1.一种基于神经网络的行人自适应零速更新点选取方法，其特征在于，包括以下步骤：S1、采集不同行人在不同运动模式下的惯性导航数据；

S2、对采集到的惯性导航数据进行预处理，同时为预处理后的数据打上对应的标签，并根据预处理后的数据及其对应的标签得到训练数据集、验证数据集和测试数据集；

S3、将训练数据集输入到卷积神经网络中进行训练，得到基于卷积神经网络的行人自适应零速更新点选取模型，并采用验证数据集对行人自适应零速更新点选取模型进行验证；

S4、将测试数据集输入基于卷积神经网络的行人自适应零速更新点选取模型，得到行人零速更新点的选取结果。

2.根据权利要求1所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S1中的运动模式包括正常速度行走、快速行走和跑步，所述惯性导航数据包括每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据。

3.根据权利要求2所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S2包括以下分步骤：S21、对每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据进行标准化处理，得到标准化数据集；

S22、对每个采样时刻点三轴陀螺仪采集的角速度数据进行预处理，计算得到每个采样时刻点三轴陀螺仪数据的模值；

S23、根据每个采样时刻点三轴陀螺仪数据的模值，采用挑选算法为每个采样时刻点打上对应的标签；

S24、将标准化数据集中70％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为训练数据集，将标准化数据集中

20％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为验证数据集，将标准化数据集中10％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据作为测试数据集。

4.根据权利要求3所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S21具体为：对每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据进行标准化处理，标注化处理公式为：其中x表示待标准化的角速度数据或加速度数据，z表示标准化后的角速度数据或加速度数据，mean(·)表示均值函数，std(·)表示标准差函数；

将标准化后每个采样时刻点的角速度数据和加速度数据共同构成标准化数据集。

5.根据权利要求3所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S22中每个采样时刻点三轴陀螺仪数据的模值的计算公式为：其中 表示三轴陀螺仪数据在第k个采样时刻点的模值，上标b表示向量在运载体坐标系中的测量值， 分别表示三轴陀螺仪在运载体b中对应x轴、y轴和z轴在第k个采样时刻点的角速度值。

6.根据权利要求3所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S23包括以下分步骤：S231、设置三轴陀螺仪最优固定阈值thgyro；

S232、将三轴陀螺仪数据的模值小于最优固定阈值thgyro的采样时刻点作为潜在零速更新点，并将潜在零速更新点用红色矩形框进行标记；

S233、根据三轴陀螺仪的数据模值图，记录行人放置IMU采集模块的脚落地时刻包含的零速更新点数量长度值L，并通过行人放置IMU采集模块的脚落地时刻包含的零速更新L的值，计算得到所有红色矩形框的平均长度L1；

S234、设置常数L2

S235、设置常数L3L2，依次判断每个零速更新点的长度值L是否小于常数L3，若是则进入步骤S236，否则将对应红色矩形框中的潜在零速更新点设置为零速更新点，并将其对应的采样时刻点的标签设置为1；

S236、将对应红色矩形框中的潜在零速更新点设置为预警零速更新点，并用绿色矩形框进行标记；

S237、通过人工检查判断绿色矩形框中的预警零速更新点是否为零速更新点，若是则将其对应的采样时刻点的标签设置为1，否则将其对应的采样时刻点的标签设置为0。

7.根据权利要求3所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S3包括以下分步骤：S31、将训练数据集中的加速度数据和角速度数据分别进行低通滤波处理，去除随机噪声；

S32、将训练数据集中的加速度数据和角速度数据分别通过两个通道送入卷积神经网络的输入层；

S33、通过卷积神经网络的第一卷积层中的卷积核提取输入层中数据的特征；

S34、通过卷积神经网络的第一池化层对第一卷积层提取的特征数据进行降维；

S35、通过卷积神经网络的第二卷积层中的卷积核提取第一池化层降维后数据的特征；

S36、通过卷积神经网络的第二池化层对第二卷积层提取的特征数据进行降维；

S37、将第二池化层降维后的特征数据输入卷积神经网络的全连接层进行优化组合；

S38、将优化组合后的数据通过sigmoid激活函数得到卷积神经网络的输出，并将输出数据和对应的标签进行计算得到误差损失函数，利用误差损失函数进行反向传播来更新卷积神经网络的参数，直到训练数据集的准确率和验证数据集的准确率都满足要求，得到基于卷积神经网络的行人自适应零速更新点选取模型；

S39、将验证数据集的数据输入行人自适应零速更新点选取模型中，预测得到零速更新点1或者非零速更新点0，对行人自适应零速更新点选取模型进行验证。