[发明专利]一种基于WT-DNN-HCT的柔性晃动基座自主定位定向方法

权利要求书

1.一种基于WT-DNN-HCT的柔性晃动基座自主定位定向方法，特征在于：(1)确定人体运动惯性数据的正交小波变换，(2)确定阈值处理后的小波系数，(3)确定小波重构系数，(4)确定人体运动感知器模型，(5)优化人体运动感知器参数，(6)确定导航基准随机晃动模型，具体包括以下六个步骤：

步骤一：确定人体运动惯性数据的正交小波变换：

利用IIR滤波器对惯性器件实时采集的敏感人员运动信息进行初步处理，之后选择合适的小波和小波分解层数，确定以上采集到的数据的正交小波变换：

y_i＝x_i+σz_i(i＝0,1,L,n-1)；

其中，上式y_i表示人体运动惯性数据，x_i是人体运动的原始信息，z_i是一个标准的高斯白噪声，σ是噪声级，n是离散采样点数，i是采样点数；选择合适的小波和小波分解层数j，将上式的人体惯性数据进行小波分解至j层，得到相应的小波分解系数：

其中，上式中c_j,k为尺度系数，d_j,k为小波系数，j为分解层数，h,g是一对正交镜像滤波器组，N是离散采样数，m是离散型，n是连续值，k是连续值；

步骤二：确定阈值处理后的小波系数

其中，上式中的Y是小波系数，t是波系数的阈值，T_h为一维小波系数直接重构；

步骤三：确定小波重构系数c_j-1,m：

其中，d_j,m为小波系数，对人体运动惯性数据进行预处理后，进行周期划分和特征提取，构建人体运动惯性序列样本集；

步骤四：确定人体运动感知器模型：

其中，jt是感知器模型输出变量，x是输入向量，q是第几个神经元，p是神经元的总个数，w是权值向量，b是偏置，T是转置符号；

步骤五：优化人体运动感知器参数：

以指数衰减的方式存储的历史梯度均值和历史梯度平方值更新权重m_i和v_i：

式中，e为向量间对应元素相乘，m_i和v_i分别是i时刻梯度的一阶矩和二阶矩估计，β₁和β₂是常数，m_i-1和v_i-1为i-1时刻的梯度的一阶矩和二阶矩估计，为代价函数J对w_i-1的倒数，表示为梯度，即u为学习步长，e_i为期望输出和实际输出之间的误差；确定m_i和v_i的修正值和

其中，表示β₁的i次幂，表示β₂的i次幂；对算法的权重进行更新：

式中，w_i,j和w_i-1,j分别表示i时刻权重w_i的第j个分量、i-1时刻权重w_i-1的第j个分量，表示i时刻修正的一阶矩估计的第j个分量，表示i时刻修正的一阶矩估计的第j个分量，ε是一个避免分母为0的很小的正常数；

步骤六：确定导航基准随机晃动模型：

利用深度学习对优化后的人体运动感知参数进行数据增强，采用齐次坐标变换确定导航基准随机晃动模型

其中，θx、θy、θz表示不同维度上的角度误差，δx、δy、δz指的是位移误差，x、y、z指的是x轴，y轴和z轴三个坐标系。