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！

龙图腾网获悉武汉大学申请的专利一种用于惯性测量单元的数据降噪方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116701924B 。

龙图腾网通过国家知识产权局官网在2026-04-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310384223.1，技术领域涉及：G06F18/214；该发明授权一种用于惯性测量单元的数据降噪方法及系统是由姜卫平;郑旭栋;郭迟设计研发完成，并于2023-04-11向国家知识产权局提交的专利申请。

本一种用于惯性测量单元的数据降噪方法及系统在说明书摘要公布了：本发明提供一种用于惯性测量单元的数据降噪方法及系统，属于深度学习技术领域，包括：获取IMU测量值序列集合；基于IMU地面真实测量数据对IMU测量值序列集合进行处理，得到模型输入数据；采用膨胀卷积神经网络与时序卷积神经网络构建深度学习模型，由模型输入数据和IMU地面真实测量数据训练深度学习模型，得到IMU数据降噪模型；采集IMU待测量数据，将IMU待测量数据输入至IMU数据降噪模型，得到IMU降噪数据。本发明将膨胀卷积神经网络与时序卷积神经网络引入惯性测量单元测量数据中，与基于统计模型传统去噪方法相比，不依赖人为经验设计，拥有更好的鲁棒性与泛化能力，在惯性导航、组合导航等领域有着重要的应用价值。

本发明授权一种用于惯性测量单元的数据降噪方法及系统在权利要求书中公布了：1.一种用于惯性测量单元的数据降噪方法，其特征在于，包括： 获取惯性测量单元IMU测量值序列集合； 基于IMU地面真实测量数据对所述IMU测量值序列集合进行处理，得到模型输入数据； 采用膨胀卷积神经网络与时序卷积神经网络构建深度学习模型，由所述模型输入数据和所述IMU地面真实测量数据训练所述深度学习模型，得到IMU数据降噪模型，包括： 通过计算所述模型输入数据的均值与均方差对所述模型输入数据进行标准化处理，得到标准化模型输入数据； 将所述标准化模型输入数据输入至所述膨胀卷积神经网络，提取所述标准化模型输入数据的全局特征信息，得到全局映射特征； 将所述全局映射特征输入至所述时序卷积神经网络，获得所述标准化模型输入数据的时序特征信息，得到时序序列预测模型； 采用预设优化算法对所述时序序列预测模型进行优化，采用所述IMU地面真实测量数据构建所述时序序列预测模型的预设损失函数，并采用预设误差分析确定最优的时序序列预测模型，得到所述IMU数据降噪模型； 采集IMU待测量数据，将所述IMU待测量数据输入至所述IMU数据降噪模型，得到IMU降噪数据； 所述将所述标准化模型输入数据输入至所述膨胀卷积神经网络，提取所述标准化模型输入数据的全局特征信息，得到全局映射特征，包括： 确定所述膨胀卷积神经网络包括膨胀卷积、批归一化、高斯误差线性单元激活函数和dropout层，所述膨胀卷积的卷积核长度均为7，所述膨胀卷积的膨胀系数分别为8、16、32、64和1，所述膨胀卷积的通道数分别为16、32、64、128和6； 由卷积核大小和膨胀系数得到所述膨胀卷积的神经网络的膨胀卷积核； 由膨胀卷积核、所述标准化模型输入数据的输入尺寸、步长值和填充值得到膨胀卷积输出层的输出尺寸，其中所述填充值是根据任一层卷积核大小减去1与任一层膨胀系数的差相乘后在膨胀卷积总层数上进行求和得到的； 基于所述膨胀卷积输出层的输出尺寸对所述标准化模型输入数据进行零填充，将填充后的标准化模型输入数据输入至所述膨胀卷积神经网络，输出所述全局映射特征； 所述将所述全局映射特征输入至所述时序卷积神经网络，获得所述标准化模型输入数据的时序特征信息，得到时序序列预测模型，包括： 确定所述时序卷积神经网络包括堆叠的6个一维时序卷积层，所述6个一维时序卷积层的卷积核长度均为2，所述6个一维时序卷积层的卷积核个数依次为12、32、64、128、32和6，所述6个一维时序卷积层的膨胀系数分别为1、2、4、8、16和32； 将所述全局映射特征输入至所述时序卷积神经网络，得到所述时序序列预测模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。