CN119402814A 一种基于深度学习的室内可见光融合定位方法 （西安电子科技大学）_第1页
CN119402814A 一种基于深度学习的室内可见光融合定位方法 （西安电子科技大学）_第2页
CN119402814A 一种基于深度学习的室内可见光融合定位方法 （西安电子科技大学）_第3页
CN119402814A 一种基于深度学习的室内可见光融合定位方法 （西安电子科技大学）_第4页
CN119402814A 一种基于深度学习的室内可见光融合定位方法 （西安电子科技大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于深度学习的室内可见光融合定位本发明公开了一种基于深度学习的室内可不同位置下可见光的AoA信息和UWB的距离信息UWB信号的穿透性来弥补可见光易被遮挡的不2步骤3：训练所述网络模型，使用包含和不包含AoA数a)数据采集：从接收设备收集AoA和UWB的数据，AoA和UWB4.根据权利要求1所述的一种基于深度学习的室内V3归一化层(BatchNormalization)用于标准化输入或中间层的输出，从而加快训练速使用Concatenate层进行两个CNN模型拼接，设定要沿着通output＝Concatenate(axis＝_1)([output_vis,output_uwb])axis＝_1表示沿着最后一全连接层通过权重矩阵和偏置项将输入特征向量转换为不同维度输出层的神经元个数取决于任务的输出维度，如果任务是预测三维空间中的坐标点，步骤2)：使用数据加载器或数据生成器来批量加载数据，确保4[0002]基于可见光的定位技术是一种利用光通信技术来确定物体或个体在室内精确位[0004]而公开号为CN118067123A的一种基于UWB的室内定位方法，5[0032]归一化层(BatchNormalization)用于标准化输入或中间层的输出，从而加快训6[0036]ii)定义两个模型的输出：设定output_vlc是处理可见光数据的模型的输出，即通道维度)进行拼接；concatenated_output＝Concatenate(axis＝_1)([output_vis,[0047]本发明考虑了用户在移动过程中LED所有可能出现的遮挡状态(不包含AoA信息的7将这些特性转换为适合CNN输入的形式。可见光数据往往自然地适合于标准的图像处理流8[0076]ii)定义两个模型的输出：假设output_vlc是处理可见光数据的模型的输出，即通道维度)进行拼接；concatenated_output＝Concatenate(axis＝_1)([output_vis,9并且已经通过Concatenate层将它们的[0095]超参数是在训练模型之前就需要设定的参数，它们不是通过训练过程学习得到[0096]调整超参数的目标是为了找到最优的配置，使模型在验证集上的性能达到最调整超参数的方法主要包括手动调整、网格搜索(GridSearch)、随机搜索(Random经网络并使用concatenate层进[0104]在器件方面：本发明通过光源的信息采用可见光定位算法和UWB定位算法实现用[010

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论