買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西湖大學(xué)申請的專利一種基于元學(xué)習(xí)的領(lǐng)域自適應(yīng)慣性傳感器去噪算法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114239659B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111564869.5，技術(shù)領(lǐng)域涉及：G06F18/10；該發(fā)明授權(quán)一種基于元學(xué)習(xí)的領(lǐng)域自適應(yīng)慣性傳感器去噪算法是由吳宗凱;姚飛宇;王東林設(shè)計研發(fā)完成，并于2021-12-20向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于元學(xué)習(xí)的領(lǐng)域自適應(yīng)慣性傳感器去噪算法在說明書摘要公布了：本專利公開了一種基于元學(xué)習(xí)的領(lǐng)域自適應(yīng)慣性傳感器去噪算法，由于不同應(yīng)用場景下慣性傳感器會表現(xiàn)出不同誤差特性，以往的降噪算法不具備不同場景的泛化能力，針對這個問題，本算法通過元學(xué)習(xí)領(lǐng)域自適應(yīng)方法可以使用同一個降噪網(wǎng)絡(luò)在不同環(huán)境下不同慣性傳感器上取得優(yōu)秀的去噪效果，算法中的域自適應(yīng)框架用于去噪，特殊設(shè)計的重構(gòu)損失用于提高域自適應(yīng)能力和表征能力，此外，為了提升有限數(shù)據(jù)下的適應(yīng)性，算法使用了元學(xué)習(xí)策略，提高了網(wǎng)絡(luò)泛化能力，并且實驗結(jié)果證明了算法去噪的有效性。

本發(fā)明授權(quán)一種基于元學(xué)習(xí)的領(lǐng)域自適應(yīng)慣性傳感器去噪算法在權(quán)利要求書中公布了：1.一種基于元學(xué)習(xí)的領(lǐng)域自適應(yīng)慣性傳感器去噪算法，其特征在于包含以下步驟：步驟1、建立慣性傳感器的無噪聲角速度模型；步驟2、設(shè)計用于將分布差異大的數(shù)據(jù)投影到新相似空間的嵌入模塊；步驟3、設(shè)計用于去噪的生成模塊與去噪損失；步驟4、設(shè)計用于獲得更好數(shù)據(jù)表征能力的重構(gòu)模塊與重構(gòu)損失；步驟5、設(shè)計用于慣性傳感器去噪的小樣本域自適應(yīng)策略，所述慣性傳感器的無噪聲角速度模型為： （1）；在公式（1）中為參數(shù)，參數(shù)，為慣性傳感器測量的角速度，為陀螺偏差，陀螺偏差，其中為時變變量，為常值偏差，在步驟2中嵌入模塊被設(shè)計為簡單的三層感知機，三層感知機任一層的結(jié)構(gòu)為： （2）；在公式（2）中，表示第j輸入變量，α表示多層感知機的輸出，b表示偏置，φ為激活函數(shù)，為參數(shù)，在算法中，使用三層的感知機將低維的慣性傳感器數(shù)據(jù)投影到高維空間，使得不同慣性傳感器在不同使用環(huán)境下的數(shù)據(jù)分布相似，在步驟3中，設(shè)計可以將分布差異大的數(shù)據(jù)投影到新相似空間的嵌入模塊，具體如下：生成模塊的結(jié)構(gòu)為擴張的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)： 3；其中，為慣性傳感器測量的加速度信息，表示前一次測量的本地窗口長度，是當(dāng)前狀態(tài)的糾正的基礎(chǔ)，由擴張神經(jīng)網(wǎng)絡(luò)定義，其可以平滑地糾正數(shù)據(jù)并提取出多層次的時間信息，擴張神經(jīng)網(wǎng)絡(luò)在每一層間隔著對時序數(shù)據(jù)進行采樣，在生成器中，我們采用五層擴張神經(jīng)網(wǎng)絡(luò)，每一層的擴張間隔分別為：1、4、16、64、1，每一層的核維數(shù)均為7；去噪損失的結(jié)構(gòu)為： （4）；其中是的對數(shù)映射，是胡貝爾損失，其中定義為： （5）；其中參數(shù)用于減少慣性傳感器的頻率，且剛開始為單位矩陣，在步驟4中，設(shè)計用于獲得更好數(shù)據(jù)表征能力的重構(gòu)模塊與重構(gòu)損失；重構(gòu)模塊的結(jié)構(gòu)為擴張的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)： 6；其中，是添加噪聲后的，重構(gòu)損失的結(jié)構(gòu)為： （7）；該結(jié)構(gòu)為均方誤差，拿每個時刻估計的值和真實值做差，在步驟5中，設(shè)計一種用于慣性傳感器去噪的小樣本域自適應(yīng)策略，具體如下：用結(jié)構(gòu)兩個含參函數(shù)和來表征總體結(jié)構(gòu)，表示重建過程，表示角速度誤差生成過程，我們用表示嵌入模塊，重建模塊和生成模塊的參數(shù)，所以有兩個參數(shù)，有兩個參數(shù)，結(jié)構(gòu)以含噪聲角速度序列和加速度序列為輸入，框架中有兩種訓(xùn)練方法：嵌入模塊通過元學(xué)習(xí)進行訓(xùn)練，生成模塊和重建模塊通過梯度下降進行訓(xùn)練；嵌入模塊的訓(xùn)練為：在針對任務(wù)訓(xùn)練過程中，有n長度的角速度序列，n長度的角加速度序列和n長度的真實角速度序列，目標(biāo)是通過小樣本元學(xué)習(xí)訓(xùn)練，通過梯度下降訓(xùn)練，元學(xué)習(xí)由兩部分組成：適應(yīng)優(yōu)化階段和元優(yōu)化階段，這兩個階段使用來自同一分布的不同慣性傳感器數(shù)據(jù)集，在適應(yīng)優(yōu)化階段，當(dāng)需要適應(yīng)一個不同來源的數(shù)據(jù)時，嵌入模塊參數(shù)被更新為，參數(shù)通過下面的表達式進行更新： （8）；這是梯度下降更新方法，其中是在任務(wù)中更新后的模塊參數(shù)，是超參，為損失函數(shù)，它包含了兩種損失，一個是特征提取損失，一個是去噪損失， ；（9）其中，為等式7，為公式4，表示超參；在元優(yōu)化階段，模型使用剩余數(shù)據(jù)對進行訓(xùn)練，模型參數(shù)通過梯度下降法進行更新： ；（10）其中，是在適應(yīng)優(yōu)化階段已經(jīng)更新好的參數(shù)，是超參，是針對序列的損失函數(shù)，通過元學(xué)習(xí)的方式訓(xùn)練，通過梯度下降的方式進行訓(xùn)練，在幾次訓(xùn)練周期更新之后，最終的更新過的模型參數(shù)為元學(xué)習(xí)訓(xùn)練模型參數(shù)；所述元學(xué)習(xí)策略如下：輸入：包含來自不同慣性傳感器和不同使用環(huán)境的慣性傳感器序列集合，包含，為隨機初始化的參數(shù)，為超參；輸出：通過元學(xué)習(xí)得到的嵌入模塊參數(shù),梯度下降學(xué)習(xí)的；While循環(huán)；從慣性傳感器序列集合中采樣序列塊，將采樣序列分為，對中的每一種數(shù)據(jù)循環(huán)： ；使用對參數(shù)進行更新： ；While循環(huán)結(jié)束：[]=。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人西湖大學(xué)，其通訊地址為：310000 浙江省杭州市西湖區(qū)轉(zhuǎn)塘街道石龍山街18號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。