数据生成方法及装置、存储介质及电子装置制造方法及图纸

本发明专利技术提供了一种数据生成方法及装置、存储介质及电子装置，其中，上述数据生成方法包括：指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将第二数据转换为第三数据，并将第三数据输入深度学习推理网络；指示深度学习推理网络，根据第三数据生成对第五数据进行补偿处理后的输出数据，其中，第五数据为对第四数据进行预设处理后得到的，且第四数据通过标定处理后的传感器采集得到。

【技术实现步骤摘要】
数据生成方法及装置、存储介质及电子装置
本专利技术涉及通信领域，具体而言，涉及一种数据生成方法及装置、存储介质及电子装置。
技术介绍
随着科技的发展，各种各样的传感器被广泛应用于生活、军事、航海、航天以及探测等领域，每一个需要收集数据的地方都需要用到对应的传感器。为了后续的数据处理以及数据处理结果的准确性，对传感器搜集数据的精度要求很高，因此对传感器的标定和误差补偿格外重要。现有技术中，对传感器的标定和误差补偿采用的是多项式形式的误差模型。上述多项式形式的误差模型采用的多位置标定方法，忽略了隐含在多项式中的高阶耦合项，忽略了标定过程中模型参数的时变特性，难以得到预期的补偿效果。针对相关技术中，对传感器的标定和误差补偿效果差的问题，尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种数据生成方法及装置、存储介质及电子装置，以解决相关技术中，对传感器的标定和误差补偿效果差的问题。根据本专利技术的一个实施例，提供了一种数据生成方法，包括：指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。可选的，所述方法还包括：通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。可选的，惯导数据采集器采集的数据经过数据预处理，包括以下至少之一：通过多级低通滤波器对所述惯导数据采集器采集的数据进行噪声抑制处理；获取所述惯导数据采集器的数据指标，并根据所述数据指标对所述惯导数据采集器采集的数据完成数据量纲变换处理。可选的，所述方法还包括：根据特征提取前馈神经网络和长短期记忆网络对所述传感器的第一误差信息进行建模处理，得到所述深度学习推理网络；指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息；根据所述第二误差信息、第三误差信息和第五数据，生成所述输出数据。可选的，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：通过逐层卷积处理和池化处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的空间特征，并将所述空间特征经过合并处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的高级空间特征；将所述高级空间特征输入所述特征提取前馈神经网络的全连接层，以对所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出进行分类回归处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的特征信息；根据所述特征信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。可选的，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：通过所述长短期记忆网络的输入门、遗忘门和输出门来提取所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的有效信息，并存储所述有效信息；根据所述有效信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。根据本专利技术的又一个实施例，还提供了一种数据生成装置，包括：第一处理模块，用于指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；第二处理模块，用于通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；转换模块，用于通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；输出模块，用于指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。可选的，所述装置还包括训练模块，所述训练模块用于：通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。根据本专利技术的又一个实施例，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行以上任一项中所述的方法。根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行以上任一项中所述的方法。通过本专利技术，指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。也就是说，通过上述技术方案，指示深度学习误差模型根据第一数据对传感器进行标定处理，通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据，通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络，指示所述深度学习推理网络，根据所述第三本文档来自技高网...

【技术保护点】
1.一种数据生成方法，其特征在于，包括：/n指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；/n通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；/n通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；/n指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。/n

【技术特征摘要】
1.一种数据生成方法，其特征在于，包括：
指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；
通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；
通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；
指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。


2.根据权利要求1所述方法，其特征在于，所述方法还包括：
通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：
在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；
在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；
在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。


3.根据权利要求1所述的方法，其特征在于，惯导数据采集器采集的数据经过数据预处理，包括以下至少之一：
通过多级低通滤波器对所述惯导数据采集器采集的数据进行噪声抑制处理；
获取所述惯导数据采集器的数据指标，并根据所述数据指标对所述惯导数据采集器采集的数据完成数据量纲变换处理。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据特征提取前馈神经网络和长短期记忆网络对所述传感器的第一误差信息进行建模处理，得到所述深度学习推理网络；
指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息；
根据所述第二误差信息、第三误差信息和第五数据，生成所述输出数据。


5.根据权利要求4所述的方法，其特征在于，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：
通过逐层卷积处理和池化处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的空间特征，并将所述空间特征经过合并处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的高级空间特征；将所述高级空间特征输入所述...

【专利技术属性】
技术研发人员：刘宁，苏中，李擎，范军芳，刘福朝，赵旭，刘洪，赵辉，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京;11