一种基于液体时间常数递归神经网络的物流定位方法技术

本发明专利技术涉及供应链和物流技术领域，尤其涉及一种基于液体时间常数递归神经网络的物流定位方法，包括将定位装置的卫星信号和惯导信号进行信息融合，建立定位观测模型；将观测模型数据输入LTC

【技术实现步骤摘要】
一种基于液体时间常数递归神经网络的物流定位方法


[0001]本专利技术涉及供应链和物流
，尤其涉及一种基于液体时间常数递归神经网络的物流定位方法。

技术介绍

[0002]随着我国供应链的快速发展，供应链上下游及其依赖方对于物流定位的精准性、可靠性和公正性提出了更高的要求。但是在室外遮挡处、室内或地下仓储系统中，还存在着单方数据不可信、卫星定位精度差、无线信号易被遮挡等众多难题，不符合自动化配送和服务监管的需求。

技术实现思路

[0003]本专利技术提供了一种基于液体时间常数递归神经网络的物流定位方法，可通过本方法获得精度更高的可靠定位。
[0004]为了实现本专利技术的目的，所采用的技术方案是：一种基于液体时间常数递归神经网络的物流定位方法，包括如下步骤：
[0005]S 1、将采集的定位装置的惯导信号和卫星信号进行信息融合，建立定位观测模型；
[0006]S2、将定位观测模型数据输入LTC
‑
RNN神经网络，输出任意t时刻的最优定位预测；
[0007]S3、将最优定位预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于液体时间常数递归神经网络的物流定位方法，其特征在于：包括如下步骤：S1、将采集的定位装置的惯导信号和卫星信号进行信息融合，建立定位观测模型；S2、将定位观测模型数据输入LTC
‑
RNN神经网络，输出任意t时刻的最优定位预测；S3、将最优定位预测进行卡尔曼滤波，输出任意t时刻的最后更新位置。2.根据权利要求1所述的一种基于液体时间常数递归神经网络的物流定位方法，其特征在于：在步骤S1中，卫星信号包括卫星的经度、纬度和速度参数，惯导信号包括惯导加速度和角速度参数，定位观测模型为卫星信号参数和惯导信号参数进行归一化处理后形成t时刻观测数据集I(t)：式中：x
am
(t)表示任意t时刻经度，y
gm
(t)表示任意t时刻纬度；v1(t)为卫星速度，v2(t)为惯导速度，v(t)为加速度，v
am
(t)为角速度。3.根据权利要求2所述的一种基于液体时间常数递归神经网络的物流定位方法，其特征在于：在步骤S2中，最优定位预测模型为f(X(t)，I(t)，t，θ)，且满足递归条件：式中：为协助最优定位预测模型达到具有时间常数τ的平衡状态，是当前时间的输入数据，t表示当前时间；θ为训练参数，X(t)是LTC的隐含状态，满足：式中：为突触后神经元i的细胞膜电容，为漏电流下的神经网络状态，为漏电流电导，τ
i
为神经元i的τ时间常数，则神经元i的状态方程为：式中：为突触前的神经元状态，为突触后的神经元状态，表示链接i和j的权值，E
ij
为兴奋性突触或抑制性突触。4.根据权利要求3所述的一种基于液体时间常数递归神经网络的物流定位方法，其特征在于：所述LTC
‑
RNN神经网络使用连续步长的常微分ODE求解器，对于n个神经元的网络，突触后的状态为：式中：为突触前神经元j传递给突触后神经元i的信号，均使用后接Sigmoid激活函数，即：
式中，γ
ij
和μ
ij

【专利技术属性】
技术研发人员：张晓，胡越，曹晖，
申请(专利权)人：智供链科技苏州有限公司，
类型：发明
国别省市：