[發明專利]基于神經網絡的多傳感器姿態數據融合方法及系統

有效

• 申請號: 201811264585.2
• 申請日: 2018-10-29
• 公開（公告）號: CN109409431B
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 孫鋒;原杰;鄭玲玲;唐國峰;陳祖斌
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 沈陽銘揚聯創知識產權代理事務所(普通合伙) 21241
• 代理人: 屈芳

1.一種基于神經網絡的多傳感器姿態數據融合方法，其特征在于，包括：

通過多個傳感器產生原始姿態數據；

構建卷積神經網絡，以將所述原始姿態數據作為所述卷積神經網絡的輸入，將經過卷積層、池化層、全連接層和第一激活函數后輸出的姿態數據作為所述卷積神經網絡的輸出進行輸出；

構建人工神經網絡，以將所述卷積神經網絡的輸出作為所述人工神經網絡的輸入，以及

根據預設的通用核結構對人工神經網絡的任一隱含層對應的預設節點的輸入不通過第二激活函數參與運算進行輸出,以及對所述任一隱含層對應的剩余節點的輸入通過第二激活函數參與運算進行輸出，以使得最末端隱含層的神經元節點的輸出為姿態角度數據；以及

將所述姿態角度數據作為所述人工神經網絡的輸出進行輸出;

所述預設的通用核結構為：

（1）

其中，為所述人工神經網絡的輸入，i=1，2，3…k；經過線性疊加W*X+b，輸出為，i=1，2，3…2ⁿ；2ⁿ表示任一隱含層的神經元節點的總個數，任一隱含層的每個神經元節點的輸入為前一層網絡的各個神經元的輸出組成，超參數m是隨機選擇的任一隱含層的預設節點的個數；以及

所述根據預設的通用核結構對人工神經網絡的任一隱含層對應的預設節點的輸入不通過第二激活函數參與運算進行輸出,以及對所述任一隱含層對應的剩余節點的輸入通過第二激活函數參與運算進行輸出，以使得最末端隱含層的神經元節點的輸出為姿態角度數據，具體包括：

根據式（1）對人工神經網絡的任一隱含層的m個節點的輸入不通過所述激活函數參與運算直接進行輸出,以及對所述任一隱含層的剩余的（）個節點的輸入通過所述激活函數參與運算進行輸出，以使得最末端隱含層的神經元節點的輸出為姿態角度數據。

2.根據權利要求1所述的基于神經網絡的多傳感器姿態數據融合方法，所述第一激活函數和第二激活函數均為tanh，所述tanh的函數表達式為：

（2）

其中，z為所述第一激活函數和第二激活函數的輸入；以及

所述z的函數表達式為：

（3）

其中，表示第（l-1）層的第k個神經元連接到第l層的第j個神經元的權重；表示第l層的第j個神經元的偏置；表示第l層的第j個神經元的輸入。

3.根據權利要求2所述的基于神經網絡的多傳感器姿態數據融合方法，其特征在于，前一隱含層的超參數m的數值與后一隱含層的超參數m的數值相同或不同；以及

前一隱含層的超參數m對應的預設節點與后一隱含層的超參數m對應的預設節點相同或不同。

4.根據權利要求1至3中任一項所述的基于神經網絡的多傳感器姿態數據融合方法，其特征在于，所述構建卷積神經網絡，以將所述原始姿態數據作為所述卷積神經網絡的輸入，將經過卷積層、池化層、全連接層和第一激活函數后輸出的姿態數據作為所述卷積神經網絡的輸出，具體包括：

構建卷積神經網絡的輸入層，所述輸入層的輸入數據為所述多個傳感器產生的原始姿態數據，所述原始姿態數據為m×n矩陣，m為傳感器的個數，n為時間序列采樣數；

構建卷積神經網絡的第一卷積層，并設置所述第一卷積層的過濾器大小和數量，通過所述第一卷積層的過濾器對所述輸入層的輸入數據進行卷積運算；

構建卷積神經網絡的第一池化層，并設置所述第一池化層的過濾器大小和數量，采用均值池化對所述第一卷積層輸出的數據進行運算；

構建卷積神經網絡的第二卷積層，設置所述第二卷積層的過濾器大小和數量，通過所述第二卷積層的過濾器對所述第一池化層的輸出數據進行卷積運算；

構建卷積神經網絡的第二池化層，設置所述第二池化層的過濾器大小和數量，采用均值池化對所述第二卷積層輸出的數據進行運算；

構建卷積神經網絡的輸出層，通過所述輸出層的全連接層和所述第一激活函數將所述第二池化層輸出的數據轉化為一維向量進行輸出。