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！

龙图腾网获悉西安电子科技大学申请的专利一种基于深度学习的室内可见光融合定位方法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：CN119402814B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411520912.1，技术领域涉及：H04W4/021；该发明授权一种基于深度学习的室内可见光融合定位方法是由韩国庆;李亚;白勃;王平;覃宇航;杨婷设计研发完成，并于2024-10-29向国家知识产权局提交的专利申请。

本一种基于深度学习的室内可见光融合定位方法在说明书摘要公布了：本发明公开了一种基于深度学习的室内可见光融合定位方法，包括以下步骤；步骤1：采集不同位置下可见光的AoA信息和UWB的距离信息数据，并进行数据预处理，再将其变换为二维矩阵格式，便于网络输入；步骤2：构建网络模型，用于提取预处理后数据的特征，并进行特征融合，对融合后的特征进行处理，输出获取数据的定位连续坐标值；步骤3：训练网络模型，使用包含和不包含AoA数据的样本，确保网络模型在仅有UWB数据的情况下也能进行有效的学习；本发明利用UWB信号的穿透性来弥补可见光易被遮挡的不足，可在不同环境下保持高精度和稳定性。

本发明授权一种基于深度学习的室内可见光融合定位方法在权利要求书中公布了：1.一种基于深度学习的室内可见光融合定位方法，其特征在于，包括以下步骤； 步骤1：构建数据集，采集不同位置下可见光的AoA信息和UWB数据，并进行数据预处理，再将其变换为二维矩阵格式，便于网络输入； 步骤2：构建网络模型，用于提取步骤1预处理后数据的特征，并进行特征融合，对融合后的特征进行处理，获取数据的定位连续坐标值； 步骤3：训练所述网络模型，使用包含和不包含AoA数据的样本，确保网络模型在仅有UWB数据的情况下也能进行有效的学习，在缺少可见光数据AoA的情况下仍旧实现高精度定位； 所述步骤2具体为： a构建CNN模型，对于每种数据类型，构建独立的CNN模型； b特征融合，用Concatenate层将两个CNN模型进行拼接，确保拼接之前，除了要拼接的维度外，其余维度的大小匹配； c全连接层和输出，在Concatenate层之后，添加一个或多个全连接层，用于整合和进一步处理融合后的特征，并添加输出层，根据定位任务，输出层预测出连续坐标值，输出实现回归任务； 所述步骤3具体为： 步骤1：准备数据集，将数据集分为训练集、验证集和测试集；确保训练集中既有包含AoA数据的样本也有仅包含UWB数据的样本； 步骤2：使用数据加载器或数据生成器来批量加载数据，确保每次迭代时都能加载到包含AoA数据和仅包含UWB数据的样本； 步骤3；确保已经定义好了两个独立的CNN模型，一个处理AoA数据，另一个处理UWB数据，并且已经通过Concatenate层将它们的输出进行了融合； 步骤4：如果是多阶段训练，还需要定义好最终的全连接层和输出层；使用损失函数、优化器和评价指标来编译模型。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。