前几天写了一篇关于如何记步的博客之后，我就在思考怎么样利用手机的传感器来计算步长呢？和记步不一样，步长是一个相对比较精确的值，通过手机端那个不靠谱的加速度传感器真的有办法计算步长吗？
 
       看了几篇利用GPS计算步长方法，大概就是现在我们用的一些运动软件的算法了，先利用不太精确的GPS画出运动轨迹，计算出轨迹的长度，再除上运动步数，就是步长了。当然其中会运用到很多辅助算法来提高精确值，实际上在距离足够远的时候，也据说数据量足够多的时候，可以得出较为精确的步长值。
 
       当然这是我需要的吗？No，远远不够，如果在室内，在地下停车场呢，GPS就完全失效了，这个时候能够依赖的就只有加速度了。我又缩小了搜索范围——基于加速度的步长算法，还是找到几篇相关文章的，大致分为两种方式：
 
       1.对加速度求积分算出行进距离
 
       2.通过把加速度传感器绑在腿上，感知波形
 
第二种方式对于手机根本不适用（手机不是拿在手上就是装兜里，谁没事挂腿上），直接毙掉。再看第一种，有尝试的价值，但实际尝试后也有各种各样的问题，一个关键问题就是手机传感器精度不够，实际偏差非常大，很可惜也不行。
 
        看起来好像在手机端做步长算法好像根本不可能，现实也的的确确是这样。我本来也打算放弃来着，不过前两天突然灵机一动，能不能利用之前写的记步算法中用的两个数据来简单预测呢？
 
        说做就做，算法可以说简单到离谱了，以我自己为模板来尝试，35米左右距离大约走五十步左右，实际偏差在正负五米，实际误差还是挺大，但是也比上面的方法一要精确多了。
 
        好了也不卖关子了，来说说是哪两个数据，如图：
 
 
解释下坐标系，横坐标时间（单位ms）,纵坐标加速度（单位m/s），加速度包含重力加速度，这个我之前的文章有写，可以看看。
 
        H就是一步的波峰波谷（两个波谷求个均值）差值，W就是波谷之间的距离，也就是走一步所需的时间。再来看算法：
 
float steplength=0.37f+W/10000+0.29f*H/5;
 
很简单的算法是不是？
 
       经过我个人测试，在大范围还是有一定的精准度的，但是在细节方面却千差万别。实际测试每百米上下浮动在二十米到三十米左右，这还是我个人测试的结果，依然不够精确。
 
       简单讲下我的思考方式，首先实际行走一段距离，用不同的步速和步长进行行走，计算W和H的值，根据数据大致可以画一张图（当然过程中也要采集步长）当然这些只是我的个人数据，不具有一般性，所有数据图我就不放了，乱糟糟的，有兴趣自己画吧。最后大致推出这样的公式，具体有能力的同学可以做个大数据分析，应该是可以推导个近似公式。
 
       这个方式还具有很多的改进空间，可以用一些更科学的方式（滤波、均值什么的），当我毕竟不是要用于商用，算的更精确对我来说也没什么必要，在这仅仅是提出我个人的一个计算步长的猜想，抛砖引玉。
 
————————————————————————————————————————————————————
 
补充一下，最近发现上面的公式还是有些问题。发现一个问题，H越大时步长确实是越大的，但是W增大时，对于步长其实反而是有负增益的，但是又不完全是线性减少，有待研究。在这提醒下，上面的公式只是我随手凑出来的，并不太准确。
 
————————————————————————————————————————————————————————
 
我发现自己路走偏了，本来想用两个不精确的数据来估计一个确定数据就非常的不靠谱，我还期望用一个固定的公式来做精准的推测。我准备学习一些经典的预测方法再做一次尝试。
 
————————————————————————————————————————————————————————
 
不好意思误导大家了，在这里必须澄清一下，实际上有很多论文都谈到步长的计算方式，只不过仅仅作为论文的一部分，没有单独拿出来说而已。由于博主论文看的少，最近开始补这方面的论文才发现实际上有很多的实现方法（甚至有些接近于我的想法，说明我的方向是没错的）。所以上面的看看就行，不要全信。
 
顺便说一下其中很大一部分论文在计算步长的时候用到了我上面提到的参数H，用了最小二乘法来推线性比例。实际上我也走过这条路，不过效果并不是很好，我还是坚持用H加W的算法，最近想引入卡尔曼滤波器再试试，看下效果如何。
 
————————————————————————————————————————————————————————
 
上面的公式我就不改了，献给给有耐心看到底的朋友，重新给一个 个人认为还是较为不错的公式，亲测效果还是不错的（150米正常行走偏差十米以内，跑步偏差四十米以内）：
 
float steplength=0.37f-0.000155f*W+0.1638f*(float) Math.sqrt(H);
 
主要利用了最小二乘法，还有个人的一些推测。
 
————————————————————————————————————————————————————————
 
最近把计步器算法和步长估计封装成类了，有兴趣的点这里（Android计步器实现）

卷积层浅析
 
卷积层：
 
卷积神经网络中每层卷积层（Convolutional layer）由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。
 
假定此时有一张图片大小为32 *32 * 3(图像的长，宽，深度)
 
 卷积的过程就是，在原图的基础上，添加一个滤波器(滤波器的
 深度要求和原图一样，例如上方的图片大小，那么滤波器的大小就是三个深度)
 
 图像经过滤波器之后，输出的就叫做激活层activation
 
我们用上面的例子来做一个运算，假设添加六个滤波器来过滤原图：
 
原图
滤波器
激活层
32 *32 *3
5 * 5 * 3
28 * 28 * 1 ( A )
A
5 * 5 * 3
A与滤波器点乘 ( B )
B
5 * 5 * 3
B与滤波器点乘 ( C )
C
5 * 5 * 3
C与滤波器点乘 ( D )
D
5 * 5 * 3
D与滤波器点乘 ( E )
E
5 * 5 * 3
E与滤波器点乘
……
……
28 * 28 * 6
上表进行的运算就叫卷积运算，下图就说明了该表进行的运算：
 
 如果之后再进行卷积运算时，一定要注意此时图像的深度，根据实际的图像深度来选择滤波器的深度，下图则是根据上图的结果所选择的滤波器大小为五乘五乘六
 
 
卷积运算的同时，我们可以滤波器设置步长，例：
 为了方便理解和计算，我们假设有一张7 * 7大小的图片(不看图片的深度)
 
原图(N)
滤波器(F)
步长(stride)
激励层(activaion)
7 * 7
3 * 3
1
5 * 5
7 * 7
3 * 3
2
3 * 3
7 * 7
3 * 3
3
不允许
计算上表的公式如下:
 (N - F) / stride + 1 （原图-滤波器） / 步长 + 1
 stride 1 =>(7 - 3) / 1 + 1 = 5
 
stride 2 => (7 - 3) / 2 + 1 = 3
 
stride 3 => (7 - 3) / 3 + 1 = 2.33333……
 可以看到当步长为三的时候，激励层的值为无线循环小数了，卷积过程不允许这种情况的出现，所以我们只取可以完整的算出激励层的步长。
 
填充
 上面是卷积运算的过程，但是通常在进行卷积运算之前，会在图像的像素点周围做一个填补操作padding，通常padding的值是零。意思就是在整个原图的像素点外围加上一圈0，这样的作用就是可以使进行卷积运算之后的输出图片的尺寸变得和输入时图片的尺寸一样大，如下图所示：
 
 填补操作的大小是根据滤波器的大小来定的：
 求填补的大小的公式为：(F - 1) / 2 (滤波器 - 1) / 2
 
滤波器(F)
运算
填补大小
输出大小
3 * 3
(3 - 1) / 2
1
+2
5 * 5
(5 - 1) / 2
2
+4
7 * 7
(7 - 1) / 2
3
+6
可能表格解释的不清楚，用一个例子来说明
 
输入的大小为32 * 32 * 3 ；
加上十个滤波器，大小为5 * 5；
步长为1；
填充为2：
 求输出大小？
 
先不看深度，因为填充为2，由上表可知输出大小应该是在原图上加上4再进行运算；大小是36 * 36
 然后经过步长的运算
 （36 - 5）/ 1 + 1 = 32
 得到的图像大小为 32 * 32 ；
 然后加上深度，由于是有十个大小为5 * 5的滤波器，所以滤波器为5 * 5 * 10.深度为10，所以原图会经过十次卷积，最终输出的图片大小为：
 32 * 32 *10
 由此可以看到，添加padding的作用了，如果没有填充的话，输出的图像大小将会变成28 * 28 * 10，虽然可以算出大小，但是如果当卷积的次数越来多，图像会越变越小，很不利于之后的计算。所以填充是非常重要的。
 
公式
 
输入的图像大小：W1 * H1 * D1 (宽度 * 高度 * 深度)
 
K ：滤波器的个数 K总是二的指数(32， 64，128 ，512)
 
F：滤波器的大小
 
S：步长
 
P：填充大小
 
输出的图像大小：W2 * H2 * D2(宽度 * 高度 * 深度)
 
W2 = (W1 - F + 2P) / S +1
 
H2 = (H1 - F + 2P) / S + 1
 
D2 = K
 
滤波器的尺度(F * F) 乘以深度D，就是每个滤波器的权重的个数；再乘以K(滤波器的个数)就是这一个卷积层权重的总数；另外加上每个滤波器的一个偏置项(一共有K个)
 
一定要算上偏置项的大小！！！！
 
具体的过程就如下图所示，就不细说了
 

 
共回答了20个问题采纳率：90%
 
题目没写全吧?
 
现假定积分区间为[0,1],教材《数值分析》(华中科技大学出版)第87页,例题4.2就有详细的解答.
 
貌似题目也有错?确定分母是【x^2】?
 
现在附上该例题(分母是x)的全部解答过程：
 
先对整个区间[0,1]使用梯形公式.对于函数f(x)=sinx/x,它在x=0的值定义为f(0)=1,…………★注：在这个地方,如果按照楼主给的题目,分母为【x^2】,那就没法计算★
 
而f(1)=0.8414709,根据梯形公式计算得
 
T1=1/2[f(0)+f(1)]=0.9207355.
 
然后将区间二等分,再求出中点的函数值f(1/2)=0.9588510,从而利用递推公式T2n=1/2*Tn+h/2*∑f(X k+1/2),有
 
T2=1/2*T1+1/2f(1/2)=0.9397933.——即为楼主想要的结果(二分2次)
 
进一步二分求区间,并计算新分点上的函数值,得
 
f(1/4)=0.9896158,f(3/4)=0.9088516.
 
再利用公式T2n=1/2*Tn+h/2*∑f(X k+1/2),有
 
T4=1/2*T2+1/4[f(1/4)+f(3/4)]=0.9445135.——此为二分4次的结果.
 
依此类推,直到二分9次,求得T9=0.9460831——得到精确结果为止.
 
1年前
 
10

所谓步长就是去做一件事情规定时间内分特定的步数走完。
 
做一个小demo
 
 让红色的方块移动到黑色线里面去，给红色小方块一个终点，定时器每次启动的时候（50毫秒）移动一次,如过我们想让他移动慢点就可以做一个判断让速度变慢 这个变慢就是步长的核心思想 把他总长度分多少段走完。下面是代码和移动后的效果
 
 
在这里插入代码片
```<!DOCTYPE html>
<html>

<head>
    <meta charset="utf-8" />
    <title></title>
    <style>
        div {
            width: 100px;
            height: 100px;
            background-color: red;
            position: absolute;
            left: 0px;
            top: 0;
        }
        
        #btn {
            margin-top: 150px;
        }
        
        span {
            position: absolute;
            width: 1px;
            height: 100px;
            background-color: black;
            left: 500px;
            top: 0;
        }
    </style>

    <body>
        <div></div>
        <span></span>
        <button id="btn">run</button>
        <script>
            var div = document.getElementsByTagName("div")[0];
            var btn = document.getElementById("btn");
            var timer = null;

            btn.onclick = function() {
                move(div, 500)
            }

            function move(ele, target) {
                clearInterval(timer);
                var ispeed = target - ele.offsetLeft > 0 ? 7 : -7;
                timer = setInterval(function() {
                    //最后一步剩余的距离小于我们的移动的距离ispeed
                    if (Math.abs(target - ele.offsetLeft) < Math.abs(ispeed)) {
                        clearInterval(timer)
                        ele.style.left = target + 'px';
                    } else {
                        ele.style.left = ele.offsetLeft + ispeed + 'px';
                    }
                }, 30)
            }
        </script>
    </body>

</html>