[发明专利]基于循环重建网络的惯性传感器语义信息识别方法及系统

权利要求书

1.一种基于循环重建网络的惯性传感器语义信息识别方法，其特征在于，包括：

构建多源信号循环重建网络；所述多源信号循环重建网络包括：卷积神经网络模型、第一小波编码网络模型和第二小波编码网络模型；

通过训练好的多源信号循环重建网络对惯性传感器信号进行重建；

基于重建后的惯性传感器信号还原运动轨迹；

将还原后的运动轨迹与重建后的惯性传感器信号合并，得到多个时刻的特征向量；

将各时刻的特征向量中的位置信息与时间信息合并，得到编码四元数；

对所述编码四元数进行归一化处理，得到单位编码四元数；

基于各时刻的特征向量中的加速度分量、角速度分量和轨迹分量，构建多个特征四元数；

基于所述单位编码四元数和所述特征四元数确定特征编码向量；

将特征编码向量输入至Transformer中进行语义信息识别。

2.根据权利要求1所述的基于循环重建网络的惯性传感器语义信息识别方法，其特征在于，所述多源信号循环重建网络的训练过程如下：

确定多个信息源的惯性传感器多轴信号数据的最优小波变换模式；

通过所述最优小波变换模式标注对应的惯性传感器多轴信号数据构建训练集；

通过所述训练集对所述多源信号循环重建网络进行训练。

3.根据权利要求2所述的基于循环重建网络的惯性传感器语义信息识别方法，其特征在于，所述确定多个信息源的惯性传感器多轴信号数据的最优小波变换模式，具体包括：

对每个信息源的每轴信号进行变分模态分解，得到每轴信号的IMF分量；

对每个IMF分量进行多种小波变换；

将小波变换结果替换原始IMF分量，并基于替换后的IMF分量重建原始信号，得到原始信号的重建结果；

基于所述重建结果进行姿态解算；

将姿态解算结果与真实记录数据进行对比，得到姿态解算误差；并将最小的姿态解算误差所对应的小波变换模式作为最优小波变换模式。

4.根据权利要求2所述的基于循环重建网络的惯性传感器语义信息识别方法，其特征在于，所述通过所述训练集对所述多源信号循环重建网络进行训练，具体包括：

对于第一个信息源A的第一轴信号A₁所分解出的第一个IMF分量将其与原始信号X并联后，再并联一个等长的零向量形成输入矩阵；所述原始信号为多个信息源的惯性传感器多轴信号数据；

将输入矩阵输入所述卷积神经网络模型，所述卷积神经网络模型输出小波选择向量

将所述小波选择向量输入softmax函数后，与预先得到的的最优小波变换模式的ont-hot编码计算交叉熵损失，记为

将所述小波选择向量输入第一小波编码网络模型，得到当前回合的小波编码将上一回合的小波编码乘以权重ω₁后与当前回合的小波编码相加，得到联合小波编码向量

将联合小波编码向量与下一个IMF分量以及原始信号X并联，生成一个新的输入矩阵，再次输入卷积神经网络模型，得到新的小波选择向量

将小波选择向量输入softmax函数，与对应的最优小波变换模式的ont-hot编码计算交叉熵损失，记为

将小波选择向量输入第一小波编码网络模型，得到当前回合的小波编码将上一回合的联合小波编码向量乘以权重ω₂后与当前回合的小波编码相加，得到联合小波编码向量

将联合小波编码与下一回合的IMF分量以及原始信号X并联，构成下一回合的输入；

重复上述过程，直到信息源A的最后一个IMF分量；

设信息源A的最后一个IMF分量对应的小波选择向量为将小波选择向量输入softmax函数，与对应的最优小波变换模式的one-hot编码计算交叉熵损失，记为：

将小波选择向量输入第二小波编码网络模型，得到当前回合的小波编码将上一回合的联合小波编码向量乘以权重ω₁₅后与当前回合的小波编码相加，得到当前回合之前的联合小波编码向量

将联合小波编码向量与信息源G的第一个IMF分量以及原始信号X并联，形成一个8×N的输入矩阵，并输入卷积神经网络模型，得到新的小波选择向量

将小波选择向量输入softmax函数，与对应的最优小波变换模型的one-hot编码计算交叉熵损失，记为

将小波选择向量为输入第二小波编码网络模型，得到当前回合的小波编码将上一回合的联合小波编码向量乘以权重ω₁₆后与当前回合的小波编码相加，得到当前回合之前的联合小波编码向量

将小波编码向量与信息源G的第二个IMF分量以及原始信号X并联，形成一个8×N的输入矩阵，并输入卷积神经网络模型，不断重复上述过程，直到对所有IMF分量完成操作；

对于每个IMF分量都得到一个对应的小波选择向量以及一个对应的损失项，将所有的损失项相加，得到所述多源信号循环重建网络的小波选择总损失；

将所述总损失进行反向传播实现对所述多源信号循环重建网络的训练。