公开(公告)号：CN117098067A

公开(公告)日：2023-11-21

申请号：CN202311051384.5

申请日：2023-08-21

Applicant: 电子科技大学长三角研究院(衢州)

Inventor： 郭贤生 ,  代茜怡 ,  陈诚 ,  段林甫 ,  杨涛 ,  杨胤 ,  陈丽萍 ,  钱博诚 ,  司皓楠

IPC: H04W4/021 ,  H04W4/33 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06F18/27 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于室内定位技术领域，具体涉及一种基于梯度融合的多模态深度学习室内定位方法。本发明的方法先提取不同模态数据的特征向量，在学习特征到现实坐标映射关系的同时，通过误差函数反过来影响特征向量的形成。由于各单模态的过拟合和泛化速度不同，多模态融合网络往往容易过度拟合。本发明中将单模态网络和多模态网络的梯度融合，增强了多模态网络的泛化性，改善了过拟合现象。因此，本发明提出的基于梯度融合的多模态深度学习定位方法是一种能够在复杂室内环境中实现准确定位的方法。