CN111121607B - 一种训练三维定位模型的方法及三维定位方法、装置 - Google Patents
一种训练三维定位模型的方法及三维定位方法、装置 Download PDFInfo
- Publication number
- CN111121607B CN111121607B CN201911290514.4A CN201911290514A CN111121607B CN 111121607 B CN111121607 B CN 111121607B CN 201911290514 A CN201911290514 A CN 201911290514A CN 111121607 B CN111121607 B CN 111121607B
- Authority
- CN
- China
- Prior art keywords
- training
- dimensional positioning
- electrodes
- target
- capacitance value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012549 training Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004807 localization Effects 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 9
- 238000012905 input function Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 7
- 230000015654 memory Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/004—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring coordinates of points
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
- G01D5/14—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
- G01D5/24—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage by varying capacitance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
Abstract
本发明公开了一种训练三维定位模型的方法及三维定位方法、装置,该训练三维定位模型的方法包括:获取不同训练目标的训练坐标数据;根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,得到训练电容值数据;根据训练坐标数据和训练电容值数据对神经网络模型进行训练,得到所述三维定位模型。本发明实施例提供的训练三维定位模型的方法,可以提高后续电容传感器探测目标位置的精度。此外,通过实施本发明,在不改变单个电极的面积及电极个数情况下,增加了传感器的面积,从而提高了传感器的敏感距离,同时又消除了因电极面积增加带来的传感器阵列的分辨率的下降问题。
Description
技术领域
本发明涉及传感器检测技术领域,具体涉及一种训练三维定位模型的方法及三维定位方法、装置。
背景技术
近年来,人机交互技术已成功应用于娱乐、医疗、智能家居、汽车、教育等多个领域,也开始逐渐融入每个人的生活中。近程电容传感器以其价格低廉制作简单等优势,被广泛应用于ECT成像、湿度检测、距离测量、人体探测及人机交互技术中。
然而现有的近程电容传感器,其额定测量范围较小,大多数都是应用于短距离(例如小于20cm)的人机交互,这样使得近程电容传感器在人机交互中的应用大大受限。同时,近程电容传感器存在着对距离的非线性敏感造成目标的定位精度差。
发明内容
有鉴于此,本发明实施例提供了一种训练三维定位模型的方法及三维定位方法、装置,以解决现有技术中近程电容传感器测量范围较小且定位精度差的技术问题。
本发明提供的技术方案如下:
本发明实施例第一方面提供一种训练三维定位模型的方法,该方法包括如下步骤:获取不同训练目标的训练坐标数据;根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,得到训练电容值数据;根据所述训练坐标数据和所述训练电容值数据对神经网络模型进行训练,得到所述三维定位模型。
可选地,根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,包括:根据模拟开关对多个电极的连接方式进行调整,得到多个不同工作状态的传感器阵列;根据多个传感器阵列分别测量每个训练目标对应的训练电容值,得到训练电容信息;根据每个训练目标对应的训练电容信息计算得到训练电容值数据。
可选地,根据所述训练坐标数据和训练电容值对神经网络模型进行训练,得到所述三维定位模型,包括:根据所述训练坐标数据和训练电容值对神经网络模型中的权重和偏置进行优化;根据优化后的权重和偏置计算得到三维定位模型。
可选地,所述三维定位模型的坐标计算公式通过下列公式表示:
其中,f表示激活函数,K、J、M分别为三维定位模型中每一层输入函数的个数,i、j、k、s分别表示各层的第几个权重或偏置,Xt(s)表示t时刻对应的训练目标的坐标,Cit表示t时刻训练目标对应的电容值。
本发明实施例第二方面提供一种三维定位方法,该方法包括如下步骤:根据多个电极连接形成的传感器阵列测量待测目标对应的电容值;将所述电容值输入到如本发明实施例第一方面及第一方面任一项所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。
可选地,该三维定位方法还包括:根据待测目标的坐标值及当前时刻以前计算得到的所述待测目标的多个坐标值,确定所述待测目标运动形成的坐标轨迹。
本发明实施例第三方面提供一种训练三维定位模型的装置,该装置包括:训练坐标获取模块:用于获取不同训练目标的训练坐标数据;训练电容值获取模块:用于根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,得到训练电容值数据;训练模块:用于根据所述训练坐标数据和所述训练电容值数据对神经网络模型进行训练,得到所述三维定位模型。
本发明实施例第四方面提供一种三维定位装置,该装置包括:电容值获取模块:用于根据多个电极连接形成的传感器阵列测量待测目标对应的电容值;坐标计算模块:用于将所述电容值输入到如本发明实施例第一方面及第一方面任一项所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。
本发明实施例第五方面提供一种三维定位***,该***包括:传感器阵列,用于根据待测目标的位置得到对应的电容值;微处理器,用于将所述电容值输入到如本发明实施例第一方面及第一方面任一项所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。
可选地,所述传感器阵列包括:M*N个电极,所述M*N个电极的工作状态通过模拟开关切换连接不同行或列的电极进行调整。
本发明实施例第六方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明实施例第一方面及第一方面中任一项所述的训练三维定位模型的方法或本发明实施例第二方面及第二方面中任一项所述三维定位方法。
本发明提供的技术方案,具有如下优点:
本发明实施例提供的训练三维定位模型的方法及装置,通过训练目标的训练坐标数据和测量得到训练电容值对神经网络模型进行训练,可以得到三维定位模型。相比现有技术中通过电容传感器直接计算待测目标的距离,该三维定位模型的构建可以提高后续电容传感器探测目标位置的精度。此外,本发明实施例提供的训练三维定位模型的方法,通过改变多个电极的连接方式,在不改变单个电极的面积及电极个数情况下,增加了传感器的面积,从而提高了传感器的敏感距离,同时又消除了因电极面积增加带来的传感器阵列的分辨率的下降问题。
本发明实施例提供的三维定位方法及装置,通过测量待测目标对应的电容值,将该电容值输入上述训练三维定位模型得到的计算公式中,即可得到待测目标的位置。相比现有技术中通过电容传感器直接计算待测目标的距离,该三维定位方法可以提高电容传感器探测目标位置的精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的训练三维定位模型的方法的流程图;
图2是根据本发明实施例的三维定位方法的流程图;
图3是根据本发明实施例的通过传感器阵列检测目标的示意图;
图4是根据本发明实施例的训练三维定位模型的装置的结构框图;
图5是根据本发明实施例的三维定位装置的结构框图;
图6A是根据本发明实施例的三维定位***的传感器阵列的电极连接示意图;图6B是根据本发明另一实施例的三维定位***的传感器阵列的电极连接示意图;图6C是根据本发明另一实施例的三维定位***的传感器阵列的电极连接示意图;图6D是根据本发明另一实施例的三维定位***的传感器阵列的电极连接示意图;
图7是根据本发明实施例的终端的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例提供一种训练三维定位模型的方法,如图1所示,该方法包括如下步骤:
步骤S101:获取不同训练目标的训练坐标数据;具体地,该训练目标可以是人手,也可以是其他目标;不同的训练目标可以是不同时刻的人手或者是不同的人手,本发明对此不做限定。在训练之前,可以获取不同人手在不同时刻或同一时刻的位置坐标作为样本数据,也可以获取同一人手在不同时刻的位置坐标作为样本数据。
步骤S102:根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,得到训练电容值数据。其中,该电极可以是近程电容传感器电极。
具体地,多个电极可以按照M*N的方式排列,在实际应用时,可以采用模拟开关切换连接成一个行或列电极,例如,可以将第一行电极连接在一起作为驱动电极或发射电极,将第二行电极连接在一起作为感应电极或接收电极,其他电极悬空,构成一种工作状态的传感器阵列;此外,也可以将其他行或列的电极作为驱动电极或发射电极,因此,在不改变电极个数的情况下,通过切换电极的连接方式,可以得到多个传感器阵列。
测量电容值时,可以先测量多个电极形成的多个传感器阵列对同一训练目标感应到的电容值得到多个训练电容值信息。同时为了增加样本量,提高测量精度,可以对多个训练目标分别采用该多个传感器阵列进行探测,得到包含较多样本的训练电容值数据。
步骤S103根据所训练坐标数据和训练电容值数据对神经网络模型进行训练,得到三维定位模型。
具体地,在训练时,可以选择3层或更多层的前馈神经网络,并基于Levenberg-Marquardt(列文伯格-马夸尔特法)对BP神经网络模型进行计算。首先,可以先将一个训练目标的训练坐标和其对应的多个训练电容值对神经网络模型进行训练,得到该神经网络各层中的权重(w)和偏置(b);之后可以将多个训练目标的训练坐标和其对应的多个训练电容值进行训练,对权重和偏置进行优化,最终得到三维定位模块。
可选地,三维定位模型的坐标计算公式可以通过公式(1)表示:
其中,f表示激活函数,K、J、M分别为三维定位模型中每一层输入函数的个数,i、j、k、s分别表示各层的第几个权重或偏置,Xt(s)表示t时刻对应的训练目标的坐标,Cit表示t时刻训练目标对应的电容值。具体地,在上述训练过程中,将训练坐标和训练电容值带入该公式可以计算得到各层权重和偏置;在实际应用时,将待测目标对应的电容值输入该公式,即可得到待测目标的位置。
本发明实施例提供的训练三维定位模型的方法,通过训练目标的训练坐标数据和测量得到训练电容值对神经网络模型进行训练,可以得到三维定位模型。相比现有技术中通过电容传感器直接计算待测目标的距离,该三维定位模型的构建可以提高后续电容传感器探测目标位置的精度。此外,本发明实施例提供的训练三维定位模型的方法,通过改变多个电极的连接方式,在不改变单个电极的面积及电极个数情况下,增加了传感器的面积,从而提高了传感器的敏感距离,同时又消除了因电极面积增加带来的传感器阵列的分辨率的下降问题。
实施例2
本发明实施例提供了一种三维定位方法,如图2所示,该方法包括如下步骤:
步骤S201:根据多个电极连接形成的传感器阵列测量待测目标对应的电容值;具体地,如图3所示,当待测目标如人手或其他目标置于传感器阵列附近,此时,可以测量传感器阵列对应的电容值;同时采用模拟开关改变多个电极的连接关系,可以得到该待测目标对应的多个电容值。
步骤S202:将电容值输入到如实施例1中所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。将上述步骤中测量得到的该待测目标对应的多个电容值输入公式(1)即可计算得到待测目标的坐标值。
可选地,对于同一待测目标,当其位置随时间的变化而变化时,可以通过公式(1)计算得到该待测目标不同时刻对应的坐标值,将多个坐标连接在一起,即可得到该待测目标的运动轨迹。
本发明实施例提供的三维定位方法,通过测量待测目标对应的电容值,将该电容值输入上述训练三维定位模型得到的计算公式中,即可得到待测目标的位置。相比现有技术中通过电容传感器直接计算待测目标的距离,该三维定位方法可以提高电容传感器探测目标位置的精度。此外,本发明实施例提供的三维定位方法,通过改变多个电极的连接方式,在不改变单个电极的面积及电极个数情况下,增加了传感器的面积,从而提高了传感器的敏感距离,同时又消除了因电极面积增加带来的传感器阵列的分辨率的下降问题。
实施例3
本发明实施例提供一种训练三维定位模型的装置,如图4所示,该装置包括:
训练坐标获取模块11:用于获取不同训练目标的训练坐标数据;详细内容参见上述方法实施例中步骤S101的相关描述。
训练电容值获取模块12:用于根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,得到训练电容值数据;详细内容参见上述方法实施例中步骤S102的相关描述。
训练模块13:用于根据训练坐标数据和训练电容值数据对神经网络模型进行训练,得到三维定位模型。详细内容参见上述方法实施例中步骤S103的相关描述。
本发明实施例提供的训练三维定位模型的装置,通过训练目标的训练坐标数据和测量得到训练电容值对神经网络模型进行训练,可以得到三维定位模型。相比现有技术中通过电容传感器直接计算待测目标的距离,该三维定位模型的构建可以提高后续电容传感器探测目标位置的精度。此外,本发明实施例提供的训练三维定位模型的装置,通过改变多个电极的连接方式,在不改变单个电极的面积及电极个数情况下,增加了传感器的面积,从而提高了传感器的敏感距离,同时又消除了因电极面积增加带来的传感器阵列的分辨率的下降问题。
实施例4
本发明实施例提供一种三维定位装置,如图5所示,该装置包括:
电容值获取模块21:用于根据多个电极连接形成的传感器阵列测量待测目标对应的电容值;详细内容参见上述方法实施例中步骤S201的相关描述。
坐标计算模块22:用于将所电容值输入到实施例1所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。详细内容参见上述方法实施例中步骤S202的相关描述。
本发明实施例提供的三维定位装置,通过测量待测目标对应的电容值,将该电容值输入上述训练三维定位模型得到的计算公式中,即可得到待测目标的位置。相比现有技术中通过电容传感器直接计算待测目标的距离,该三维定位方法可以提高电容传感器探测目标位置的精度。此外,本发明实施例提供的三维定位装置,通过改变多个电极的连接方式,在不改变单个电极的面积及电极个数情况下,增加了传感器的面积,从而提高了传感器的敏感距离,同时又消除了因电极面积增加带来的传感器阵列的分辨率的下降问题。
实施例5
本发明实施例提供一种三维定位***,该***包括:传感器阵列及微处理器。
其中,传感器阵列用于根据待测目标的位置得到对应的电容值;具体地,传感器阵列可以包括:M*N个电极,M*N个电极的工作状态通过模拟开关切换连接不同行或列的电极进行调整。该模拟开关可以是多路通断切换的模拟开关,例如ADG612等。
可选地,如图6A至图6D所示,该传感器阵列可以包括4*4个电极,具体地,相同的字母代表电极通过模拟开关切换连接在一起,其中T表示驱动电极,R表示感应电极,N表示电极处于悬空状态(即电极既不是驱动电极也不是感应电极)。在改变电极的连接方式时,如图6A所示,可以先将第一列连接在一起作为驱动电极,再将第二列连接在一起作为感应电极,其他电极悬空,之后可以选择第二列和第三列,直到最后一列;同时如图6B所示,也可以以行为单位改变电极连接方式;此外,如图6C所示,也可以选择多列或多行电极连接在一起,还可以将悬空的电极作为驱动电极或感应电极;如图6D所示,也可以将该多个电极分块连接。
因此,该多个电极可以通过模拟开关切换连接得到14种不同的连接方式。通过测量每种连接方式下的传感器阵列的电容值,可以得到每个待测目标对应的14个电容值。
微处理器,用于将电容值输入到如实施例1所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。具体地,将测量多个传感器阵列感应的待测目标对应的电容值输入上述公式(1),即可计算得到待测目标对应的位置。
本发明实施例提供的三维定位***,通过测量待测目标对应的电容值,将该电容值输入上述训练三维定位模型得到的计算公式中,即可得到待测目标的位置。相比现有技术中通过电容传感器直接计算待测目标的距离,该三维定位方法可以提高电容传感器探测目标位置的精度。此外,本发明实施例提供的三维定位***,通过改变多个电极的连接方式,在不改变单个电极的面积及电极个数情况下,增加了传感器的面积,从而提高了传感器的敏感距离,同时又消除了因电极面积增加带来的传感器阵列的分辨率的下降问题。
实施例6
本发明实施例还提供了一种终端,如图7所示,该终端可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图7中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的装置对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的训练三维定位模型的方法或三维定位方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-2所示实施例中的训练三维定位模型的方法或三维定位方法。
上述终端具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种训练三维定位模型的方法,其特征在于,包括如下步骤:
获取不同训练目标的训练坐标数据;
根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,得到训练电容值数据,电极为近程电容传感器电极;
根据所述训练坐标数据和所述训练电容值数据对神经网络模型进行训练,得到所述三维定位模型;
根据所述训练坐标数据和训练电容值对神经网络模型进行训练,得到所述三维定位模型,包括:
根据所述训练坐标数据和训练电容值对神经网络模型中的权重和偏置进行优化;
根据优化后的权重和偏置计算得到三维定位模型;
所述三维定位模型的坐标计算公式通过下列公式表示:
其中,f表示激活函数,K、J、M分别为三维定位模型中每一层输入函数的个数,b表示各层的偏置,w表示各层的权重,i、j、k、s分别表示各层的第几个权重或偏置,Xt(s)表示t时刻对应的训练目标的坐标,Cit表示t时刻训练目标对应的电容值。
2.根据权利要求1所述的训练三维定位模型的方法,其特征在于,根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,包括:
根据模拟开关对多个电极的连接方式进行调整,得到多个不同工作状态的传感器阵列;
根据多个传感器阵列分别测量每个训练目标对应的训练电容值,得到训练电容信息;
根据每个训练目标对应的训练电容信息计算得到训练电容值数据。
3.一种三维定位方法,其特征在于,包括如下步骤:
根据多个电极连接形成的传感器阵列测量待测目标对应的电容值;
将所述电容值输入到如权利要求1或2所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。
4.根据权利要求3所述的三维定位方法,其特征在于,还包括:
根据待测目标的坐标值及当前时刻以前计算得到的所述待测目标的多个坐标值,确定所述待测目标运动形成的坐标轨迹。
5.一种训练三维定位模型的装置,其特征在于,包括:
训练坐标获取模块:用于获取不同训练目标的训练坐标数据;
训练电容值获取模块:用于根据多个电极连接形成的传感器阵列测量不同训练目标对应的训练电容值,得到训练电容值数据,电极为近程电容传感器电极;
训练模块:用于根据所述训练坐标数据和所述训练电容值数据对神经网络模型进行训练,得到所述三维定位模型;根据所述训练坐标数据和训练电容值对神经网络模型进行训练,得到所述三维定位模型,包括:
根据所述训练坐标数据和训练电容值对神经网络模型中的权重和偏置进行优化;
根据优化后的权重和偏置计算得到三维定位模型;
所述三维定位模型的坐标计算公式通过下列公式表示:
其中,f表示激活函数,K、J、M分别为三维定位模型中每一层输入函数的个数,b表示各层的偏置,w表示各层的权重,i、j、k、s分别表示各层的第几个权重或偏置,Xt(s)表示t时刻对应的训练目标的坐标,Cit表示t时刻训练目标对应的电容值。
6.一种三维定位装置,其特征在于,包括:
电容值获取模块:用于根据多个电极连接形成的传感器阵列测量待测目标对应的电容值;
坐标计算模块:用于将所述电容值输入到如权利要求1或2所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。
7.一种三维定位***,其特征在于,包括:
传感器阵列,用于根据待测目标的位置得到对应的电容值;
微处理器,用于将所述电容值输入到如权利要求1或2所述的训练三维定位模型的方法训练生成的三维定位模型,得到待测目标的坐标值。
8.根据权利要求7所述的三维定位***,其特征在于,所述传感器阵列包括:M*N个电极,所述M*N个电极的工作状态通过模拟开关切换连接不同行或列的电极进行调整。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1或2所述的训练三维定位模型的方法、权利要求3或权利要求4中所述三维定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290514.4A CN111121607B (zh) | 2019-12-13 | 2019-12-13 | 一种训练三维定位模型的方法及三维定位方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290514.4A CN111121607B (zh) | 2019-12-13 | 2019-12-13 | 一种训练三维定位模型的方法及三维定位方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111121607A CN111121607A (zh) | 2020-05-08 |
CN111121607B true CN111121607B (zh) | 2021-12-07 |
Family
ID=70498945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290514.4A Expired - Fee Related CN111121607B (zh) | 2019-12-13 | 2019-12-13 | 一种训练三维定位模型的方法及三维定位方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111121607B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179561B (zh) * | 2020-09-17 | 2022-09-30 | 五邑大学 | 一种压力传感器阵列定标方法、装置及设备 |
CN112741621A (zh) * | 2021-01-12 | 2021-05-04 | 深圳大学 | 一种基于电容传感器的姿势识别***和方法 |
CN112966662A (zh) * | 2021-03-31 | 2021-06-15 | 安徽大学 | 一种近程电容式动态手势识别***及方法 |
CN112965605A (zh) * | 2021-03-31 | 2021-06-15 | 安徽大学 | 一种近程电容式静态手势识别***及方法 |
CN113702719B (zh) * | 2021-08-03 | 2022-11-29 | 北京科技大学 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1410774A (zh) * | 2002-11-29 | 2003-04-16 | 清华大学 | 基于主成分分析和神经元网络的两相流相浓度测量方法 |
CN101968550A (zh) * | 2010-09-29 | 2011-02-09 | 山东大学 | 基于阵列光纤传感器的岩层识别装置及方法 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN105466465B (zh) * | 2015-11-20 | 2018-08-28 | 华北电力大学 | 一种螺旋结构电极的电容层析成像传感器 |
CN109598219A (zh) * | 2018-11-20 | 2019-04-09 | 中国科学技术大学 | 一种用于鲁棒肌电控制的自适应电极配准方法 |
CN110082717A (zh) * | 2019-04-30 | 2019-08-02 | 上海海事大学 | 一种水下无线传感器节点定位方法 |
CN110288033A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 |
CN110555388A (zh) * | 2019-08-06 | 2019-12-10 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9552069B2 (en) * | 2014-07-11 | 2017-01-24 | Microsoft Technology Licensing, Llc | 3D gesture recognition |
CN109163824A (zh) * | 2018-10-10 | 2019-01-08 | 北京理工大学 | 一种具有触觉和接近觉双模感知功能的柔性电子皮肤 |
-
2019
- 2019-12-13 CN CN201911290514.4A patent/CN111121607B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1410774A (zh) * | 2002-11-29 | 2003-04-16 | 清华大学 | 基于主成分分析和神经元网络的两相流相浓度测量方法 |
CN101968550A (zh) * | 2010-09-29 | 2011-02-09 | 山东大学 | 基于阵列光纤传感器的岩层识别装置及方法 |
CN105466465B (zh) * | 2015-11-20 | 2018-08-28 | 华北电力大学 | 一种螺旋结构电极的电容层析成像传感器 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN109598219A (zh) * | 2018-11-20 | 2019-04-09 | 中国科学技术大学 | 一种用于鲁棒肌电控制的自适应电极配准方法 |
CN110082717A (zh) * | 2019-04-30 | 2019-08-02 | 上海海事大学 | 一种水下无线传感器节点定位方法 |
CN110288033A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 |
CN110555388A (zh) * | 2019-08-06 | 2019-12-10 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
Non-Patent Citations (1)
Title |
---|
"智能移动平台融合定位技术综述";裴凌等;《导航定位与授时》;20170930;第4卷(第5期);第8-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111121607A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111121607B (zh) | 一种训练三维定位模型的方法及三维定位方法、装置 | |
US20190195631A1 (en) | Positioning method, positioning device, and robot | |
KR102351946B1 (ko) | 확장 칼만 필터 기반 자율적 자력계 교정 기법 | |
CN102297693B (zh) | 测量物***置和方位的方法 | |
US10459544B2 (en) | Electronic system and proximity sensing method | |
CN102929422A (zh) | 力感测电容式混合触摸传感器 | |
JP2011507121A5 (zh) | ||
CN110057380A (zh) | 计步方法、装置、终端和存储介质 | |
CN115454275B (zh) | 电容式触摸屏的质量检测方法、装置和计算机设备 | |
US20200019744A1 (en) | Method and apparatus for processing image data | |
JP2011507124A (ja) | パッシブマトリックス式多点接触タッチセンサのための電力供給軸/検出軸交替式分析用電子回路 | |
CN110515454B (zh) | 一种基于内存计算的神经网络架构电子皮肤 | |
JP7225516B2 (ja) | データ検出方法および装置、記憶媒体、タッチ装置 | |
US20170177117A1 (en) | Capacitance sensor device and detecting method for a conductive matter thereon | |
CN103718144A (zh) | 高分辨率无鬼影手势 | |
CN106598366A (zh) | 输入装置、传感器控制方法、电子设备及其控制方法 | |
CN111553223B (zh) | 舰船目标识别方法、装置、设备及可读存储介质 | |
US11106883B2 (en) | Method and apparatus for processing data corresponding to fingerprint image | |
CN111382701A (zh) | 动作捕捉方法、装置、电子设备及计算机可读存储介质 | |
CN206282140U (zh) | 避障控制*** | |
CN115291786A (zh) | 一种基于机器学习的误触判断方法、装置和存储介质 | |
CN114391822A (zh) | 数据修正方法、数据修正装置、电子设备和可读存储介质 | |
CN104995584B (zh) | 计算磁航向 | |
CN106774323A (zh) | 避障控制***和方法 | |
CN112697146A (zh) | 一种基于稳健回归的航迹预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211207 |