CN104748735A - 基于智能终端的室内定位方法和设备 - Google Patents

Abstract

本发明公开了一种基于智能终端的室内定位方法和设备，涉及移动通信技术领域。利用室内行进数据样本对室内定位神经网络进行训练；当需进行室内定位时：自初始位置根据从智能终端的定位装置获取的加速度数据判断是否行进一步；当判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值和偏移角度；根据所述本步行进步长值与所述偏移角度对当前位置进行定位。由于本发明实施例采用智能神经网络算法，将体现运动个体差异的平均参考步长与采用传感器加速度测量数据相结合，从而实现了更加科学准确的实时步伐位移计算，继而能够通过智能终端的定位装置实现精确的室内定位及航向更新解决方案。

Description

基于智能终端的室内定位方法和设备

技术领域

本发明涉及移动通信技术领域，特别涉及一种基于智能终端的室内定位方法和设备。

背景技术

目前，针对无法有效接收GPS信号的地方，如室内环境，实现基于智能终端的室内定位解决方案还很少。仅有的几种解决方案，几乎都存在定位精度不够，准确度有限，定位粗糙的问题。迫切需要一种新的解决方案，能够提供一种新的基于智能终端实现的精确的室内定位解决方案。

发明内容

鉴于上述问题，本发明实施例提供一种基于智能终端的室内定位方法和设备，能够通过智能终端的定位装置获取数据进行合理的调整算法实现精确的室内定位及航向更新解决方案。

本发明实施例采用了如下技术方案：

本发明一个实施例提供了一种基于智能终端的室内定位方法，所述方法包括：

利用室内行进数据样本对室内定位神经网络进行训练；

当需要进行室内定位时：

自初始位置，根据从智能终端的定位装置获取的加速度数据判断是否行进一步；

当判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值；并且，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度；

根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

将当前位置作为初始位置，继续执行所述根据从智能终端的定位装置获取的加速度数据判断是否行进一步，至本次定位结束。

所述室内行进数据样本包括步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值；

所述利用室内行进数据样本对室内定位神经网络进行训练包括：

针对多个样本中每行进一步的数据作为一次训练数据，分别执行：将本次训练数据中的步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值分别作为室内定位神经网络的输入神经元的值；将本次训练数据中的实际步长值作为室内定位神经网络的输出神经元的值；

根据所述室内定位神经网络各输入神经元的值与输出神经元的值，分别计算各输入神经元与室内定位神经网络内各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值；

所述连接权值根据多次训练数据进行修正。

所述根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值包括：

将本步中步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值作为所述室内定位神经网络的各输入神经元的值；

根据各输入神经元与各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值，计算输出神经元的值，作为本步行进步长值。

所述根据从智能终端的定位装置获取的加速度数据判断是否行进一步包括：

判断从智能终端的定位装置获取的加速度数据是否满足步伐判断条件；

所述步伐判断条件为：垂直行进方向的加速度数据包括一大于第一预置值的负斜率，且行进方向加速度数据包括一大于第二预置值的负斜率；

若满足所述步伐判断条件，则确定行进完成一步。

所述根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值之后还包括：

判断所述本步行进步长值是否小于第三预置值；

若大于第三预置值，则执行所述根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

若小于第三预置值，则重新执行根据从智能终端的定位装置获取的加速度数据判断是否行进一步。

另外，本发明实施例还提供了一种基于智能终端的室内定位设备，所述设备包括：

训练模块，用于利用室内行进数据样本对室内定位神经网络进行训练；

室内定位模块，用于当需要进行室内定位时，进行室内定位；

所述室内定位模块包括：

步伐判断单元，用于自初始位置，根据从智能终端的定位装置获取的加速度数据判断是否行进一步；

获取单元，用于当所述步伐判断单元判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值；并且，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度；

定位单元，用于根据获取单元获取的所述本步行进步长值与所述偏移角度对当前位置进行定位；

循环单元，用于将当前位置作为初始位置，继续启动所述步伐判断单元，至本次定位结束。

所述室内行进数据样本包括步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值；

所述训练模块包括：

赋值单元，用于针对多个样本中每行进一步的数据作为一次训练数据，将每次训练数据中的步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值分别作为室内定位神经网络的输入神经元的值；将每次训练数据中的实际步长值作为室内定位神经网络的输出神经元的值；

连接权值计算单元，用于根据所述室内定位神经网络各输入神经元的值与输出神经元的值，分别计算各输入神经元与室内定位神经网络内各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值；

修正单元，用于所述连接权值根据多次训练数据进行修正。

所述获取单元包括步长获取单元和偏移角度获取单元：

所述步长获取单元包括，

输入确定子单元，用于当所述步伐判断单元判断行进完成一步时，将本步中步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值作为所述室内定位神经网络的各输入神经元的值；

步长计算子单元，用于根据各输入神经元与各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值，计算输出神经元的值，作为本步行进步长值；

所述偏移角度获取单元，用于当所述步伐判断单元判断行进完成一步时，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度。

所述步伐判断单元包括：

条件判断子单元，用于判断从智能终端的定位装置获取的加速度数据是否满足步伐判断条件；

所述步伐判断条件为：垂直行进方向的加速度数据包括一大于第一预置值的负斜率，且行进方向加速度数据包括一大于第二预置值的负斜率；

确定子单元，用于若所述条件判断子单元的判断结果为满足所述步伐判断条件，则确定行进完成一步。

所述定位单元还包括：

定位判断子单元，用于在根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值之后，判断所述本步行进步长值是否小于第三预置值；

继续定位子单元，用于当所述定位判断子单元的判断结果为大于第三预置值，则根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

重新步伐判断子单元，用于当所述定位判断子单元的判断结果为小于第三预置值，则重新启动所述步伐判断单元。

可见，本发明实施例提供一种基于智能终端的室内定位方法和设备，利用室内行进数据样本对室内定位神经网络进行训练；当需要进行室内定位时：自初始位置，根据从智能终端的定位装置获取的加速度数据判断是否行进一步；当判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值；并且，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度；根据所述本步行进步长值与所述偏移角度对当前位置进行定位；将当前位置作为初始位置，继续执行所述根据从智能终端的定位装置获取的加速度数据判断是否行进一步，至本次定位结束。由于本发明实施例采用智能神经网络算法，并且将体现运动个体差异的平均参考步长与采用传感器加速度测量数据相结合，从而实现了更加科学准确的实时步伐位移计算，继而能够通过智能终端的定位装置结合对步长的精确调整算法实现精确的室内定位及航向更新解决方案。

附图说明

图1为本发明实施例提供的一种基于智能终端的室内定位方法流程图；

图2为本发明实施例提供的一种利用智能终端行进方向示意图；

图3为本发明实施例提供的一种室内定位神经网络内部运算示意图；

图4为本发明实施例提供的一种基于智能终端的室内定位设备结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

参见图1，本发明实施例提供一种基于智能终端的室内定位方法，具体包括：

S101：利用室内行进数据样本对室内定位神经网络进行训练。

需要说明的是，室内行进数据样本为多个运动个体（即多位实际测试人员）通过手持终端设备（智能终端）在室内进行定位测试过程得到的数据样本。

需要说明的是，本发明实施例中，通过手持智能终端在室内行进，通过智能终端的定位装置（比如陀螺仪等）获取定位信息，结合实际测试数据，共同得到数据样本。

本发明实施例中，智能终端是指可获取定位信息并可手持的设备，即只要能够获取定位信息且能够移动的都在本发明实施例所述智能终端范围内，比如可以是智能手机、PAD等等。

优选的，所述室内行进数据样本包括步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值。

本发明实施例涉及应用便携式智能终端（即移动终端）中的MEMS（Micro-Electro-Mechanical Systems微机电***）中的定位装置（如位置传感器等）进行室内位置定位。

在无法有效接收GPS信号的地方，如室内环境，可以采用MEMS中的罗盘、重力计、陀螺仪、加速度计等传感器进行定位。智能终端中通常的位置传感定位技术采用磁力计、陀螺仪判别航向（即获取行进后相对行进前偏移角度），用加速度传感器进行速度和位移判断。单纯利用智能终端中的定位装置进行速度和位移判断中，通常只考虑及速度本身的测量数据进行速度计算和位移估算，因而，本发明实施例同时还考虑到运动个体的差异：如个人的身高、体重、身体素质会带来运动个体平均参考步长的差异，即通过参考步长值（各运动个体的平均参考步长值，实践中可以实际测量得到）。以进一步提高定位的准确性。

另外需要说明的是，参见图2，行进方向如图2中y轴方向所示，垂直行进方向如图2中z轴方向所示。行进方向为y轴方向，在行进中会产生前（后向加速度）；x轴方向在位置变化时会产生水平左右向加速度；z轴方向在行进中会产生垂直方向的加速度。

优选的，所述利用室内行进数据样本对室内定位神经网络进行训练包括：

针对多个样本中每行进一步的数据作为一次训练数据，分别执行：将本次训练数据中的步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值分别作为室内定位神经网络的输入神经元的值；将本次训练数据中的实际步长值作为室内定位神经网络的输出神经元的值。

根据所述室内定位神经网络各输入神经元的值与输出神经元的值，分别计算各输入神经元与室内定位神经网络内各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值。

然后，上述连接权值根据多次训练数据进行修正。

具体的，如图3所示，室内定位神经网络输入神经元为4个，分别对应伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值。隐含层神经元个数也为4个，输出神经元，为步长值。

其中，步伐频率的算法为：

f_step(n)＝1/(t_n-t_n-1)

t_k-t_k-1为一步占用时间周期，也就是说，每行进一步的数据作为一次训练数据，t_k-t_k-1为每次训练数据的时间周期。

行进方向加速度方差的计算公式为：

$\mathrm{Var}\left[a_y\left(n\right)\right]=\underset{t=t_k-1}{\overset{t_k}{\mathrm{\Σ}}}\frac{{[a_y\left(t\right)-{\stackrel{\‾}{a}}_y\left(t_n\right)]}^2}{N}$

垂直行进方向加速度方差的计算公式为：

$\mathrm{Var}\left[a_z\left(n\right)\right]=\underset{t=t_k-1}{\overset{t_k}{\mathrm{\Σ}}}\frac{{[a_z\left(t\right)-{\stackrel{\‾}{a}}_z\left(t_n\right)]}^2}{N}$

一种优选实施例，t_k-1至t_k一步内时间周期内，（比如I9023手机内置的定位装置）加速度计输出的样点数最少可能只有两个。在实际中，可以考虑对获取的行进加速度和垂直行进方向加速度进行适当的插值处理，以进一步提高准确性。首先考虑线性补偿算法（设置Y和Z不同轴向的加速度上下限阀值，可以考虑为不同轴向的|a|_max）。

隐藏层各神经元的输入如下：

$I_{h\left(i\right)}\left(n\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{h\left(i\right),\mathrm{in}\left(j\right)}^2\×{\mathrm{in}}_j\left(n\right)+b_{h\left(i\right)}^2$

本发明实施例中的室内定位神经网络具体采用Sigmoid激励函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

即，隐含各神经元层输出具体为：

$y_i\left(n\right)=f\left[I_{h\left(i\right)}\left(n\right)\right]=\frac{1}{{1+e}^{-\left[I_{h\left(i\right)}\left(n\right)\right]}}$

网络输出函数：

$z_1\left(n\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{z\left(1\right),h\left(j\right)}^3\×y_j\left(n\right)+b_{z\left(i\right)}^3$

输出整形方程： $l_{\mathrm{step}}\left(n\right)=\left\{\begin{array}{cc}0:& z_1\left(n\right)<l_{\mathrm{down}}\\ z_1\left(n\right):& l_{\mathrm{down}}<z_1\left(n\right)<l_{\mathrm{up}}\\ l_{\mathrm{up}}:& z_1\left(n\right)>l_{\mathrm{up}}\end{array}\right.$

其中l_down为步长下限（优选的取l_down＝0.3m，可以调整），l_up为步长上限（优选的取l_up＝1.5m，可以调整）。

另外，本发明实施例中，进一步的，还包括对各连接权值修正的步骤。详细说明如下：

由隐含层神经元与输入层神经元的连接权值以及输出层与隐含层神经元的连接权值组成向量W＝[v_ki,θ_i,w_ij]，或者 $W=[w_{z\left(1\right),h\left(i\right)}^3{b}_{h\left(i\right)}^2,w_{h\left(i\right),\mathrm{in}\left(j\right)}^2].$

反向学习过程：

设有学习样本为{in₁(n),in₂(n),in₃(n),x₄(n);l_{step_ref}(n)}，n＝1,2,...,P；P为学习样本总数。对于某样本{in₁(n),in₂(n),in₃(n),x₄(n);l_{step_ref}(n)}，在给定网络连接权值向量W后，可以计算出网络的输出值l_step(n)，定义输出的误差为d(n)＝l_{step_ref}(n)-l_step(n)，并定义样本p的误差函数为：

$e\left(n\right)=\frac{1}{2}{\left[d\left(n\right)\right]}^2=\frac{1}{2}{[l_{\mathrm{step}\_\mathrm{ref}}\left(n\right)-l_{\mathrm{step}}\left(n\right)]}^2$

其中，l_{step_ref}(n)为第n个样本参考值，l_step(n)为第n个步长判断输出值。为隐含层神经元i与输入层x_j的连接权值，θ_i为隐含层神经元i的阀值，隐含层神经元个数为M，本算法中M＝4。输出层神经元个数为L，本算法中L=1。

通过调整W的取值，逐步降低误差d(n)，以提高网络的计算精度。在反方向传播过程中，是沿着误差函数e(n)随W变化的负梯度方向对W进行修正的。取式中α为学习率，在（0～1）之间取值。

$\mathrm{\&Delta;W}=\mathrm{\&alpha;}\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}d\left(n\right)\&times;\frac{{\&PartialD;l}_{\mathrm{step}}\left(n\right)}{\&PartialD;W}$

其中，样本为n时，ΔW中的元素为：

$\begin{array}{c}\mathrm{\&Delta;}{w}_{z\left(1\right),h\left(i\right)}^3\left(n\right)=\mathrm{\&alpha;d}\left(n\right)a_i^2\left(n\right)\\ \mathrm{\&Delta;}{b}_{h\left(i\right)}^2=\mathrm{\&alpha;}[1-a_i^2\left(n\right)]d\left(n\right)w_{z\left(1\right),h\left(i\right)}^3\\ \mathrm{\&Delta;}{w}_{h\left(i\right),\mathrm{in}\left(j\right)}^2=\mathrm{\&alpha;}{a}_{\mathrm{ip}}^2\left(n\right)[1-a_i^2\left(n\right)]{\mathrm{in}}_j\left(n\right)d\left(n\right)w_{z\left(1\right),h\left(i\right)}^3\end{array}$

优选的，参见图3通过差值反馈进行调整，每个步长数据中，判断神经网络算法基本参数如下：

M＝4,α＝0.01,γ＝0.02,ρ＝0.993,num_ite＝200

其中为隐含层神经元个数，α为学习率，γ为动量因子，ρ为学习过程控制因子（在学习过程中减小学习率），num_ite为迭代次数。

第k个隐含层到输出层的权值学习调整算法：

$w_{1,k}^3(n+1)=w_{1,k}^3\left(n\right)-\mathrm{\&gamma;\&Delta;}{w}_{1,k}^3\left(n\right)+(1-\mathrm{\&gamma;})2\mathrm{\&alpha;d}\left(n\right)a_k^2$

第j个输入层到第i个隐含层权值学习调整算

法: $w_{i,j}^2(n+1)=w_{i,j}^2\left(n\right)-\mathrm{\&gamma;\&Delta;}{w}_{i,j}^2\left(n\right)+(1-\mathrm{\&gamma;})2\left(\mathrm{\&rho;\&alpha;}\right)d\left(n\right)\&times;w_{1,i}^3\&times;e^{-M}\&times;a_i^2\&times;{\mathrm{in}}_j$

隐含层阀值学习调整算法：

$b_{h\left(i\right)}^2(n+1)=b_{h\left(i\right)}^2\left(n\right)-\mathrm{\&gamma;\&Delta;}{b}_{h\left(i\right)}^2\left(n\right)$

需要进行各种样本数据的采集，对软件中的各层权值和阀值参数进行优化调整，得到一套用于实际工程测试用的参数，用于准确判断步伐和单步位移。算法中的参考步长因人而异，是每次测试开始时测试工程师输入的个人参数，以提高步长判断的准确性。

当需要进行室内定位时，执行以下操作：

S102：自初始位置，根据从智能终端的定位装置获取的加速度数据判断是否行进一步。

S103：当判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值；并且，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度。

其中，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值包括：

将本步中步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值作为所述室内定位神经网络的各输入神经元的值；

根据各输入神经元与各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值，计算输出神经元的值，作为本步行进步长值。

优选的，根据从智能终端的定位装置获取的加速度数据判断是否行进一步包括：

判断从智能终端的定位装置获取的加速度数据是否满足步伐判断条件；

所述步伐判断条件为：垂直行进方向的加速度数据包括一大于第一预置值的负斜率，且行进方向加速度数据包括一大于第二预置值的负斜率；

若满足所述步伐判断条件，则确定行进完成一步。

需要说明的是，优选的，第一预置值为1，垂直行进方向的加速度数据包括一大于第一预置值的负斜率，说明垂直行进方向上采集到测试人员一次上下方向的迈步行为；优选的，第二预置值为0.2，因为通常情况下，加速度草绳在[-0.1，+0.1]之间，绝大部分落在[-0.08，+0.08]之间，这里，第二预置值优选选取为0.2，是为了避免由于噪声导致的误判断，行进方向加速度数据包括一大于第二预置值的负斜率，说明采集到行进方向前后一次加减速行为。

在实际操作中，本发明实施例还可以在从智能终端的定位装置获取的加速度数据后，对加速度数据进行噪声的有效过滤操作，以进一步提高准确度。

作为优选的，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值之后还包括：

判断所述本步行进步长值是否小于第三预置值；

若大于第三预置值，则执行所述根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

若小于第三预置值，则重新执行根据从智能终端的定位装置获取的加速度数据判断是否行进一步。

第三预置值可以选定为0.3米，也就是说，若当前判断的步长实际小于0.3米，则认为是由于噪声引起的，丢弃此次结果，不做定位使用。

优选的，可以对从智能终端的定位装置获取的加速度数据进行噪声过滤操作后，重新执行根据从智能终端的定位装置获取的加速度数据判断是否行进一步的步骤。

S104：根据所述本步行进步长值与所述偏移角度对当前位置进行定位。

在实际应用中，本发明实施例还可以根据每步定位结果，实施渲染，不断更新航向，实现基于室内的定位。

S105：将当前位置作为初始位置，继续执行所述根据从智能终端的定位装置获取的加速度数据判断是否行进一步，至本次定位结束。

可见，本发明实施例提供一种基于智能终端的室内定位方法，由于本发明实施例采用智能神经网络算法，并且将体现运动个体差异的平均参考步长与采用传感器加速度测量数据相结合，从而实现了更加科学准确的实时步伐位移计算，继而能够通过智能终端的定位装置结合对步长的精确调整算法实现精确的室内定位及航向更新解决方案。

需要说明的是，本发明实施例提供的基于智能终端的室内定位方法，可以应用在多种应用场景中，可以大大扩展定位技术领域的各种应用，进一步促进相关技术发展，比如本发明实施例提供的室内定位方法，可以应用于室内测量场景中，也可以应用于位置服务场景中，还可以应用于无线网络测试场景中，等等。

参见图4，本发明实施例还提供一种基于智能终端的室内定位设备，所述设备包括：训练模块400和室内定位模块500。

训练模块400，用于利用室内行进数据样本对室内定位神经网络进行训练。

室内定位模块500，用于当需要进行室内定位时，进行室内定位。

具体的，所述室内定位模块500包括：

步伐判断单元501，用于自初始位置，根据从智能终端的定位装置获取的加速度数据判断是否行进一步；

获取单元502，用于当所述步伐判断单元判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值；并且，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度；

定位单元503，用于根据获取单元获取的所述本步行进步长值与所述偏移角度对当前位置进行定位；

循环单元504，用于将当前位置作为初始位置，继续启动所述步伐判断单元，至本次定位结束。

优选的，所述室内行进数据样本包括步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值。

相应的，所述训练模块包括：

赋值单元，用于针对多个样本中每行进一步的数据作为一次训练数据，将每次训练数据中的步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值分别作为室内定位神经网络的输入神经元的值；将每次训练数据中的实际步长值作为室内定位神经网络的输出神经元的值。

连接权值计算单元，用于根据所述室内定位神经网络各输入神经元的值与输出神经元的值，分别计算各输入神经元与室内定位神经网络内各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值。

和，修正单元，用于所述连接权值根据多次训练数据进行修正。

所述获取单元包括步长获取单元和偏移角度获取单元：

其中，所述步长获取单元包括，

输入确定子单元，用于当所述步伐判断单元判断行进完成一步时，将本步中步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值作为所述室内定位神经网络的各输入神经元的值。

和，步长计算子单元，用于根据各输入神经元与各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值，计算输出神经元的值，作为本步行进步长值。

所述偏移角度获取单元，用于当所述步伐判断单元判断行进完成一步时，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度。

优选的，所述步伐判断单元包括：

条件判断子单元，用于判断从智能终端的定位装置获取的加速度数据是否满足步伐判断条件；

所述步伐判断条件为：垂直行进方向的加速度数据包括一大于第一预置值的负斜率，且行进方向加速度数据包括一大于第二预置值的负斜率；

确定子单元，用于若所述条件判断子单元的判断结果为满足所述步伐判断条件，则确定行进完成一步。

进一步的，所述定位单元还包括：

定位判断子单元，用于在根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值之后，判断所述本步行进步长值是否小于第三预置值；

继续定位子单元，用于当所述定位判断子单元的判断结果为大于第三预置值，则根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

重新步伐判断子单元，用于当所述定位判断子单元的判断结果为小于第三预置值，则重新启动所述步伐判断单元。

需要说明的是，本发明实施例提供的基于智能终端的室内定位设备，可以是内置于智能终端中，也可以是单独于智能终端，能够与智能终端进行通信，从智能终端的定位装置获取加速度数据等信息。

需要说明的是，本发明***实施例中的各个模块或者子模块的工作原理和处理过程可以参见上述图1-图3所示方法实施例中的相关描述，此处不再赘述。

可见，本发明实施例提供一种基于智能终端的室内定位设备，由于本发明实施例采用智能神经网络算法，并且将体现运动个体差异的平均参考步长与采用传感器加速度测量数据相结合，从而实现了更加科学准确的实时步伐位移计算，继而能够通过智能终端的定位装置结合对步长的精确调整算法实现精确的室内定位及航向更新解决方案。

为了便于清楚描述本发明实施例的技术方案，在发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如下步骤：（方法的步骤），所述的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于智能终端的室内定位方法，其特征在于，所述方法包括：

利用室内行进数据样本对室内定位神经网络进行训练；

当需要进行室内定位时：

自初始位置，根据从智能终端的定位装置获取的加速度数据判断是否行进一步；

当判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值；并且，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度；

根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

将当前位置作为初始位置，继续执行所述根据从智能终端的定位装置获取的加速度数据判断是否行进一步，至本次定位结束。

2.根据权利要求1所述的方法，其特征在于，所述室内行进数据样本包括步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值；

所述利用室内行进数据样本对室内定位神经网络进行训练包括：

针对多个样本中每行进一步的数据作为一次训练数据，分别执行：将本次训练数据中的步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值分别作为室内定位神经网络的输入神经元的值；将本次训练数据中的实际步长值作为室内定位神经网络的输出神经元的值；

根据所述室内定位神经网络各输入神经元的值与输出神经元的值，分别计算各输入神经元与室内定位神经网络内各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值；

所述连接权值根据多次训练数据进行修正。

3.根据权利要求2所述的方法，其特征在于，所述根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值包括：

将本步中步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值作为所述室内定位神经网络的各输入神经元的值；

根据各输入神经元与各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值，计算输出神经元的值，作为本步行进步长值。

4.根据权利要求1所述的方法，其特征在于，所述根据从智能终端的定位装置获取的加速度数据判断是否行进一步包括：

判断从智能终端的定位装置获取的加速度数据是否满足步伐判断条件；

所述步伐判断条件为：垂直行进方向的加速度数据包括一大于第一预置值的负斜率，且行进方向加速度数据包括一大于第二预置值的负斜率；

若满足所述步伐判断条件，则确定行进完成一步。

5.根据权利要求1所述的方法，其特征在于，所述根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值之后还包括：

判断所述本步行进步长值是否小于第三预置值；

若大于第三预置值，则执行所述根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

若小于第三预置值，则重新执行根据从智能终端的定位装置获取的加速度数据判断是否行进一步。

6.一种基于智能终端的室内定位设备，其特征在于，所述设备包括：

训练模块，用于利用室内行进数据样本对室内定位神经网络进行训练；

室内定位模块，用于当需要进行室内定位时，进行室内定位；

所述室内定位模块包括：

步伐判断单元，用于自初始位置，根据从智能终端的定位装置获取的加速度数据判断是否行进一步；

获取单元，用于当所述步伐判断单元判断行进完成一步时，根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值；并且，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度；

定位单元，用于根据获取单元获取的所述本步行进步长值与所述偏移角度对当前位置进行定位；

循环单元，用于将当前位置作为初始位置，继续启动所述步伐判断单元，至本次定位结束。

7.根据权利要求6所述的设备，其特征在于，所述室内行进数据样本包括步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值；

所述训练模块包括：

赋值单元，用于针对多个样本中每行进一步的数据作为一次训练数据，将每次训练数据中的步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值分别作为室内定位神经网络的输入神经元的值；将每次训练数据中的实际步长值作为室内定位神经网络的输出神经元的值；

连接权值计算单元，用于根据所述室内定位神经网络各输入神经元的值与输出神经元的值，分别计算各输入神经元与室内定位神经网络内各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值；

修正单元，用于所述连接权值根据多次训练数据进行修正。

8.根据权利要求7所述的设备，其特征在于，所述获取单元包括步长获取单元和偏移角度获取单元：

所述步长获取单元包括，

输入确定子单元，用于当所述步伐判断单元判断行进完成一步时，将本步中步伐频率、行进方向加速度方差、垂直行进方向加速度方差、及参考步长值作为所述室内定位神经网络的各输入神经元的值；

步长计算子单元，用于根据各输入神经元与各隐含层神经元之间的连接权值，以及各隐含层神经元与输出神经元之间连接权值，计算输出神经元的值，作为本步行进步长值；

所述偏移角度获取单元，用于当所述步伐判断单元判断行进完成一步时，从智能终端的定位装置获取本步行进后航向相对本步行进前的偏移角度。

9.根据权利要求6所述的设备，其特征在于，所述步伐判断单元包括：

条件判断子单元，用于判断从智能终端的定位装置获取的加速度数据是否满足步伐判断条件；

所述步伐判断条件为：垂直行进方向的加速度数据包括一大于第一预置值的负斜率，且行进方向加速度数据包括一大于第二预置值的负斜率；

确定子单元，用于若所述条件判断子单元的判断结果为满足所述步伐判断条件，则确定行进完成一步。

10.根据权利要求6所述的设备，其特征在于，所述定位单元还包括：

定位判断子单元，用于在根据本步中加速度数据和步伐频率经室内定位神经网络计算得到本步行进步长值之后，判断所述本步行进步长值是否小于第三预置值；

继续定位子单元，用于当所述定位判断子单元的判断结果为大于第三预置值，则根据所述本步行进步长值与所述偏移角度对当前位置进行定位；

重新步伐判断子单元，用于当所述定位判断子单元的判断结果为小于第三预置值，则重新启动所述步伐判断单元。