【技術實現步驟摘要】
本專利技術涉及電數字數據處理的信息監控領域，具體涉及基于多傳感器數據融合的工程巡查機器人定位方法。
技術介紹
1、隨著工業自動化與智能化水平的不斷提升，工程巡查機器人在監控與維護工業環境中扮演了越來越重要的角色。這些工程巡查機器人需要在各種復雜環境下進行精確的位置定位，得知其所在具體區域，如辦公區域、生產車間區域等，以有效執行任務如巡檢、監測與故障診斷等。
2、現有的定位方法通常包括通過傳感器進行數據采集、對采集數據進行特征提取、對特征數據進行降維、對降維后數據進行分類這四個步驟。
3、采集數據是后續訓練數據的基礎，但采集獲取、標注及預處理都較為耗時耗力。傳統的工程巡查機器人定位方法多依賴于單一類型的傳感器進行數據采集，如視覺或雷達信號，以傳感器采集到的真實傳感器數據作為樣本數據，單一類型的傳感器在多變的環境條件下可能面臨諸如信號干擾等問題，使得采集的數據精度不高且采集到的數據量也較少，樣本數據不足的問題會限制模型的訓練效果與泛化能力，使得模型泛化能力差，從而影響模型的精度，導致訓練樣本數據難以充分覆蓋應用場景的數據多樣性。
4、而增多傳感器類型與數目后，數據處理的難度會增加，從而導致數據處理出現問題，最終影響到定位結果，如現有的工程巡查機器人定位方法會使用神經網絡進行特征提取，在某些神經網絡結構中，可能會遇到梯度消失、梯度爆炸或陷入局部最優解的問題，因此現有的定位方法往往未能充分動態調整關鍵特征的提取策略，可能導致模型在特定數據特征上的學習不足，影響訓練的穩定性與模型的性能，進而影響最終的定
5、因此的現有的定位方法存在著定位精度較為不準確的問題。
技術實現思路
1、本專利技術所要解決的技術問題在于克服上述現有技術的缺點，提供一種定位精度較為準確的基于多傳感器數據融合的工程巡查機器人定位方法。
2、為解決上述技術問題，本專利技術提供的基于多傳感器數據融合的工程巡查機器人定位方法包括以下步驟：
3、s1、通過至少兩個不同類型的傳感器采集真實傳感器數據，對真實傳感器數據進行分類標注，得到標注后的真實傳感器數據；
4、s2、根據所述標注后的真實傳感器數據通過基于元學習的生成對抗網絡算法產生生成傳感器數據，所述標注后的真實傳感器數據與所述生成傳感器數據構成樣本數據；
5、s3、將所述樣本數據輸入到特征提取模型中，采用基于海浪能量捕獲優化的神經網絡算法訓練所述特征提取模型，得到訓練完成的特征提取模型與特征提取后的樣本數據；
6、s4、將所述特征提取后的樣本數據輸入到特征降維模型中，采用基于動態調整矩陣的自編碼器算法對特征降維模型進行訓練，得到訓練完成的特征降維模型與降維后的樣本數據；
7、s5、將所述降維后的樣本數據輸入到分類器中，采用基于自適應錯誤校正項的極限學習機算法訓練所述分類器，得到訓練完成的分類器；
8、s6、通過至少兩個不同類型的傳感器采集新的真實傳感器數據，將所述新的真實傳感器數據輸入所述訓練完成的分類器中，得到工程巡查機器人在位置環境中的位置分類，實現工程巡查機器人的位置定位。
9、作為本專利技術的更進一步的改進：所述s1中所述標注的標注類別包括：機器房區域、辦公區域、生產車間區域以及倉庫區域。
10、作為本專利技術的更進一步的改進：所述s2中所述基于元學習的生成對抗網絡算法的訓練步驟如下：
11、s201、初始化生成器參數與判別器參數
12、s202、生成器接收隨機噪聲向量zc，生成相應的新生成傳感器數據；
13、s203、根據判別器提供的反饋，采用元學習優化器調整生成器與判別器的參數更新策略；
14、s204、根據梯度下降策略對基于元學習調整后的生成器參數與判別器參數進行再次更新；
15、s205、重復迭代上述步驟，直至滿足預設的停止迭代條件，即表示特征模型訓練完成。
16、作為本專利技術的更進一步的改進：所述s3中訓練特征提取模型的訓練步驟如下：
17、s301、初始化神經網絡的權重參數；
18、s302、在網絡的前3層設置自適應掩碼層，所述自適應掩碼層根據輸入數據的特性動態調整其透過率；
19、s303、模擬海浪的動力學行為優化神經網絡的權重，神經網絡的權重的更新量的計算方式為：
20、
21、式中，δwp為神經網絡權重的更新量；ηp為神經網絡的學習率；為神經網絡當前權重對應的能量梯度；αp為神經網絡的動量因子；為神經網絡上一次迭代的權重的更新量；
22、s304、輸入數據通過神經網絡，采用前向傳播的方式，經過6層處理后產生輸出；
23、s305、重復迭代s302～s304，直至滿足預設的停止迭代條件，即表示特征提取模型訓練完成。
24、作為本專利技術的更進一步的改進：所述s4中特征降維模型訓練的訓練步驟如下：
25、s401、初始化基于動態調整矩陣的自編碼器算法的參數，包括自編碼器的權重與偏置；
26、s402、數據通過前向傳播的方式，經過編碼器層逐層傳遞，編碼器輸出表示為：
27、hr＝re(wr·xr+br)，
28、式中，hr為編碼后的隱藏層特征，re()為relu激活函數，wr為自編碼器的權重參數，xr為輸入數據，br為自編碼器的偏置參數；
29、s403、根據數據保真度與編碼稀疏性控制計算復合損失函數評估模型性能，自編碼器的損失函數lr的計算方式為：
30、
31、式中，∥∥為l2范數，xr為自編碼器的輸入數據，xe為自編碼器的重建的輸出數據，λr為自編碼器的正則化系數，∥wr∥f為權重wr的frobenius范數，ρr為控制稀疏正則化強度的系數；ng為自編碼器層數；為指示函數，當hrj大于θrj時取值為1，否則為0；
32、s404、重復迭代s402～s403，直至滿足預設的停止迭代條件，即表示特征降維模型訓練完成。
33、作為本專利技術的更進一步的改進：，所述s5中分類器訓練的訓練步驟如下：
34、s501、對極限學習機權重參數wu進行初始化；
35、s502、將降維后的低維特征向量進行歸一化處理；
36、s503、將歸一化后的特征輸入到極限學習機分類器中；
37、s504、采用基于自適應錯誤校正項的損失函數進行損失計算與反向傳播，保證模型的泛化能力，損失函數lu的計算方式為：
38、
39、式中，mu為待分類樣本數據的數量本文檔來自技高網...
【技術保護點】
1.基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，所述S1中所述標注的標注類別包括：機器房區域、辦公區域、生產車間區域以及倉庫區域。
3.根據權利要求1所述的基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，所述S2中所述基于元學習的生成對抗網絡算法的訓練步驟如下：
4.根據權利要求1所述的基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，所述S3中訓練特征提取模型的訓練步驟如下：
5.根據權利要求1所述的基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，所述S4中特征降維模型訓練的訓練步驟如下：
6.根據權利要求1所述的基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，所述S5中分類器訓練的訓練步驟如下：
【技術特征摘要】
1.基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，所述s1中所述標注的標注類別包括：機器房區域、辦公區域、生產車間區域以及倉庫區域。
3.根據權利要求1所述的基于多傳感器數據融合的工程巡查機器人定位方法，其特征在于，所述s2中所述基于元學習的生成對抗網絡算法的訓練步驟如下：...
【專利技術屬性】
技術研發人員：劉捷，陳勇剛，李志，何照新，梁遠忠，周凱，羅杏通，方遠琪，霍志恒，胡科建，
申請(專利權)人：公誠管理咨詢有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。