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！

申请/专利权人：重庆邮电大学

摘要：本发明公开了一种基于宽度学习系统BroadLearningSystem，BLS的惯性导航定位方法。首先将惯性传感器采集到的加速度和角速度等一维时间序列信息进行归一化和缩放预处理，然后将缩放后的时间序列进行极坐标变换得到每个数据点对应的角度和半径，并利用格拉姆角场GramianAugularFields,GAF对上述信息重构得到二维图像。接着建立宽度学习模型同时输入各类节点初始数量，再增加通过拟合函数计算需要的增强节点数量进行增量宽度学习，最后输出训练结果，实现对二维位置坐标的准确预测，进而达到精确定位。

主权项：1.一种基于宽度学习系统的惯性导航定位方法，其特征在于包括以下的步骤：步骤一、将惯性传感器放置于足部，以100HZ的采样率采集加速度与角速度原始时间序列，加速度计与陀螺仪采集到的数据均包括三个轴向时间序列信号x,y,z。步骤二、对上述数据进行归一化处理，利用公式将其放缩到[-1,1]之间，其中X＝{x1,x2,x3,......,xn-1,xn}为采集到的其中一个三轴信号，归一化后的Gram矩阵为φi,j表示向量i,j之间的夹角，Gram矩阵表示了向量集合中的向量两两之间的内积，间接表示了向量之间的相关程度，而这种相关程度是由向量之间的夹角来决定的。步骤三、由于时序数据点并不是向量，因此需要将其转化为带有角度的表示，极坐标很好的解决了这个问题：将上述缩放后的时间序列映射到极坐标中，同时将幅值编码为角余弦，将时间轴编码为半径，得到每一个数据点对应的半径和角度：ti为对应的时间戳，M为归一化因子，用于规范极坐标系的标尺跨度，不同归一化缩放尺度具有映射为极坐标系后不同的角度范围，[-1,1]归一化对应于[0,π]的余弦函数范围。步骤四、时间序列经过步骤三的极坐标变换，使其蕴含时间信息，此时利用GAF对加速度和角速度时间序列进行重构，同时利用和角关系和差角关系，分别得到对应的格拉姆角和场Gramianangularsummationfield,GASF:格拉姆角差场Gramianangulardferencefield,GADF:将GASF和GADF的数值直接成像成灰度图或者映射为伪彩色图像，即实现一维时间序列信号到图像的变换，对于基于可穿戴传感器的动作数据，加速度计、陀螺仪信号是三轴式的，因此将上述得到的三轴传感器数据x轴、y轴和z轴的GAF矩阵组装成大小为n×n×3的三通道图像，分别对应三个方向，表示为P＝{Gx,Gy,Gz}。步骤五、训练阶段：经过上述步骤预处理的训练数据集，构建宽度学习模型，利用步骤四生成的GAF图像，将其输入到构建好的模型中进行训练，输出为训练得到的BLS网络。具步骤六、增加增强节点数量，进行增量宽度学习，对于一些情况,当初始的模型拟合能力不够时,可以采用增量宽度学习来提高拟合能力,增量宽度学习是将增加的增强节点合并到原来的输入层中,增强层的增强节点越多，其非线性近似能力越强，由步骤五三可知网络输入层为Am＝[Zn|Hm]，此时需要增加p个节点，则新的输入层为Am+1＝[Am|ζZnWhm+1+βhm+1]，式中Whm+1∈Rnk×p为新增节点的随机权重，随机偏置为βhm+1∈Rp，并根据逐步更新算法得到更新后的输入层Am+1的伪逆为其中D＝Am+ζZnWhm+1+βhm+1，C＝ζZnWhm+1+βhm+1-AmD，所以BT为可得最终更新后的权重从而使BLS网络完成针对特定数据集的训练。步骤七、预测阶段：输入为经过预处理的预测数据集，以及训练好的映射层，相关权重和偏置，输出为需要预测的定位轨迹。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于宽度学习系统的惯性导航定位方法