[发明专利]一种基于卷积神经网络的ZigBee惯性辅助快速定位系统及方法

权利要求书

1.一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，包括：

多个参考节点，其设置在室内的不同位置；以及

移动节点，其设置在所述室内的移动物体上，所述移动节点与所述多个参考节点交互通信；

定位分站，其与所述移动节点交互通信，用于数据的收集、初步处理及传输；

协调器节点，其与所述定位分站交互通信，用于数据的汇总；

上位机终端，其与所述协调器节点和定位分站交互通信，用于数据的最终处理。

2.如权利要求1所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，还包括：

数据库，其与所述上位机终端交互通信，用于数据的存储。

3.如权利要求2所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述移动节点包括：

锂电池；以及

第一稳压芯片，其与所述锂电池相连接；

第一核心芯片，其与所述第一稳压芯片相连接，且所述第一核心芯片与所述多个参考节点交互通信；

惯性传感元件，其与所述第一核心芯片相连接，用于收集所述移动物体的运动信息。

4.如权利要求3所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述定位分站包括：

第二稳压芯片，其与电源相连接；

路由节点芯片，其与所述第一核心芯片交互通信；

第二核心芯片，其与所述第二稳压芯片和路由节点芯片相连接；

CAN总线收发器，其与所述第二核心芯片和上位机终端相连接；

WiFi模组，其与所述第二核心芯片相连接，用于所述上位机终端与第二核心芯片间的WiFi通信数据交互。

5.如权利要求3所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述第一稳压芯片为TPS73701DRBR芯片，所述第一核心芯片为CC2530芯片，所述惯性传感元件为mpu9250芯片。

6.如权利要求4所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述第二稳压芯片为AMS1117-3.3芯片，所述路由节点芯片为CC2530芯片，所述第二核心芯片为stm32f407zet6芯片，所述CAN总线收发器为SN65HVD 230芯片，所述WiFi模组为ESP-12N芯片。

7.一种基于卷积神经网络的ZigBee惯性辅助快速定位的方法，使用如权利要求1-6任意一项所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，包括如下步骤：

步骤一、采集移动节点的原始定位数据；

步骤二、将所述原始定位数据输入到卷积神经网络活动识别模型中，获得所述移动节点的下一次位置数据；

其中，所述卷积神经网络活动识别模型包括一个卷积层、一个池化层、一个全连接层和一个输出层，所述卷积神经网络活动识别模型的构建过程包括如下步骤：

步骤1、在卷积层中，以所述多个原始定位数据作为所述卷积层的输入数据进行卷积操作，所述卷积层的输出矩阵满足：

式中，f为卷积层的激活函数，W_l,m为卷积核，且卷积核的大小为l×m，a_j+1,k+m为位置为(j+1,k+m)的卷积层的输入数据，b为共享偏置；

步骤2、在所述池化层中，提取所述卷积层的输出矩阵的最大值，并进行抹零处理，获得池化层的输出矩阵；

步骤3、在所述全连接层中，将所述池化层的输出矩阵转换为1×n的矩阵形式后进行归一化处理，获得全连接层的输出矩阵；

步骤4、在所述输出层中，将所述全连接层的输出矩阵通过输出层输出多个移动类别的概率，以最大概率为移动节点的下一次计算位置；

步骤5、将所述移动节点的下一次计算位置与移动节点的真实位置数据进行误差计算，对卷积神经网络进行更新至损失函数收敛，获得卷积神经网络活动识别模型。