运动加速度抑制的动态步长梯度下降姿态解算算法.pdf

针对标准粒子群算法(PSO)全局与局部搜索能力相互制约的缺点,提出一种带有独立局部搜索机制、多区域搜索策略和渐近收敛能力的新型PSO算法(ILS-PSO).设计新的简化参数的全局搜索公式、非劣解邻域局部搜索公式和当前最优解邻域深度搜索公式,使算法具备独立的全局与局部搜索能力.通过参数xi$和\lambda$ 协调算法的全局与局部搜索能力,以实现算法的多区域搜索和渐近式收敛.典型函数及其偏移函数的对比测试结果表明,ILS-PSO算法具有良好的优化性能,其综合性能优于其他对比算法.

改进步长与策略的果蝇优化算法

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题，提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化，并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为，从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明，改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。

为抑制窄带信号并减少其对直接序列扩频通信系统的干扰，研究了一种新的变步长LMS算法处理信号。根据步长调节原则，结合双曲正割函数来调整步长μ(n)及误差e(n)的非线性关系。对算法进行理论分析，该算法提高了收敛速度，提升了收敛精度，降低了稳态时的误差。在MATLAB中通过搭建直接序列扩频通信系统进行仿真，研究结果表明该算法优于已有的算法，能更准确地预测及抑制音频干扰信号，增强了直扩通信系统的抗干扰性能。

第4章行人步频探测和步长估计 第4章行人步频探测和步长估计 在行人航迹推算PDR算法中，步行速度和距离的确定，不再使用惯性导航 对加速度积分的方法，而是利用步态信号的周期性和信号统计特征与行走速度相 关的规律，采用步频探测和步长估计的方法。本章将回顾目前存在的步行速度和 距离估计算法，介绍基于多传感器平台MSP加速度计的步频探测算法和步长模 型，详细说明引入肌电信号EMG进行步频探测和步长估计的方法，并通过大量 的实验论证各种算法和模型的有效性。 4．1 传统步频探测算法和步长估计模型 如第二章介绍，在个人导航中，当GPS接收机无法正常工作时，使用自包 含传感器来辅助导航定位任务。传统惯性积分机制因为低成本加速度计的误差太 大而不可用，必须考虑其它替代方法。于是有学者根据行人步态的运动生理学特 性，提出了通过步频探测和步长估计间接地确定步行速度和距离的方法，从而避 免了积分机制对初始对准过程的苛刻要求和误差随时间累积的弊端。 然而，尽管加速度信号波形随着个人行走呈现出周期性的特征，加速度计放 置在人身上不同部位其波形和周期明显不同，如上半身的加速度波形没有stance 阶段，下半身的加速度信号具有双峰等。首先明确复步和单步的定义。复步 (Stride)，又叫跨步，其步长指从一只脚脚后跟着地到相同脚再次着地的距离。 单步(Step)，其步长指一只脚着地到另一只脚着地之间的距离。1个复步等同于 1个完整步态(Gait Cycle)，等于2个单步(Chai，2004)。当加速度计放置在人 上半身时，其测量的信号表现出与单步对应的波形，而放置在下半身时，其测量 的信号波形随该条腿对应复步变化，可参考图2．7。 由于加速度计测量的信号包含地球重力分量，受到仪器测量噪声和行走时身 体抖动的影响，开始步频探测前，一个必要步骤为信号预处理，剔除重力分量， 消除噪声，使加速度波形特征变得更清晰，如一个跨步对应信号经过降噪后从多 峰变为单峰。常用的预处理方法有：多点平滑(Fang et al，2005)，低通滤波(Jee et al，1999：Mezentsev，2005b)，差分处理(Weimann et al，2007)，小波去噪 (Ladetto，2000)等。 针对人身体不同部位加速度波形不同的特点，目前存在大量步频探测方法， 但是部分步频探测算法应用于具体某一类波形。目前常用的步频探测算法有： 峰值探测法(Peak Detection)：针对人体行走时上半身加速度信号每步呈现 39

No More Strided Convolutions or Pooling:A New CNN Building Block for Low-Resolution Images and Small Objects 无卷积步长或池化:用于低分辨率图像和小物体的新 CNN 模块SPD-Conv 提出了一个名为SPD-Conv的新的CNN构建块，它完全消除了步长和池化操作，取而代之的是一个空间到深度卷积和一个无步长卷积。

利用最速梯度下降法求解： 函数接口：[xstar,fxstar,iter] = SteepDescent(f_name,x0,eps) 其中xstar为最优解，fxstar为最优函数值，iter为迭代次数。 f_name为目标函数文件，可以用feval调用计算函数值及梯度； x0为初始值，可取[1,1]‘，eps=1e-3，利用0.618法搜索步长。 如：[xstar,fxstar,iter] = SteepDescent(@Myexam1,[1,1]',1e-3) function [f,g]=Myexam1(x) %%%%调用[f,g] = feval(f_name,xk); f=x(1)^2+2*x(2)^2; g=[2*x(1);4*x(2)]; end 可直接运行！！

压缩感知可实现信号编解码，特征提取，研究意义广泛，影响深远，在领域内均具有应用。原文对应代码，欢迎使用，广泛交流，谢谢！