1.基于机器学习分类的融合航向角估计方法，其特征是按如下步骤：步骤1：通过测量获得的三轴磁感应强度和三轴加速度信息计算航向角；

步骤2：通过测量获得的三轴角速度信息计算航向角；

步骤3：对步骤1获得的三轴磁感应强度数据是否受到磁场干扰进行分类；

步骤4：根据步骤3的分类结果，在无磁场干扰的场景下，将步骤1和步骤2获得的航向角进行卡尔曼滤波融合计算最终的航向角；在有磁场干扰的场景下，仅利用步骤2获得的航向角来估计最终的航向角；

所述步骤3，采用支持向量机结合主成分分析法对磁力计测量数据是否受到磁场干扰进行分类，具体包括离线训练阶段和在线识别阶段；

离线训练阶段的具体步骤如下：

步骤3.1.1：收集在无磁干扰和有磁干扰环境中的惯性传感器数据，将无磁干扰的数据作为正样本，有磁干扰的数据作为负样本，并记录数据所对应的标签；

步骤3.1.2：进行数据预处理，实现步数之间的数据分割与离散化；

对步骤1和步骤2分别计算得到的航向角进行步数分割，确定行人每一步的磁力计航向角ψm与陀螺仪航向角ψg，假设第k步包含N个样本点，则第k步的航向角分别为：步骤3.1.3：提取行走过程中每一步包含的数据特征，特征包括：(1)第k步磁场强度的均方值Mk；(2)第k步磁场强度的标准差σm；(3)第k步磁力计航向角 与陀螺仪航向角 的差值绝对值ψdif；(4)第k步磁场强度的偏度ske；(5)第k步磁场强度的峰度kur；(6)第k步磁力计航向角能量与陀螺仪航向角能量差值的平方根Edif；(7)相邻两步磁力计航向偏差Δψm与陀螺仪航向偏差Δψg之间的差值绝对值Δψ；(8)相邻两步磁场信号能量的差值绝对值ΔEm；

步骤3.1.4：根据提取的数据特征及其对应的标签采用主成分分析法来降低预测空间的维数，继而训练支持向量机分类器；将经过处理后的数据特征及其对应的标签输入到分类器中进行训练，磁力计无磁干扰时标签为label＝0，有磁干扰时标签为label＝1；最终输出基于支持向量机结合主成分分析法的有无磁场干扰的分类模型；

在线识别阶段的具体步骤如下：

步骤3.2.1：利用内置惯性传感器的智能终端在实际环境下实时收集三轴加速度计、三轴磁力计和三轴陀螺仪数据；行人携带智能终端的方式与训练阶段保持一致；

步骤3.2.2：对采集到的数据进行预处理，实现步数之间的数据分割与离散化；

步骤3.2.3：提取每一步内的数据特征，特征种类与步骤3.1.3一致；

步骤3.2.4：将经过主成分分析法处理后实时提取的特征作为离线阶段训练好的SVM分类器的输入，数据标签作为该分类器的输出，对有无磁场干扰进行识别；在线识别用于验证训练出的支持向量机分类器能否准确识别出磁场干扰，如果不能准确识别，则需要重新训练分类器；如果能准确识别，则进行后续步骤的航向角估计。

2.如权利要求1所述基于机器学习分类的融合航向角估计方法，其特征是，所述步骤1，采用磁力计测量三轴磁感应强度，采用加速度计测量三轴加速度信息，计算航向角的具体步骤如下：步骤1.1：利用智能手机内置的磁力计和加速度计采集载体坐标系下的三轴磁感应强度和三轴加速度值；

载体坐标系即b系与载体固连，原点位于载体质心，三轴分别表示为X，Y，Z；行人导航系统的载体坐标系定义为右前上坐标系，其X轴沿载体横轴向右，Y轴沿载体横轴向前，Z轴沿着载体竖直向上；记磁力计在b系下采集得到的三轴磁感应强度为 记加速度计在b系下采集到的三轴加速度为(Ax,Ay,Az)；

导航坐标系即n系采用地理坐标系，选用东北天坐标系，即X轴指向水平东方，Y轴指向水平北方，Z轴垂直于地面沿垂线向上；

行人行走过程中的载体坐标系和导航坐标系并不重合，坐标系需要经过三次旋转得到，以旋转顺序Z‑X‑Y为例，其中绕X轴旋转为俯仰角θ，绕Y轴旋转为横滚角γ，绕Z轴旋转为航向角ψ；

根据加速度传感器信息初始化手机的姿态信息，计算俯仰角θ和横滚角γ，其中g为重力加速度，具体计算公式如下：n系经过Z‑X‑Y轴旋转变化后得到b系，姿态矩阵 如下所示：则由b系到n系的姿态变换矩阵如下所示：

由于航向角不参与转换，设航向角ψ＝0，利用磁力计在b系下的测量值计算n系下三轴磁力计分量，转换公式如下：步骤1.2：根据b系下磁力计测量值计算n系下的航向角ψm；

根据式(1.5)计算参考坐标系下的航向角，其中ψMD表示当地磁偏角；

3.如权利要求2所述基于机器学习分类的融合航向角估计方法，其特征是，所述步骤2，采用陀螺仪传感器测量的三轴角速度值计算航向角，具体包括下述步骤：步骤2.1：利用陀螺仪传感器测量的三轴角速度值(Wx,Wy,Wz)和四元数法求解姿态变换矩阵；

定义四元数如下：

q＝q0+q1·i+q2·j+q3·k                 (1.6)其中四元数之间满足如下关系：

利用四元数表示由b系到n系的姿态变换矩阵如下所示：

结合式(1.3)和(1.8)，得出四元数与欧拉角的关系：

进行四元数更新的微分方程如下：

步骤2.2：根据上述四元数更新后的数据计算航向角ψg；

4.如权利要求1所述基于机器学习分类的融合航向角估计方法，其特征是，所述步骤4具体如下：根据步骤3的分类结果，在无磁场干扰的场景下，将步骤1和步骤2获得的航向角进行卡尔曼滤波融合计算最终航向角，即执行步骤4.1；在有磁场干扰的场景下，选择陀螺仪获得的航向角为最终航向角，即执行步骤4.2；

步骤4.1：无磁场干扰下，航向角估计的步骤如下：

步骤4.1.1：将陀螺仪获取的航向角 作为状态方程，磁力计获取的航向角 作为观测方程，公式如下：其中Hk表示融合航向，A、B表示单位矩阵，wk表示均值为0，协方差为Q的高斯分量，vk表示均值为0，协方差为R的高斯分量；

步骤4.1.2：卡尔曼滤波融合的预测阶段：

步骤4.1.3：卡尔曼滤波融合的校正阶段：

‑ T ‑ T ‑1

Kk＝PkC(CPkC+R)                (1.18)步骤4.1.4：第k步融合后的航向角如下：

步骤4.2：有磁场干扰下，将步骤2获取的陀螺仪航向角作为第k步的航向角，其中，ψk‑1为第k‑1步的航向角。

5.基于机器学习分类的融合航向角估计系统，其特征是包括如下模块：计算航向角模块一：通过测量获得的三轴磁感应强度和三轴加速度信息计算航向角；

计算航向角模块二：通过测量获得的三轴角速度信息计算航向角；

磁场干扰分类模块：对计算航向角模块一获得的三轴磁感应强度数据是否受到磁场干扰进行分类；

最终航向角模块：根据磁场干扰分类模块的分类结果，在无磁场干扰的场景下，将计算航向角模块一和计算航向角模块二获得的航向角进行卡尔曼滤波融合计算最终的航向角；

在有磁场干扰的场景下，仅利用计算航向角模块二获得的航向角来估计最终的航向角；

采用支持向量机结合主成分分析法对磁力计测量数据是否受到磁场干扰进行分类，具体包括离线训练阶段和在线识别阶段；

离线训练阶段的具体步骤如下：

步骤3.1.1：收集在无磁干扰和有磁干扰环境中的惯性传感器数据，将无磁干扰的数据作为正样本，有磁干扰的数据作为负样本，并记录数据所对应的标签；

步骤3.1.2：进行数据预处理，实现步数之间的数据分割与离散化；

对计算航向角模块一和计算航向角模块二分别计算得到的航向角进行步数分割，确定行人每一步的磁力计航向角ψm与陀螺仪航向角ψg，假设第k步包含N个样本点，则第k步的航向角分别为：步骤3.1.3：提取行走过程中每一步包含的数据特征，特征包括：(1)第k步磁场强度的均方值Mk；(2)第k步磁场强度的标准差σm；(3)第k步磁力计航向角 与陀螺仪航向角 的差值绝对值ψdif；(4)第k步磁场强度的偏度ske；(5)第k步磁场强度的峰度kur；(6)第k步磁力计航向角能量与陀螺仪航向角能量差值的平方根Edif；(7)相邻两步磁力计航向偏差Δψm与陀螺仪航向偏差Δψg之间的差值绝对值Δψ；(8)相邻两步磁场信号能量的差值绝对值ΔEm；

步骤3.1.4：根据提取的数据特征及其对应的标签采用主成分分析法来降低预测空间的维数，继而训练支持向量机分类器；将经过处理后的数据特征及其对应的标签输入到分类器中进行训练，磁力计无磁干扰时标签为label＝0，有磁干扰时标签为label＝1；最终输出基于支持向量机结合主成分分析法的有无磁场干扰的分类模型；

在线识别阶段的具体步骤如下：

步骤3.2.1：利用内置惯性传感器的智能终端在实际环境下实时收集三轴加速度计、三轴磁力计和三轴陀螺仪数据；行人携带智能终端的方式与训练阶段保持一致；

步骤3.2.2：对采集到的数据进行预处理，实现步数之间的数据分割与离散化；

步骤3.2.3：提取每一步内的数据特征，特征种类与步骤3.1.3一致；

步骤3.2.4：将经过主成分分析法处理后实时提取的特征作为离线阶段训练好的SVM分类器的输入，数据标签作为该分类器的输出，对有无磁场干扰进行识别；在线识别用于验证训练出的支持向量机分类器能否准确识别出磁场干扰，如果不能准确识别，则需要重新训练分类器；如果能准确识别，则进行后续步骤的航向角估计。