摘要
步长的变化是影响用户运动轨迹及距离的关键因素，利用惯性导航行位推算的模型来确定用户的移动轨迹是室内定位的一种普遍方法，步长的预测主要是根据线性传感器、加速度传感器的数据变化以及其运动状态的周期性，实现对行人每一步位移距离的估计。为了提高用户定位轨迹的精度，找到一种适合的步长预测模型是惯导定位的关键。神经网络模型在数据预测方面有较好拟合性，优化的神经网络算法又可以极大地控制输出误差。实验仿真数据表明，遗传算法优化的神经网络模型在预测用户步长方面有较好的拟合性，最后和实验实测的基于加速度传感器的行人步长相比较误差较小，可以用来做步长预测。
关键词：加速度传感器 惯导 步长 神经网络 预测
0引言
目前，室内环境定位与导航的需求与日俱增，如商场、博物馆、图书馆、地下车库、等环境中，通常需要定位到移动人员的相关信息。但是室内无法像室外一样通过GPS导航定位，介于室内容易受到墙壁的衍射以及周围复杂环境的干扰给精确定位带来很大难度，因此需要采用其他技术来完成室内定位导航功能。目前，利用加速计，陀螺仪等传感器直接或间接的刻画了用户的动作及轨迹，如,等工作都是利用惯性导航的移动性做文章，并且利用粒子滤波实现了高精度的智能手机惯性导航。
如今，智能手机的功能越来越完善，其中内置的多种传感器可以检测到用户的运动信息，利用航位推算模型实现人员移动轨迹也逐渐成为室内定位的热点，因此，如何基于加速度传感器更准确的估计步长来确定移动轨迹以提高PDR定位的精度越来越受到研究人员的关注。但目前步长估算[4]和走路轨迹的相关研究一般都存在精度不高或者计算量过大的问题，因此寻找一种合适的算法来预测步长有很好的应用场景。
为了减小步长估计与实际距离的误差，利用移动终端的加速度传感器，线性传感器在运动中的信号变化，基于BP神经网络建立步长模型来实现步长的估计，并进一步根据遗传算法优化的神经网络算法提高步长距离预测精度。

1.BP神经网络[5]算法原理
BP神经网络的主要特点是信号前向传递，误差反向传播。每层的神经元影响下一层神经元状态。假若输出的神经元得不到期望输出，就会反向传播来根据预测误差调整网络权值和阈值，使神经网络的输出不断和期望输出逼近。
作者：王安义，王璐