[发明专利]步长预测方法、控制器、定位设备和可读存储介质

权利要求书

1.一种步长预测方法，其特征在于，所述步长预测方法包括以下步骤：

获取目标对象步长相关的第一特征参数；

根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值。

2.如权利要求1所述的步长预测方法，其特征在于，所述获取目标对象步长相关的第一特征参数的步骤包括：

获取所述目标对象的人体特征参数，以及获取所述目标对象的运动特征参数。

3.如权利要求2所述的步长预测方法，其特征在于，所述运动特征参数通过所述目标对象携带的传感器检测；所述获取所述目标对象的运动特征参数的步骤包括：

基于所述传感器获取所述目标对象的加速度信息、角速度信息和线速度信息，作为所述运动特征参数。

4.如权利要求1所述的步长预测方法，其特征在于，所述根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值的步骤之前，还包括：

判断所述目标对象是否产生运动行为；

当所述目标对象产生运动行为时，执行所述根据所述第一特征参数和基于机器学习的预设神经网络，确定所述目标对象的步长预测值的步骤。

5.如权利要求1至4中任一项所述的步长预测方法，其特征在于，所述获取目标对象步长相关的第一特征参数的步骤之前，还包括：

基于多个不同被测对象，获取多个步长相关的第二特征参数及对应的步长值；所述第二特征参数包括各所述被测对象的人体特征参数和运动特征参数；

在多个所述第二特征参数及其对应的步长值中，选取训练样本；

获取基于预设超参数构建的深度信念网络的预设学习模型；

通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数；其中，所述模型参数包括权值和偏置；

根据所述预设超参数和所述模型参数，构建深度信念网络；

将所述深度信念网络作为所述预设神经网络。

6.如权利要求5所述的步长预测方法，其特征在于，所述将所述深度信念网络作为所述预设神经网络的步骤之前，还包括：

在多个所述第二特征参数及其对应的步长值中，选取测试样本；

基于所述测试样本获取所述深度信念网络的测试准确率；

判断所述测试准确率是否大于或等于预设准确率；

若是，则执行所述将所述深度信念网络作为所述预设神经网络的步骤；

若否，则调整所述预设超参数；

根据调整后的所述预设超参数调整所述预设学习模型；

返回执行所述通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数的步骤。

7.如权利要求5所述的步长预测方法，其特征在于，所述通过所述预设学习模型学习所述训练样本，确定深度信念网络的模型参数的步骤包括：

基于所述预设学习模型，通过无监督学习方法学习所述训练样本，得到所述预设学习模型中每个受限玻尔兹曼机的权值和偏置；

将确定所述权值和偏置后的预设学习模型作为预训练模型；

基于所述预训练模型，通过有监督学习方法学习所述训练样本，优化所述预训练模型中每个受限玻尔兹曼机对应的权值和偏置；

将优化后的所述权值和所述偏置作为所述模型参数。

8.一种控制器，其特征在于，所述控制器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的步长预测程序，所述步长预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的步长预测方法的步骤。

9.一种定位设备，其特征在于，所述定位设备包括：

加速度计；

陀螺仪；以及

如权利要求8所述的控制器，所述加速度计和所述陀螺仪均与所述控制器通信连接。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有步长预测程序，所述步长预测程序被处理器执行时实现如权利要求1至7中任一项所述的步长预测方法的步骤。