基于神经网络的多传感器姿态数据融合方法及系统技术方案

本发明专利技术公开了一种基于神经网络的多传感器姿态数据融合方法及系统。该方法包括：通过多个传感器产生原始姿态数据；将原始姿态数据作为卷积神经网络输入，经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为卷积神经网络输出进行输出；将卷积神经网络输出作为人工神经网络输入，根据预设的通用核结构对人工神经网络任一隐含层对应的预设节点的输入不通过第二激活函数输出,以及对任一隐含层对应的剩余节点的输入通过第二激活函数输出，将最末端隐含层的神经元节点输出的姿态角度数据作为人工神经网络输出进行输出。本发明专利技术的融合方法，通过将卷积神经网络和优化的人工神经网络有效结合，提高了姿态角度数据的测量精度。

【技术实现步骤摘要】
基于神经网络的多传感器姿态数据融合方法及系统
本专利技术涉及多传感器数据融合的
，具体而言，涉及一种基于神经网络的多传感器数据融合方法及系统。
技术介绍
多传感器数据融合是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。它从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终达到信息优化的目的。而针对多传感器姿态数据的融合方法也已经成为许多工业应用领域最关键的问题之一。相关技术中公开了一种微型捷联航姿系统及其工作方法，其涉及一种基于MEMS(微机电系统，Micro-Electro-MechanicalSystem)器件的多传感器数据融合技术，通过捷联航姿系统解算航姿信息，同时用补偿后的磁场信息和加速度信息解算出三维磁姿态角，两者经过卡尔曼数据融合算法，最终得到稳定的航姿信息。相关技术中又公开了一种基于四元数和神经网络的无人机空中姿态识别和控制方法，该控制方法使用基于梯度下降的四元数算法得到更新的四元数方程，以此作为神经网络的输入，经过三层神经网络计算得到修正的输出值。上述相关技术具有以下缺陷：(1)卡尔曼过滤器只有在系统噪声和测量噪声已知的情况下才能达到最优的结果，并且使用卡尔曼过滤器的方法在泰勒展开后，需要忽略2阶及以上高阶项，在复杂模型中误差相对较大；(2)基于神经网络的四元数算法，其传感器数据类型较少，姿态检测的误差较大，数据融合精度有待进一步的提高。而对于一般的神经网络算法，在实际应用中，随着传感器数量的增加，会产生由于参数量增大而引起计算量变大的问题，在神经网络的收敛性和时间特性上无法达到最优。
技术实现思路
本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。为此，本专利技术的第一目的在于提出一种基于神经网络的多传感器姿态数据融合方法。本专利技术的第二目的在于提出一种基于神经网络的多传感器姿态数据融合系统。为了实现上述目的，本专利技术第一方面的技术方案，提供了一种基于神经网络的多传感器姿态数据融合方法，包括：通过多个传感器产生原始姿态数据；构建卷积神经网络，以将所述原始姿态数据作为所述卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出进行输出；构建人工神经网络，以将所述卷积神经网络的输出作为所述人工神经网络的输入，以及根据预设的通用核结构对人工神经网络的任一隐含层对应的预设节点的输入不通过第二激活函数参与运算进行输出,以及对所述任一隐含层对应的剩余节点的输入通过第二激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据；以及将所述姿态角度数据作为所述人工神经网络的输出进行输出。优选地，所述预设的通用核结构为：其中，xi为所述人工神经网络的输入，i＝1，2，3…k；xi经过线性叠加W*X+b，输出为Zi，i＝1，2，3…2n；2n表示任一隐含层的神经元节点的总个数，任一隐含层的每个神经元节点的输入为前一层网络的各个神经元的输出组成，超参数m是随机选择的任一隐含层的预设节点的个数；以及所述根据预设的通用核结构对人工神经网络的任一隐含层对应的预设节点的输入不通过第二激活函数参与运算进行输出,以及对所述任一隐含层对应的剩余节点的输入通过第二激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据，具体包括：根据式(1)对人工神经网络的任一隐含层的m个节点的输入不通过所述激活函数参与运算进行输出,以及对所述任一隐含层的剩余的(2n-m)个节点的输入通过所述激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据。优选地，所述第一激活函数和第二激活函数均为tanh，所述tanh的函数表达式为：其中，z为所述第一激活函数和第二激活函数的输入；以及所述z的函数表达式为：其中，表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；表示第l层的第j个神经元的偏置；表示第l层的第j个神经元的输入。优选地，前一隐含层的超参数m的数值与后一隐含层的超参数m的数值相同或不同；以及前一隐含层的超参数m对应的预设节点与后一隐含层的超参数m对应的预设节点相同或不同。优选地，所述构建卷积神经网络，以将所述原始姿态数据作为所述卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出，具体包括：构建卷积神经网络的输入层，所述输入层的输入数据为所述多个传感器产生的原始姿态数据，所述原始姿态数据为m×n矩阵，m为传感器的个数，n为时间序列采样数；构建卷积神经网络的第一卷积层，并设置所述第一卷积层的过滤器大小和数量，通过所述第一卷积层的过滤器对所述输入层的输入数据进行卷积运算；构建卷积神经网络的第一池化层，并设置所述第一池化层的过滤器大小和数量，采用均值池化对所述第一卷积层输出的数据进行运算；构建卷积神经网络的第二卷积层，设置所述第二卷积层的过滤器大小和数量，通过所述第二卷积层的过滤器对所述第一池化层的输出数据进行卷积运算；构建卷积神经网络的第二池化层，设置所述第二池化层的过滤器大小和数量，采用均值池化对所述第二卷积层输出的数据进行运算；构建卷积神经网络的输出层，通过所述输出层的全连接层和所述第一激活函数将所述第二池化层输出的数据转化为一维向量进行输出。本专利技术第二方面的技术方案，提供了一种基于神经网络的多传感器姿态数据融合系统，包括：采集单元，用于通过多个传感器产生原始姿态数据；卷积神经网络构建单元，用于构建卷积神经网络，以将所述原始姿态数据作为所述卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出进行输出；人工神经网络构建单元，用于构建人工神经网络，以将所述卷积神经网络的输出作为所述人工神经网络的输入，以及所述人工神经网络构建单元，还用于根据预设的通用核结构对人工神经网络的任一隐含层对应的预设节点的输入不通过第二激活函数参与运算进行输出,以及对所述任一隐含层对应的剩余节点的输入通过第二激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据；以及所述人工神经网络构建单元，还用于将所述姿态角度数据作为所述人工神经网络的输出进行输出。优选地，所述预设的通用核结构为：其中，xi为所述人工神经网络的输入，i＝1，2，3…k；xi经过线性叠加W*X+b，输出为Zi，i＝1，2，3…2n；2n表示任一隐含层的神经元节点的总个数，任一隐含层的每个神经元节点的输入为前一层网络的各个神经元的输出组成，超参数m是随机选择的任一隐含层的预设节点的个数；以及所述人工神经网络构建单元，具体用于：根据式(1)对人工神经网络的任一隐含层的m个节点的输入不通过所述激活函数参与运算进行输出,以及对所述任一隐含层的剩余的(2n-m)个节点的输入通过所述激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据。优选地，所述第一激活函数和第二激活函数均为tanh，所述tanh的函数表达式为：其中，z为所述激活函数的输入；以及所述z的函数表达式为：其中，表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；表示第本文档来自技高网...

【技术保护点】
1.一种基于神经网络的多传感器姿态数据融合方法，其特征在于，包括：通过多个传感器产生原始姿态数据；构建卷积神经网络，以将所述原始姿态数据作为所述卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出进行输出；构建人工神经网络，以将所述卷积神经网络的输出作为所述人工神经网络的输入，以及根据预设的通用核结构对人工神经网络的任一隐含层对应的预设节点的输入不通过第二激活函数参与运算进行输出,以及对所述任一隐含层对应的剩余节点的输入通过第二激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据；以及将所述姿态角度数据作为所述人工神经网络的输出进行输出。

【技术特征摘要】
1.一种基于神经网络的多传感器姿态数据融合方法，其特征在于，包括：通过多个传感器产生原始姿态数据；构建卷积神经网络，以将所述原始姿态数据作为所述卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出进行输出；构建人工神经网络，以将所述卷积神经网络的输出作为所述人工神经网络的输入，以及根据预设的通用核结构对人工神经网络的任一隐含层对应的预设节点的输入不通过第二激活函数参与运算进行输出,以及对所述任一隐含层对应的剩余节点的输入通过第二激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据；以及将所述姿态角度数据作为所述人工神经网络的输出进行输出。2.根据权利要求1所述的基于神经网络的多传感器姿态数据融合方法，所述预设的通用核结构为：其中，xi为所述人工神经网络的输入，i＝1，2，3…k；xi经过线性叠加W*X+b，输出为Zi，i＝1，2，3…2n；2n表示任一隐含层的神经元节点的总个数，任一隐含层的每个神经元节点的输入为前一层网络的各个神经元的输出组成，超参数m是随机选择的任一隐含层的预设节点的个数；以及所述根据预设的通用核结构对人工神经网络的任一隐含层对应的预设节点的输入不通过第二激活函数参与运算进行输出,以及对所述任一隐含层对应的剩余节点的输入通过第二激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据，具体包括：根据式(1)对人工神经网络的任一隐含层的m个节点的输入不通过所述激活函数参与运算进行输出,以及对所述任一隐含层的剩余的(2n-m)个节点的输入通过所述激活函数参与运算进行输出，以使得最末端隐含层的神经元节点的输出为姿态角度数据。3.根据权利要求2所述的基于神经网络的多传感器姿态数据融合方法，所述第一激活函数和第二激活函数均为tanh，所述tanh的函数表达式为：其中，z为所述第一激活函数和第二激活函数的输入；以及所述z的函数表达式为：其中，表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；表示第l层的第j个神经元的偏置；表示第l层的第j个神经元的输入。4.根据权利要求2所述的基于神经网络的多传感器姿态数据融合方法，其特征在于，前一隐含层的超参数m的数值与后一隐含层的超参数m的数值相同或不同；以及前一隐含层的超参数m对应的预设节点与后一隐含层的超参数m对应的预设节点相同或不同。5.根据权利要求1至4中任一项所述的基于神经网络的多传感器姿态数据融合方法，其特征在于，所述构建卷积神经网络，以将所述原始姿态数据作为所述卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出，具体包括：构建卷积神经网络的输入层，所述输入层的输入数据为所述多个传感器产生的原始姿态数据，所述原始姿态数据为m×n矩阵，m为传感器的个数，n为时间序列采样数；构建卷积神经网络的第一卷积层，并设置所述第一卷积层的过滤器大小和数量，通过所述第一卷积层的过滤器对所述输入层的输入数据进行卷积运算；构建卷积神经网络的第一池化层，并设置所述第一池化层的过滤器大小和数量，采用均值池化对所述第一卷积层输出的数据进行运算；构建卷积神经网络的第二卷积层，设置所述第二卷积层的过滤器大小和数量，通过所述第二卷积层的过滤器对所述第一池化层的输出数据进行卷积运算；构建卷积神经网络的第二池化层，设置所述第二池化层的过滤器大小和数量，采用均值池化对所述第二卷积层输出的数据进行运算；构建卷积...

【专利技术属性】
技术研发人员：孙锋，原杰，郑玲玲，唐国峰，陈祖斌，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22