基于深度学习的手机姿态判断方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的手机姿态判断方法及装置，采集人在行走状态下对应不同手机姿态时的加速度信号和姿态角信号，并将加速度信号和姿态角信号作为输入信号，将手机姿态判断结果作为输出信号，对加速度信号和姿态角信号进行深度学习训练，建立深度自动编码器，使其可用于实时预测手机姿态。本发明专利技术预先训练好深度自动编码器，用于实时预测手机姿态，操作简单，在短时间就可高准确率判断手机状态；在建立单层自动编码器、深度自动编码器的过程中，对于输入信号的特征抓取过程完全凭靠数据驱动，不受人为设定阈值的困扰，输入信号特征之间内在关系非线性约束，大大提高对手机姿态判断时的可靠性。

【技术实现步骤摘要】

本专利技术涉及定位
，尤其涉及一种基于深度学习的手机姿态判断方法及装置。
技术介绍
在智能手机普及的今天，各种手机服务如火如荼，能够识别手机所处的位置和姿态对于提供精准和高体验的手机应用服务有重大意义，而现有技术对于手机姿态的判断并不足以满足人们对其精准度日益提高的需求，因此，如何提高手机姿态判断的准确度，这个问题引起了很多人的关注和重视。
技术实现思路
本专利技术的目的是提供一种基于深度学习的手机姿态判断方法及装置，旨在解决现有技术存在的手机姿态识别其准确性较差、不足以满足人们对其高精准度的需求的问题。本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习的手机姿态判断方法，包括：在行走状态下，通过手机内置的重力加速度传感器采集加速度信号，通过手机内置的陀螺仪采集姿态角信号，得到不同手机姿态下的样本数据，并为样本数据添加相应手机姿态的标签；所述加速度信号为重力加速度分别在手机X轴、Y轴、Z轴方向的分量，用于判断机头方向；所述姿态角信号为手机分别在X轴、Y轴、Z轴方向上的旋转角，用于反应手机姿态变化；对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器；所述深度自动编码器用于输入加速度信号和姿态角信号，输出手机姿态预测结果；所述手机姿态预测结果包括手机姿态分类及其概率分布数据；通过深度自动编码器，对行走状态下的实时手机姿态进行预测。在上述实施例的基础上，进一步地，所述对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器的步骤，具体为：对上述不同手机姿态下的样本数据中的加速度信号、姿态角信号进行训练，建立层数为N的深度自动编码器，N为正整数；所述深度自动编码器还对学习速率、迭代次数、随机置0率进行设置；所述深度自动编码器包括N层单层自动编码器，所述单层自动编码器包括输入层、隐藏层、输出层；第1层单层自动编码器用于输入加速度信号和姿态角信号，输出第1层预测结果，第i层单层自动编码器用于输入第i-1层预测结果，输出第i层预测结果，i为大于1的正整数。在上述实施例的基础上，进一步地，所述输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数；所述通过深度自动编码器，对行走状态下的实时手机姿态进行预测的步骤中，采用softmax函数获取手机姿态预测结果。在上述包含输入层、输出层的实施例的基础上，进一步地，所述加速度信号与姿态角信号的采样频率相同；所述输入层中输入单元的数目与加速度信号的采样点数相同，输出层中输出单元的数目与加速度信号的采样点数相同。在上述任意实施例的基础上，进一步地，所述对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器的步骤前，还包括：对上述不同手机姿态下的样本数据进行标准化。一种基于深度学习的手机姿态判断装置，包括：采集模块，用于：在行走状态下，通过手机内置的重力加速度传感器采集加速度信号，通过手机内置的陀螺仪采集姿态角信号，得到不同手机姿态下的样本数据，并为样本数据添加相应手机姿态的标签；所述加速度信号为重力加速度分别在手机X轴、Y轴、Z轴方向的分量，用于判断机头方向；所述姿态角信号为手机分别在X轴、Y轴、Z轴方向上的旋转角，用于反应手机姿态变化；训练模块，用于：对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器；所述深度自动编码器用于输入加速度信号和姿态角信号，输出手机姿态预测结果；所述手机姿态预测结果包括手机姿态分类及其概率分布数据；预测模块，用于：通过深度自动编码器，对行走状态下的实时手机姿态进行预测。在上述实施例的基础上，进一步地，所述训练模块用于：对上述不同手机姿态下的样本数据中的加速度信号、姿态角信号进行训练，建立层数为N的深度自动编码器，N为正整数；所述深度自动编码器还对学习速率、迭代次数、随机置0率进行设置；所述深度自动编码器包括N层单层自动编码器，所述单层自动编码器包括输入层、隐藏层、输出层；第1层单层自动编码器用于输入加速度信号和姿态角信号，输出第1层预测结果，第i层单层自动编码器用于输入第i-1层预测结果，输出第i层预测结果，i为大于1的正整数。在上述实施例的基础上，进一步地，所述输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数；所述预测模块采用softmax函数获取手机姿态预测结果。在上述包含输入层、输出层的实施例的基础上，进一步地，所述加速度信号与姿态角信号的采样频率相同；所述输入层中输入单元的数目与加速度信号的采样点数相同，输出层中输出单元的数目与加速度信号的采样点数相同。在上述任意实施例的基础上，进一步地，还包括标准化模块，用于：在得到不同手机姿态下的样本数据后，对上述不同手机姿态下的样本数据进行标准化。本专利技术的有益效果是：本专利技术提供了一种基于深度学习的手机姿态判断方法及装置，采集人在行走状态下对应不同手机姿态时的加速度信号和姿态角信号，并将加速度信号和姿态角信号作为输入信号，将手机姿态判断结果作为输出信号，对加速度信号和姿态角信号进行深度学习训练，建立深度自动编码器，使其可用于实时预测手机姿态。本专利技术预先训练好深度自动编码器，并应用深度自动编码器来实时预测手机姿态，操作简单，在短时间就可高准确率判断手机状态；在建立单层自动编码器、深度自动编码器的过程中，对于输入信号的特征抓取过程完全凭靠数据驱动，不受人为设定阈值的困扰，输入信号特征之间内在关系非线性约束，大大提高对手机姿态判断时的可靠性，且性能稳定，重复性高。附图说明下面结合附图和实施例对本专利技术进一步说明。图1示出了本专利技术实施例提供的一种基于深度学习的手机姿态判断方法的流程示意图；图2示出了本专利技术实施例提供的一种基于深度学习的手机姿态判断装置的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不限定本专利技术。具体实施例一如图1所示，本专利技术实施例提供了一种基于深度学习的手机姿态判断方法，包括：步骤S101，在行走状态下，通过手机内置的重力加速度传感器采集加速度信号，通过手机内置的陀螺仪采集姿态角信号，得到不同手机姿态下的样本数据，并为样本数据添加相应手机姿态的标签；所述加速度信号为重力加速度分别在手机X轴、Y轴、Z轴方向的分量，用于判断机头方向；所述姿态角信号为手机分别在X轴、Y轴、Z轴方向上的旋转角，用于反应手机姿态变化；步骤S102，对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器；所述深度自动编码器用于输入加速度信号和姿态角信号，输出手机姿态预测结果；所述手机姿态预测结果包括手机姿态分类及其概率分布数据；步骤S103，通过深度自动编码器，对行走状态下的实时手机姿态进行预测。本专利技术实施例对深度自动编码器的建立方式不做限定，在上述实施例的基础上，优选的，所述步骤102中建立深度自动编码器的方式可以具体为：对上述不同手机姿态下的样本数据中的加速度信号、姿态角信号进行训练，建立层数为N的深度自动编码器，N为正整数；所述深度自动编码器还对学习速率、迭代次数、随机置0率进行设置；所述深度自动编码器包括N层单层自动编码器，所述单层自动编码器包括输入层、隐藏层、输出层；第1层单层自动编码器本文档来自技高网...

【技术保护点】
一种基于深度学习的手机姿态判断方法，其特征在于，包括：在行走状态下，通过手机内置的重力加速度传感器采集加速度信号，通过手机内置的陀螺仪采集姿态角信号，得到不同手机姿态下的样本数据，并为样本数据添加相应手机姿态的标签；所述加速度信号为重力加速度分别在手机X轴、Y轴、Z轴方向的分量，用于判断机头方向；所述姿态角信号为手机分别在X轴、Y轴、Z轴方向上的旋转角，用于反应手机姿态变化；对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器；所述深度自动编码器用于输入加速度信号和姿态角信号，输出手机姿态预测结果；所述手机姿态预测结果包括手机姿态分类及其概率分布数据；通过深度自动编码器，对行走状态下的实时手机姿态进行预测。

【技术特征摘要】
1.一种基于深度学习的手机姿态判断方法，其特征在于，包括：在行走状态下，通过手机内置的重力加速度传感器采集加速度信号，通过手机内置的陀螺仪采集姿态角信号，得到不同手机姿态下的样本数据，并为样本数据添加相应手机姿态的标签；所述加速度信号为重力加速度分别在手机X轴、Y轴、Z轴方向的分量，用于判断机头方向；所述姿态角信号为手机分别在X轴、Y轴、Z轴方向上的旋转角，用于反应手机姿态变化；对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器；所述深度自动编码器用于输入加速度信号和姿态角信号，输出手机姿态预测结果；所述手机姿态预测结果包括手机姿态分类及其概率分布数据；通过深度自动编码器，对行走状态下的实时手机姿态进行预测。2.根据权利要求1所述的基于深度学习的手机姿态判断方法，其特征在于，所述对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器的步骤，具体为：对上述不同手机姿态下的样本数据中的加速度信号、姿态角信号进行训练，建立层数为N的深度自动编码器，N为正整数；所述深度自动编码器还对学习速率、迭代次数、随机置0率进行设置；所述深度自动编码器包括N层单层自动编码器，所述单层自动编码器包括输入层、隐藏层、输出层；第1层单层自动编码器用于输入加速度信号和姿态角信号，输出第1层预测结果，第i层单层自动编码器用于输入第i-1层预测结果，输出第i层预测结果，i为大于1的正整数。3.根据权利要求2所述的基于深度学习的手机姿态判断方法，其特征在于，所述输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数；所述通过深度自动编码器，对行走状态下的实时手机姿态进行预测的步骤中，采用softmax函数获取手机姿态预测结果。4.根据权利要求2或3所述的基于深度学习的手机姿态判断方法，其特征在于，所述加速度信号与姿态角信号的采样频率相同；所述输入层中输入单元的数目与加速度信号的采样点数相同，输出层中输出单元的数目与加速度信号的采样点数相同。5.根据权利要求1或2所述的基于深度学习的手机姿态判断方法，其特征在于，所述对上述不同手机姿态下的样本数据进行深度学习训练，建立深度自动编码器的步骤前...

【专利技术属性】
技术研发人员：郑思伟，蔡明琬，杜华睿，
申请(专利权)人：北京羲和科技有限公司，
类型：发明
国别省市：北京;11