数，用于计算输入x与支持向量/>之间的相似度，b表示偏置项；
（5）通过多类支持向量机模型对多个摩擦振动特征进行运动特征分类，得到多个目标运动特征。
具体的，对手环摩擦振动数据进行初步的处理，包括计算规范特征、规范方差和频域特征。规范特征通常指的是数据的基本统计量，如平均值、中位数等，这些特征能够提供关于振动数据整体分布和中心趋势的信息。规范方差则是衡量数据分散程度的统计量，它可以反映振动强度的变化和不稳定性。频域特征则通过将时间序列数据转换到频率域来分析，如通过快速傅里叶变换得到的频谱，这些特征能够揭示振动数据的周期性和频率分布特点。对规范特征、规范方差和频域特征进行进一步的特征提取,从原始的振动数据中提炼出更加精细和有代表性的特征信息，以提高后续分类模型的准确性和效率。特征提取涉及到降维算法、特征选择方法等，旨在剔除冗余和无关特征，保留最有用的信息。对提取出的初始振动特征进行特征聚类分析。特征聚类是一种无监督学习方法，它可以将相似的特征聚集在一起，形成几个独立的特征组或簇。这一步骤能够进一步增强特征的区分度和代表性，为后续的分类提供更清晰的特征结构。聚类算法包括K-means、层次聚类等，每种算法都有其优势和适用场景。将经过聚类分析的摩擦振动特征输入预置的多类支持向量机（SVM）模型。多类SVM是一种强大的监督学习算法，它通过构建在不同类别之间的最优边界来实现分类。在这个模型中，支持向量代表了数据中的关键特征点，而核函数则用于计算输入数据与这些支持向量之间的相似度，从而判断输入数据的类别。支持向量的系数和偏置项是通过训练数据学习得到的，决定了最终的决策边界形状。通过将摩擦振动特征输入多类SVM模型，将这些特征分类到不同的目标运动类别中，如静止、行走、跑步等。通过多类SVM模型对摩擦振动特征进行运动特征分类，得到多个目标运动特征。这些目标运动特征是对用户当前运动状态的详细描述，它们不仅包括了运动的类型，还包括了运动的强度、速度、节奏等信息。
在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：
（1）通过预置的图卷积网络对环境变化数据集进行环境变化特征提取，得到多个环境变化特征；
（2）对多个环境变化特征和多个目标运动特征进行特征融合，得到多个目标融合特征；
（3）将多个目标融合特征输入预置的反向传播神经网络，通过反向传播神经网络对多个目标融合特征进行导航策略预测，得到初始导航策略；
（4）计算初始导航策略的预测误差值，并采用麻雀搜索算法根据预测误差值对反向传播神经网络进行参数优化，得到参数优化后的反向传播神经网络；
（5）根据参数优化后的反向传播神经网络对多个目标融合特征进行导航策略预测，得到目标导航策略。
具体的，通过预置的图卷积网络（GCN）对环境变化数据集进行特征提取。图卷积网络是深度学习中的一种算法，适合处理图结构数据，例如路网等。本实施例中，GCN能够考虑到各种环境要素之间的复杂关系，如交通状况、天气变化、地形地貌等，并从中提取出反映环境变化的关键特征。对从GCN得到的多个环境变化特征和从其他模型（如支持向量机模型）得到的多个目标运动特征进行特征融合。特征融合是一个集成不同数据源信息的过程，它可以通过各种方法实现，如简单的特征拼接、更复杂的模型融合技术等。目的是生成一个综合的特征表示，既包括了环境的变化，也包括了用户的运动状态，从而为后续的导航策略预测提供更全面的信息。之后，将目标融合特征输入预置的反向传播神经网络。反向传播神经网络是一种常见的深度学习模型，它通过大量的历史数据学习，能够发现数据之间的深层次关系和规律。根据融合的特征预测最佳的导航策略，生成一个初始导航策略。这个初始导航策略是基于当前用户状态和环境条件的最佳猜测。优化初始导航策略，计算预测误差值，并采用麻雀搜索算法进行参数优化。麻雀搜索算法是一种群体智能优化算法，它模拟麻雀的觅食和反捕食行为，通过群体的合作和竞争寻找最优解。在这个过程中，算法会调整反向传播神经网络的参数，以最小化预测误差，从而优化导航策略。通过这种方式，初始导航策略经过反复的迭代和优化，变成了一个更精准、更适应当前环境和用户状态的目标导航策略。根据优化后的反向传播神经网络对目标融合特征进行再次导航策略预测，得到最终的目标导航策略。这个目标导航策略是在充分考虑用户运动状态、外部环境条件以及导航需求的基础上，通过智能算法优化和调整得到的。它能够为用户提供更加安全、高效、个性化的导航服务。
在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：
（1）基于目标导航策略计算智能手环的振动强度，得到振动强度数据；
（2）对智能手环进行振动频率计算，得到振动频率数据，并对智能手环进行振动持续时间计算，得到振动持续时间数据；
（3）根据振动强度数据、振动频率数据以及振动持续时间数据生成智能手环的振动参数集合；
（4）根据振动参数集合生成智能手环的振动反馈信息，同时，通过智能手环响应振动反馈信息以对目标用户进行实时导航。
具体的，根据目标导航策略计算智能手环的振动强度，得到振动强度数据。振动强度是用户感知振动的直接体现，它需要根据用户当前的环境条件、手环的佩戴方式以及用户的个人偏好来调整。例如，在嘈杂的环境中，振动强度需要调高，以确保用户能够感知到导航指令；而在安静的图书馆里，振动强度则应该调低，以避免打扰他人。对智能手环进行振动频率计算，得到振动频率数据，并对智能手环进行振动持续时间计算，得到振动持续时间数据。振动频率决定了振动的快慢节奏，不同的振动频率可以传达不同的信息。例如，快速的振动表示需要立即转向，而慢速的振动则表示继续直行。振动持续时间则决定了每次振动的长度，长时间的振动用于提醒用户注意重要的导航变化，而短暂的振动则用于传达较为普通的信息。根据振动强度数据、振动频率数据以及振动持续时间数据生成智能手环的振动参数集合。这个参数集合是振动反馈信息生成的基础，它将被用来指导智能手环产生相应的振动模式。通过综合考虑这些振动参数，生成多种不同的振动模式，以适应不同的导航需求和用户偏好。根据振动参数集合生成智能手环的振动反馈信息。通过设计一系列标准的振动模式，如短振、长振、连续快振等，每种模式对应一种特定的导航指令或信息。通过不断测试和用户反馈，优化这些振动模式，使它们更加符合用户的直觉和习惯。通过智能手环响应振动反馈信息以对目标用户进行实时导航。当用户进行行走或其他运动时，智能手环根据预设的振动模式产生振动，用户通过感知这些振动来获得导航指令，从而实现实时导航。这种基于振动反馈的导航方式不仅可以在嘈杂的环境中有效工作，还可以在用户视线被遮挡或手忙脚乱的情况下提供帮助，极大地提高了导航的灵活性和适用性。
上面对本申请实施例中基于智能手环的导航方法进行了描述，下面对本申请实施例中基于智能手环的导航系统进行描述，请参阅图2，本申请实施例中基于智能手环的导航系统一个实施例包括：
获取模块201，用于基于智能手环获取目标用户的历史位置数据集并通过自编码器网络模型进行位置特征提取和位置移动模式预测，得到所述目标用户的目标位置移动模式；
规划模块202，用于通过所述智能手环获取所述目标用户的起始位置数据并通过所述目标位置移动模式进行线性路径规划和路径调整，得到对应的目标规划路径；
监测模块203，用于根据所述目标规划路径对所述目标用户进行实时导航并监测得到实时位置数据，以及对所述实时位置数据和所述目标规划路径进行导航偏差检测和摩擦振动分析，得到手环摩擦振动数据；
分类模块204，用于对所述手环摩擦振动数据进行特征提取，得到多个摩擦振动特征，并将所述多个摩擦振动特征输入预置的多类支持向量机模型进行运动特征分类，得到多个目标运动特征；
分析模块205，用于将所述多个目标运动特征输入预置的反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对所述初始导航策略进行策略动态优化，得到目标导航策略；
反馈模块206，用于基于所述目标导航策略计算所述智能手环的振动参数集合，并根据所述振动参数集合生成振动反馈信息，同时，通过所述智能手环响应所述振动反馈信息以对所述目标用户进行实时导航。
通过上述各个组成部分的协同合作，通过智能手环获取目标用户的历史位置数据，并利用自编码器网络模型提取位置特征和移动模式，实现了对用户个性化行为的学习和预测。这有助于更准确地理解用户的导航偏好和行为模式，从而提供更符合用户需求的导航服务。通过监测实时位置数据、导航路径偏差和摩擦振动分析，实现了对用户导航过程中环境变化的实时感知。系统可以根据实时情况对路径进行调整，提高导航准确性和适应性，使用户在复杂环境中更容易找到目标位置。利用智能手环的振动反馈机制，根据计算得到的振动参数集合生成振动反馈信息，实现了通过触觉方式辅助用户导航。这种创新的导航反馈方式有望提高用户对导航指令的感知，特别是在需要避免视觉或听觉干扰的情况下。通过反向传播神经网络和麻雀搜索算法，实现了对导航策略的深度学习和动态优化。这使得系统可以更好地适应不同用户、不同环境和不同导航场景，提高导航的智能性和灵活性。采用了多个技术层次的特征提取和分类模型，包括自编码器网络、支持向量机和反向传播神经网络。这种多层次的特征处理能够更全面地捕捉和分析用户的位置、运动和环境信息，提高导航系统的综合性能。综合运用了自编码器网络、支持向量机、反向传播神经网络和麻雀搜索算法等多种技术手段。这种综合运用有助于克服单一技术的局限性，提高了导航系统的鲁棒性和可靠性，进而提高了智能手环的导航精度。
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，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元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，本申请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全部或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）执行本申请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（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (5)
1.一种基于智能手环的导航方法，其特征在于，所述基于智能手环的导航方法包括：
基于智能手环获取目标用户的历史位置数据集并通过自编码器网络模型进行位置特征提取和位置移动模式预测，得到所述目标用户的目标位置移动模式；具体包括：基于智能手环获取目标用户的历史位置数据集，并通过非负主成分分析算法对所述历史位置数据集进行数据降维和特征提取，得到目标位置特征数据；构建所述目标用户的连续吸引子网络模型，并根据所述连续吸引子网络模型对所述目标用户进行移动方向预测，得到目标移动方向；通过自编码器网络模型对所述目标位置特征数据进行移动位置预测，得到目标移动位置；根据所述目标移动方向以及所述目标移动位置生成所述目标用户的目标位置移动模式；
通过所述智能手环获取所述目标用户的起始位置数据并通过所述目标位置移动模式进行线性路径规划和路径调整，得到对应的目标规划路径；具体包括：通过所述智能手环获取所述目标用户的起始位置数据，并根据所述起始位置数据和所述目标位置移动模式生成所述目标用户的初始规划路径；通过预置的导航测度函数对所述初始规划路径进行导航测度计算，得到导航测度值，所述导航测度函数为：，/>表示在距离/>处的导航测度值，/>表示第/>个障碍物的权重，/>表示狄拉克δ函数，/>表示到第/>个障碍物的距离；通过预置的线性路径规划模型，根据所述导航测度值对所述初始规划路径进行路径避障优化，得到优化后的路径，所述线性路径规划模型包括：线性规划目标函数：，/>为目标函数值，表示总成本或风险，/>表示第/>个变量的成本系数，/>表示决策变量；导航函数：/>，/>表示在点/>外的导航函数值，/>表示归一化常数，/>表示目的地坐标，/>表示导航测度值；获取所述优化后的路径对应的环境变化数据集，并根据所述环境变化数据集对所述优化后的路径进行路径调整，得到对应的目标规划路径；
根据所述目标规划路径对所述目标用户进行实时导航并监测得到实时位置数据，以及对所述实时位置数据和所述目标规划路径进行导航偏差检测和摩擦振动分析，得到手环摩擦振动数据；
对所述手环摩擦振动数据进行特征提取，得到多个摩擦振动特征，并将所述多个摩擦振动特征输入预置的多类支持向量机模型进行运动特征分类，得到多个目标运动特征；具体包括：分别计算所述手环摩擦振动数据的规范特征、规范方差以及频域特征；对所述规范特征、所述规范方差以及所述频域特征进行特征提取，得到多个初始振动特征；对所述多个初始振动特征进行特征聚类分析，得到多个摩擦振动特征；将所述多个摩擦振动特征输入预置的多类支持向量机模型，所述多类支持向量机模型包括：，/>表示目标运动特征，/>表示支持向量的系数，/>表示第/>个数据点的类别，/>表示核函数，用于计算输入x与支持向量/>之间的相似度，/>表示偏置项；通过所述多类支持向量机模型对所述多个摩擦振动特征进行运动特征分类，得到多个目标运动特征；
将所述多个目标运动特征输入预置的反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对所述初始导航策略进行策略动态优化，得到目标导航策略；
基于所述目标导航策略计算所述智能手环的振动参数集合，并根据所述振动参数集合生成振动反馈信息，同时，通过所述智能手环响应所述振动反馈信息以对所述目标用户进行实时导航。
2.根据权利要求1所述的基于智能手环的导航方法，其特征在于，所述根据所述目标规划路径对所述目标用户进行实时导航并监测得到实时位置数据，以及对所述实时位置数据和所述目标规划路径进行导航偏差检测和摩擦振动分析，得到手环摩擦振动数据，包括：
根据所述目标规划路径生成所述智能手环对应的路径导航指令，并根据所述路径导航指令对所述目标用户进行实时导航；
通过所述智能手环对所述目标用户进行实时位置监测，得到实时位置数据；
对所述实时位置数据和所述目标规划路径进行导航路径偏差计算，得到导航路径偏差量；
对所述导航路径偏差量与预设目标值进行比较，得到导航偏差检测结果；
根据所述导航偏差检测结果，对所述目标用户和所述智能手环之间的摩擦振动进行数据采集，得到手环摩擦振动数据。
3.根据权利要求1所述的基于智能手环的导航方法，其特征在于，所述将所述多个目标运动特征输入预置的反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对所述初始导航策略进行策略动态优化，得到目标导航策略，包括：
通过预置的图卷积网络对所述环境变化数据集进行环境变化特征提取，得到多个环境变化特征；
对所述多个环境变化特征和所述多个目标运动特征进行特征融合，得到多个目标融合特征；
将所述多个目标融合特征输入预置的反向传播神经网络，通过所述反向传播神经网络对所述多个目标融合特征进行导航策略预测，得到初始导航策略；
计算所述初始导航策略的预测误差值，并采用麻雀搜索算法根据所述预测误差值对所述反向传播神经网络进行参数优化，得到参数优化后的反向传播神经网络；
根据所述参数优化后的反向传播神经网络对所述多个目标融合特征进行导航策略预测，得到目标导航策略。
4.根据权利要求1所述的基于智能手环的导航方法，其特征在于，所述基于所述目标导航策略计算所述智能手环的振动参数集合，并根据所述振动参数集合生成振动反馈信息，同时，通过所述智能手环响应所述振动反馈信息以对所述目标用户进行实时导航，包括：
基于所述目标导航策略计算所述智能手环的振动强度，得到振动强度数据；
对所述智能手环进行振动频率计算，得到振动频率数据，并对所述智能手环进行振动持续时间计算，得到振动持续时间数据；
根据所述振动强度数据、所述振动频率数据以及所述振动持续时间数据生成所述智能手环的振动参数集合；
根据所述振动参数集合生成所述智能手环的振动反馈信息，同时，通过所述智能手环响应所述振动反馈信息以对所述目标用户进行实时导航。
5.一种基于智能手环的导航系统，其特征在于，所述基于智能手环的导航系统包括：
获取模块，用于基于智能手环获取目标用户的历史位置数据集并通过自编码器网络模型进行位置特征提取和位置移动模式预测，得到所述目标用户的目标位置移动模式；具体包括：基于智能手环获取目标用户的历史位置数据集，并通过非负主成分分析算法对所述历史位置数据集进行数据降维和特征提取，得到目标位置特征数据；构建所述目标用户的连续吸引子网络模型，并根据所述连续吸引子网络模型对所述目标用户进行移动方向预测，得到目标移动方向；通过自编码器网络模型对所述目标位置特征数据进行移动位置预测，得到目标移动位置；根据所述目标移动方向以及所述目标移动位置生成所述目标用户的目标位置移动模式；
规划模块，用于通过所述智能手环获取所述目标用户的起始位置数据并通过所述目标位置移动模式进行线性路径规划和路径调整，得到对应的目标规划路径；具体包括：通过所述智能手环获取所述目标用户的起始位置数据，并根据所述起始位置数据和所述目标位置移动模式生成所述目标用户的初始规划路径；通过预置的导航测度函数对所述初始规划路径进行导航测度计算，得到导航测度值，所述导航测度函数为：，/>表示在距离/>处的导航测度值，/>表示第/>个障碍物的权重，/>表示狄拉克δ函数，/>表示到第/>个障碍物的距离；通过预置的线性路径规划模型，根据所述导航测度值对所述初始规划路径进行路径避障优化，得到优化后的路径，所述线性路径规划模型包括：线性规划目标函数：/>，Z为目标函数值，表示总成本或风险，/>表示第/>个变量的成本系数，/>表示决策变量；导航函数：，/>表示在点/>外的导航函数值，/>表示归一化常数，/>表示目的地坐标，/>表示导航测度值；获取所述优化后的路径对应的环境变化数据集，并根据所述环境变化数据集对所述优化后的路径进行路径调整，得到对应的目标规划路径；
监测模块，用于根据所述目标规划路径对所述目标用户进行实时导航并监测得到实时位置数据，以及对所述实时位置数据和所述目标规划路径进行导航偏差检测和摩擦振动分析，得到手环摩擦振动数据；
分类模块，用于对所述手环摩擦振动数据进行特征提取，得到多个摩擦振动特征，并将所述多个摩擦振动特征输入预置的多类支持向量机模型进行运动特征分类，得到多个目标运动特征；具体包括：分别计算所述手环摩擦振动数据的规范特征、规范方差以及频域特征；对所述规范特征、所述规范方差以及所述频域特征进行特征提取，得到多个初始振动特征；对所述多个初始振动特征进行特征聚类分析，得到多个摩擦振动特征；将所述多个摩擦振动特征输入预置的多类支持向量机模型，所述多类支持向量机模型包括：，/>表示目标运动特征，/>表示支持向量的系数，/>表示第/>个数据点的类别，/>表示核函数，用于计算输入/>与支持向量/>之间的相似度，表示偏置项；通过所述多类支持向量机模型对所述多个摩擦振动特征进行运动特征分类，得到多个目标运动特征；
分析模块，用于将所述多个目标运动特征输入预置的反向传播神经网络进行导航策略分析，得到初始导航策略，并采用麻雀搜索算法对所述初始导航策略进行策略动态优化，得到目标导航策略；
反馈模块，用于基于所述目标导航策略计算所述智能手环的振动参数集合，并根据所述振动参数集合生成振动反馈信息，同时，通过所述智能手环响应所述振动反馈信息以对所述目标用户进行实时导航。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410114921.4A CN117647250B (zh) | 2024-01-29 | 2024-01-29 | 基于智能手环的导航方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410114921.4A CN117647250B (zh) | 2024-01-29 | 2024-01-29 | 基于智能手环的导航方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117647250A CN117647250A (zh) | 2024-03-05 |
| CN117647250B true CN117647250B (zh) | 2024-04-30 |
Family
ID=90049830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410114921.4A Active CN117647250B (zh) | 2024-01-29 | 2024-01-29 | 基于智能手环的导航方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647250B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118042594B (zh) * | 2024-04-11 | 2024-06-14 | 北京大希科技有限公司 | 智能室内定位系统中的步长自动识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101713999A (zh) * | 2009-11-18 | 2010-05-26 | 北京矿冶研究总院 | 地下自主铲运机的导航控制方法 |
| CN111044052A (zh) * | 2019-12-31 | 2020-04-21 | 西安交通大学 | 一种基于智能感知的无人机自适应导航系统及方法 |
| CN114460941A (zh) * | 2022-02-09 | 2022-05-10 | 云南大学 | 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 |
| CN114510031A (zh) * | 2021-12-31 | 2022-05-17 | 中原动力智能机器人有限公司 | 机器人视觉导航方法、装置、机器人及存储介质 |
| CN114756021A (zh) * | 2022-03-01 | 2022-07-15 | 深圳市正浩创新科技股份有限公司 | 路径跟踪方法、装置与路径跟踪设备 |
| CN114859930A (zh) * | 2022-05-19 | 2022-08-05 | 山东省海洋科学研究院(青岛国家海洋科学研究中心) | 一种路径规划方法、无人艇集群的控制方法及系统 |
| CN115685736A (zh) * | 2022-11-04 | 2023-02-03 | 合肥工业大学 | 一种基于热成像与卷积神经网络的轮式巡检机器人 |
| CN115877869A (zh) * | 2023-01-10 | 2023-03-31 | 北京航空航天大学 | 一种无人机路径规划方法及系统 |
| CN116959665A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市爱保护科技有限公司 | 运动监测方法、装置、设备及存储介质 |
| CN117400945A (zh) * | 2023-12-15 | 2024-01-16 | 广汽埃安新能源汽车股份有限公司 | 一种基于单目视觉信息的车辆控制方法及装置 |
-
2024
- 2024-01-29 CN CN202410114921.4A patent/CN117647250B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101713999A (zh) * | 2009-11-18 | 2010-05-26 | 北京矿冶研究总院 | 地下自主铲运机的导航控制方法 |
| CN111044052A (zh) * | 2019-12-31 | 2020-04-21 | 西安交通大学 | 一种基于智能感知的无人机自适应导航系统及方法 |
| CN114510031A (zh) * | 2021-12-31 | 2022-05-17 | 中原动力智能机器人有限公司 | 机器人视觉导航方法、装置、机器人及存储介质 |
| CN114460941A (zh) * | 2022-02-09 | 2022-05-10 | 云南大学 | 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 |
| CN114756021A (zh) * | 2022-03-01 | 2022-07-15 | 深圳市正浩创新科技股份有限公司 | 路径跟踪方法、装置与路径跟踪设备 |
| CN114859930A (zh) * | 2022-05-19 | 2022-08-05 | 山东省海洋科学研究院(青岛国家海洋科学研究中心) | 一种路径规划方法、无人艇集群的控制方法及系统 |
| CN115685736A (zh) * | 2022-11-04 | 2023-02-03 | 合肥工业大学 | 一种基于热成像与卷积神经网络的轮式巡检机器人 |
| CN115877869A (zh) * | 2023-01-10 | 2023-03-31 | 北京航空航天大学 | 一种无人机路径规划方法及系统 |
| CN116959665A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市爱保护科技有限公司 | 运动监测方法、装置、设备及存储介质 |
| CN117400945A (zh) * | 2023-12-15 | 2024-01-16 | 广汽埃安新能源汽车股份有限公司 | 一种基于单目视觉信息的车辆控制方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117647250A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117647250B (zh) | 基于智能手环的导航方法及系统 | |
| Siami et al. | A mobile telematics pattern recognition framework for driving behavior extraction | |
| Lughofer | Extensions of vector quantization for incremental clustering | |
| KR20130092272A (ko) | 스마트 단말을 이용한 사용자의 이동 경로 실시간 예측 방법 및 그 시스템 | |
| Turgut et al. | Deep learning in indoor localization using WiFi | |
| KR102637133B1 (ko) | 온-디바이스 활동 인식 | |
| Küçükkeçeci et al. | Multilevel object tracking in wireless multimedia sensor networks for surveillance applications using graph-based big data | |
| Zhou et al. | Grouptron: Dynamic multi-scale graph convolutional networks for group-aware dense crowd trajectory forecasting | |
| CN109740091B (zh) | 一种基于行为认知的用户网络行为的预测系统及方法 | |
| Rabbi et al. | Human activity analysis and recognition from smartphones using machine learning techniques | |
| Linda et al. | Online spatio-temporal risk assessment for intelligent transportation systems | |
| Dong et al. | Event stream learning using spatio-temporal event surface | |
| Seera et al. | A hybrid FMM-CART model for human activity recognition | |
| Iqbal et al. | Data-driven transition matrix estimation in probabilistic learning models for autonomous driving | |
| CN116680613A (zh) | 基于多尺度度量学习的人类活动识别综合优化方法 | |
| Spiegel et al. | Pattern recognition in multivariate time series: dissertation proposal | |
| Pushkar et al. | A comparative study on change-point detection methods in time series data | |
| Lushan et al. | Supervising vehicle using pattern recognition: Detecting unusual behavior using machine learning algorithms | |
| Quero et al. | A dynamic fuzzy temporal clustering for imprecise location streams | |
| Hosseini et al. | The design of robust soft sensor using ANFIS network | |
| Sas et al. | Virtual environment trajectory analysis: a basis for navigational assistance and scene adaptivity | |
| Ravi et al. | On-line evolving fuzzy clustering | |
| Yadav et al. | A method for generating membership function from numerical data | |
| CN117667294B (zh) | 基于智能手环的智能语音助手处理方法及系统 | |
| Chaudhari et al. | Fundamentals, Algorithms, and Technologies of Occupancy Detection for Smart Buildings Using IoT Sensors |
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 |