买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及一种基于CNN‑BP神经网络的GPS定位方法，包括下列步骤：构建GPS数据集；搭建CNN‑BP神经网络预测模型：CNN‑BP神经网络预测模型包括五个部分，分别是输入层，卷积层，池化层，BP神经网络层，输出层；输入层，包括GPS位置、速度和卫星信息形成3×3的输入矩阵，GPS位置包括GPS经度，纬度和高度信息，速度包括加速度，角速度和速度信息，卫星信息包括卫星数量、精度和卫星时间信息；输入矩阵经过了卷积层处理后进入用于进行特征降维的池化层，获得优化特征值；经过池化层得到的优化特征值作为输入，输入到全连接的BP神经网络层进行特征拟合；之后经过输出层输出GPS预测结果，包括GPS的经度，纬度和高度。

主权项：1.一种基于CNN-BP神经网络的GPS定位方法，包括下列步骤：第一步，构建GPS数据集，并进行包括GPS位置、速度和卫星信息的数据预处理；第二步，搭建CNN-BP神经网络预测模型：CNN-BP神经网络预测模型包括五个部分，分别是输入层，卷积层，池化层，BP神经网络层和输出层，其中，输入层，包括GPS位置、速度和卫星信息形成3×3的输入矩阵，GPS位置包括GPS经度，纬度和高度信息，速度包括加速度，角速度和速度信息，卫星信息包括卫星数量、精度和卫星时间信息；卷积层，用于提取和优化输入特征值，卷积模块由2个1×1的卷积核，2个2×2卷积核、2个3×3卷积核构成；对于3×3的输入矩阵，1×1的卷积核对输入的每个数据进行连接；2×2的卷积核对输入的数据矩阵2×2的局部进行部分连接；3×3的卷积核对输入的数据矩阵进行全连接；输入矩阵经过了卷积层处理后进入用于进行特征降维的池化层，池化模块由2个2×2的池化核，2个3×3的池化核构成；经过卷积层处理后获得2个3×3特征矩阵、2个2×2特征矩阵和2个特征值，对于4个特征矩阵，经过2次2×2池化操作和2次3×3池化操作，获得6个优化特征值；经过池化层得到的6个优化特征值作为输入，输入到全连接的BP神经网络层，进行特征拟合；之后经过输出层输出GPS预测结果，包括GPS的经度，纬度和高度；第三步，模型训练：把准备好的训练集中的GPS信息输入CNN-BP神经网络预测模型中，卷积层与池化层采用误差反向传播算法进行训练，BP神经网络部分是全连接，需要按照链式法则从上至下逐层调整；不断更新CNN-BP神经网络预测模型的网络参数一直到误差不再减小；再将训练好的网络参数保存作为模型。

全文数据：

权利要求：

百度查询： 天津大学 一种基于CNN-BP神经网络的GPS定位方法