买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉厦门大学申请的专利基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119958541B 。

龙图腾网通过国家知识产权局官网在2026-03-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510042907.2，技术领域涉及：G01C21/16；该发明授权基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统是由许忠炜;周朝霞;林志炜;郑浩麟;姚信哲设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统在说明书摘要公布了：本发明涉及一种基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统，属于室内定位领域。该系统通过引入神经网络NeuralNetwork,，将深度学习方法CNN‑LSTM应用于UWBNLOSLOS信号分类，然后再引入分布式扩展卡尔曼滤波DEKF将超宽带UWB经过CNN‑LSTM优化过后的数据与惯性测量单元IMU的数据进行融合，抑制IMU随时间漂移造成累计误差从而保证测距数据精度的同时也保证各个传感器数据融合不会出现累计误差和时间同步的问题。本发明所提出的基于分布式扩展卡尔曼滤波深度学习优化算法CNN‑LSTM‑DEKF能够自动适应不同的传感器特性及环境变化，在复杂的室内环境中提供更加准确、鲁棒的定位结果。实验结果表明，在多径效应显著和信号遮挡间隙的室内环境中，本发明方法显着提升了定位精度。

本发明授权基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统在权利要求书中公布了：1.一种基于分布式扩展卡尔曼滤波深度学习优化算法的室内综合定位系统，其特征在于，包括： 超宽带UWB模块，采集超宽带UWB测距数据，包括超宽带UWB的信道脉冲响应CIR数据； 惯性测量单元IMU模块，采集惯性测量单元IMU测距数据； 基于分布式扩展卡尔曼滤波深度学习优化算法模块，提出一种融合卷积长短期记忆网络CNN-LSTM和分布式扩展卡尔曼滤波DEKF的优化算法CNN-LSTM-DEKF，通过CNN-LSTM对超宽带UWB的信道脉冲响应CIR数据进行特征提取和分类预测，再通过DEKF将分类预测的数据与惯性测量单元IMU测距数据融合，抑制IMU随时间漂移造成累计误差，从而保证测距数据精度的同时也保证各个传感器数据融合不会出现累计误差和时间同步的问题； DEKF计算过程如下： 步骤一、局部预测阶段 每个节点i独立运行预测步骤，基于本地模型更新其状态估计： 为节点i相较于上一时刻k-1当前时刻k的预测状态估计；表示节点i在 k-1时刻的状态预测值；表示节点i在k-1时刻的控制输入；为节点i相较于上一 时刻k-1当前时刻k的预测误差协方差矩阵，表示节点i在k时刻状态转移函数； 表示节点i在k-1时刻的预测误差协方差矩阵；表示对状态转移函数求导得到的状态转 移矩阵；表示系统噪声协方差矩阵，描述状态转移的不确定性； 步骤二、局部更新阶段 每个节点根据观测值进行局部状态更新： 为节点i的卡尔曼增益，用于权衡预测和观测值的影响；表示观测函数的雅可比 矩阵；表示节点i的测量值；表示非线性观测函数，描述状态到观测值的映射关系； 表示观测噪声协方差，描述传感器测量的不确定性； 步骤三、信息共享阶段，各节点通过通信共享局部状态估计和协方差信息，形成全局信 息集合，共享内容包括、、； 步骤四、全局融合阶段，通过全局信息融合获得系统整体的最优状态估计，通过加权平均法根据协方差矩阵权重对各节点估计进行加权求和： 表示表示全局融合后的最优状态估计，表示第i个节点的权重，表示第i个 节点的局部状态估计； 步骤五、全局更新反馈阶段，将融合结果反馈到各节点，调整局部状态以保持全局一致性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人厦门大学，其通讯地址为：361102 福建省厦门市翔安区厦门大学翔安校区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。