[发明专利]一种基于MEMS惯性传感器和FM广播信号的步长估计方法

权利要求书

1.一种基于MEMS惯性传感器和FM广播信号的步长估计方法，应用于室内行人定位系统中，其特征在于：通过使用支持向量机回归SVR方法将包含三轴加速度计和三轴陀螺仪的MEMS惯性传感器特征和FM广播信号特征组合起来以实现步长估计，包括以下步骤：

步骤一：对MEMS惯性传感器中加速度计输出进行降噪滤波处理，再综合过零检测和时长约束两种方法进行行人的步数检测，得到步数检测结果即行人的行走步数；

步骤二：基于步骤一中步数检测结果对MEMS惯性传感器数据与FM广播信号数据进行分段，每一段对应行人一步的数据；对每一分段的原始数据提取各段的多特征，多特征包括FM广播信号的信号强度RSSI的平均值、极差、方差、中值、功率谱质心、频域熵特征以及三轴加速度标准差和偏斜、三轴角速度的标准差和偏斜、加速度能量、角速度能量、加速度幅值的标准差和极差、角速度幅值的标准差和极差、加速度幅值的峰值间隔时间；再使用主成分分析方法对于所述多特征进行降维，得到剔除了冗余特征、无关特征以及干扰特征后的有用特征；

步骤三：采用SVR方法融合步骤二中提取的有用特征实现步长估计，具体包含两个阶段：训练阶段和预测阶段，训练阶段选择包含不同速度的数据作为训练集并构建训练模型，此阶段将训练集的真实步长以及使用步骤二得到的有用特征输入至SVR方法中，得到训练模型；测试阶段使用此训练模型预测真实步长未知的测试集数据的步长，完成步长估计。

2.根据权利要求1所述的基于MEMS惯性传感器和FM广播信号的步长估计方法，其特征在于：所述步骤二具体包括如下步骤：

首先，对行人行走的每一步的MEMS惯性传感器和FM广播信号原始数据进行特征提取，其中使用三个频道的FM广播信号数据；所述原始数据是FM广播信号的接收信号强度RSSI、载体加速度和角速度，提取的多特征具体如下：

(1)每个FM频道RSSI的平均值；

(2)每个FM频道RSSI的极差；

(3)每个FM频道RSSI的方差；

(4)每个FM频道RSSI的中值；

(5)每个FM频道RSSI的功率谱质心；

(6)每个FM频道RSSI的频域熵；

(7)三轴加速度的标准差；

(8)三轴角速度的标准差；

(9)三轴加速度的偏斜；

(10)三轴角速度的偏斜

(11)加速度的能量；

(12)角速度的能量；

(13)加速度幅值的标准差；

(14)角速度幅值的标准差；

(15)加速度幅值极差；

(16)加速度幅值的峰值间隔时间；

(17)角速度幅值的极差；

在上述多特征中，第(1)项到第(10)项包含三个特征维度，其中第(8)项到第(10)项包含的特征维度具体指载体坐标系的x，y，z三轴方向，而第(1)项到第(7)项的特征维度具体指FM的三个频道，剩余几项则包含一个特征维度；

其次，使用主成分分析方法对于上述提取的多特征进行降维，得到剔除了冗余特征、无关特征以及干扰特征后的有用特征，最终使用这些特征来实现步长估计；主成分分析是一种常用的无监督的降维方式，它通过正交变换实现这种映射，并使得到的各主成分在投影方向上方差最大，具体算法如下：

(1)对由多特征组成的特征矩阵X进行中心化，即每列特征值减去该列的均值，实现中心化；

(2)计算中心化后特征矩阵的协方差矩阵；

(3)对协方差矩阵进行特征值分解，得到特征值和特征向量；

(4)对特征值降序排列；

(5)取最大的特征值对应的特征向量w₁,w₂,…,w_d'得到变换矩阵

(6)根据Z＝XW计算降维后的特征矩阵，得到剔除了冗余特征、无关特征以及干扰特征的有用特征。

3.根据权利要求1所述的基于MEMS惯性传感器和FM广播信号的步长估计方法，其特征在于：所述步骤三中，SVR方法具体包含两个过程：训练过程和预测过程，其中，训练过程使用的数据为训练集数据，需要知道真实步长，而测试过程使用的是测试集数据，不需要知道真实步长；

在训练过程时，先对训练集数据进行选择，采用一组极限快速数据加一组极限慢速数据组合方式来构建训练集；然后将训练集数据的真实步长和计算出的有用特征输入至支持向量机SVR，得到基于训练集数据得到的训练模型；

在预测过程时，将计算出的测试集数据的有用特征输入至支持向量机，基于训练模型对测试集数据的步长进行预测，得出测试集数据的步长估计结果。