具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述，附图中给出了本发明的若干实施例，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件；当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件；本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同；本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明；本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1，本实施例提供一种通过一维卷积神经网用IMU数据进行精确室内定位的方法，包括以下步骤：

S1：获取待定位对象的初始点位置坐标信息；

S2：获取IMU采集的惯性导航数据，对获得的IMU惯性导航数据进行预处理，对预处理后的IMU惯性导航数据进行行为状态分类和性别分类，基于分类后得到的IMU惯性导航数据构建参考数据库；

S3：构建神经网络CNN模型，利用所述参考数据库作为训练样本，训练得到神经网络CNN模型，所述神经网络CNN模型训练的过程包括：所述神经网络CNN模型采用前向传播算法对神经网络中相邻神经元之间的连接权值进行调整。其中，对神经网络中相邻神经元之间的连接权值进行调整的过程包括：根据前向响应传播传到最后一层得到的位移信息预测，得到其与待定位对象实际位移信息的误差值，根据得到的误差值，不断调节神经网络的连接权值；当前向响应传播传到最后一层得到的位移信息预测与待定位对象实际位移信息的误差值达到e^-7级，停止调节；

S4：将待定位对象的IMU惯性导航数据经预处理后输入至训练得到的神经网络CNN模型中，输出得到待定位对象的位移信息，根据输出得到的位移信息，结合待定位对象的初始点位置坐标信息，估算待定位对象的位置坐标，其中所述位移信息包括位移的方向和大小。

步骤S1中，进行行为状态分类的方法为：根据IMU采集的加速度信息a 得到加速度频率f，当0Hz<f<2Hz，判定为行走状态；当f＝0Hz，判定为静止状态；当f≥2Hz时，则判定为跑步状态；

进行性别分类的方法为：根据IMU采集的加速度信息a，当4.2m/s<a<5.1m/s，判定为男性；当3.4m/s<a<4.6m/s，判定为女性。

下面对各步骤进行更具体的描述。

对步骤S2而言，所述IMU采集的惯性导航数据包括加速度信息、角速度信息以及磁力信息，所述参考数据库包括述IMU采集的一组或多组惯性导航数据。对IMU而言，IMU通常包括多个三轴陀螺仪、三轴加速度计、以及三轴磁力计，以测量待定位对象在室内空间的加速度、角速度、以及磁力信息。上述 IMU可以携带在待定位对象之上，也可以设置于待目标对象所处的室内环境中。

对步骤S3而言，神经网络CNN模型包括卷积层、降采样层和全链接层，每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元。训练的目标就是通过调整每一个权值Wij来使得成本函数(cost function)达到最小。本实施例中，采用梯度下降法有效求解最小化cost函数。梯度下降法具体包括：给定一个迭代点，并求出该点的梯度向量，然后以负梯度方向为搜索方向，以一定的步长进行搜索，从而确定下一个迭代点，再计算新的梯度方向，重复直到cost收敛。梯度具体计算方式如下：

假设我们把cost函数表示为H(W₁₁，W₁₂，...，W_ij，...，W_mn)，那么它的梯度向量就等于其中e_ij表示正交单位向量。利用反向传播算法(Back propagation)求出cost函数H对每一个权值 W_ij的偏导数。

请参阅图3，图3所示为机器学习中的样本点对应的复合函数。

其对应的表达式为：

上式中的W_ij就是相邻两神经元之间的权值，它们就是需要学习的参数，也相当于直线拟合y＝k*x+b中的待求参数k和b，不过在机器学习中，一般是采用成本函数(costfunction)，训练的目标就是通过调整每一个权值W_ij来使得cost 达到最小。Cost函数也可以看成是由所有待求权值W_ij为自变量的复合函数，而且基本上是非凸的，即含有许多局部最小值，采用梯度下降法就可以有效的求解最小化cost函数的问题。

梯度下降法需要给定一个迭代点，并求出该点的梯度向量，然后以负梯度方向为搜索方向，以一定的步长进行搜索，从而确定下一个迭代点，再计算新的梯度方向，重复直到cost收敛。梯度具体计算方式如下：

假设我们把cost函数表示为H(W₁₁，W₁₂，...，W_ij，...，W_mn)，那么它的梯度向量就等于其中e_ij表示正交单位向量。利用反向传播算法(Back propagation，后用BP算法表示)求出cost 函数H对每一个权值W_ij的偏导数。其具体过程为：

以求e＝(a+b)*(b+1)的偏导数为例，它们的复合关系式如附图图4所示。

在图中，引入中间变量c和d，为了求出a＝2，b＝1时，e的梯度，需要先求出不同层之间相邻节点的偏导关系，如附图图5所示。

以附图图5所示公式为例，从最上层的节点e开始，初始值为1，以层为单位进行处理。对于e的下一层的所有子节点，将1乘以e到某个节点路径上的偏导值，并将结果“堆放”在该子节点中。等e所在的层按照这样传播完毕后，第二层的每一个节点都“堆放"些值，然后我们针对每个节点，把它里面所有“堆放”的值求和，就得到了顶点e对该节点的偏导。然后将这些第二层的节点各自作为起始顶点，初始值设为顶点e对它们的偏导值，以"层"为单位重复上述传播过程，即可求出顶点e对每一层节点的偏导数。节点c接受e发送的1*2 并堆放起来，节点d接受e发送的1*3并堆放起来，至此第二层完毕，求出各节点总堆放量并继续向下一层发送。节点c向a发送2*1并对堆放起来，节点c 向b发送2*1并堆放起来，节点d向b发送3*1并堆放起来，至此第三层完毕，节点a堆放起来的量为2，节点b堆放起来的量为2*1+3*1＝5,即顶点e对b的偏导数为5.

反向传播具体计算推导过程：

对应网络式如附图图6所示。

附图图6所示网络式对应的矩阵表示为

Y_out＝0.5

W1＝[w₅₃ w₅₄]＝[0.3 0.9]

首先用前向传播计算：

那么：

同理可以得到：

y2＝f(z2)＝f(w1*y1)＝f([0.801])＝[0.69]

那么最终损失可以计算得出：

在通过方向传播算法，将该值进一步降低，根据公式，可以得出：

根据链式法则求C对w的偏导：

同理可得：

以上为最后一层的参数偏导，现在还需求w₃₁,w₃₂,w₄₁,w₄₂

公式均为：

则

最终结果为：

按照这个权重参数不断前向传播算法，继续训练，直到前向响应传播传到最后一层得到的位移信息预测与待定位对象实际位移信息的误差值达到e^-7级，停止调节，得到训练好的神经网络CNN模型。

对步骤S4而言，由于根据输出得到的位移信息估算待定位对象的位置坐标时，由于步骤S1中对获得的IMU惯性导航数据进行预处理后，还包括对预处理后的IMU惯性导航数据进行行为状态分类和性别分类，因此在本实施例中，将一个预处理后的实时IMU惯性导航数据输入到神经网络CNN模型后，其不仅仅能够根据输出得到的位移信息估算待定位对象的位置坐标，还能够估算待定位对象的行为状态和性别。

对本实施例中的神经网络CNN模型而言，其输入的数据为所述IMU采集的惯性导航数据，具体包括加速度信息、角速度信息以及磁力信息，经神经网络CNN模型输出的为待定位对象的位移信息，其对待定位对象的位置坐标估算是通过待定位对象的初始位置坐标，再加上位移就可以知道实时位置变化，最终完成对待定位对象的位置坐标估算。本申请中，经神经网络CNN模型输出的为待定位对象的位移信息而不是待定位对象的估算坐标信息的原因在于：如图2 所示，假设待定位对象的初始位置坐标为A点，在采用本实施例中的神经网络 CNN模型对待定位对象最终的E点坐标进行估算时，神经网络CNN模型只需要得到A点到E点的位移，从而计算E点位置；而当神经网络CNN模型输出的直接为待定位对象的估算坐标信息时，神经网络CNN模型必须计算出A点和 E点之间的B、C、D点的坐标，再通过D点的坐标来估算E点坐标。相比之下，本申请中经神经网络CNN模型输出待定位对象的位移信息的方式，可以使得当待定位对象长时间运动时，神经网络CNN模型可以节省大量的运算量，进而减少系统负担。

综上，本实施例的通过一维卷积神经网用IMU数据进行精确室内定位的方法，相较于传统积分计算方法会在1-2次积分过程中将噪声放大，出现因滤波导致噪声干扰大或失真等情况，本发明通过机器学习方式，可以有效避免噪声的干扰，只要采集到实际行走时的数据波形，通过模拟、预处理、训练等过程生成一个无限接近实际的模型即可精准计算位移，进行定位。

以上所述实施例仅表达了本发明的某种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，本发明专利的保护范围应以所附权利要求为准。