没有合适的资源?快使用搜索试试~ 我知道了~
首页基于情景感知的可穿戴动作捕捉系统能效优化研究
基于情景感知的可穿戴动作捕捉系统能效优化研究
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 26 浏览量
更新于2024-07-02
收藏 3.31MB PDF 举报
“云计算-可穿戴计算中基于情景感知的能效控制策略研究”这篇文档主要探讨了在可穿戴计算领域,尤其是基于惯性测量单元(IMU)的动作捕捉系统中,如何利用情景感知技术来提高能效并优化系统性能。研究主要集中在三个方面:腕戴式单传感器动作捕捉系统的实现、人体运动识别优化算法的设计、以及自适应无线传输控制算法与多分类器融合的自适应控制策略的提出。 首先,文档介绍了一种创新的腕戴式单传感器动作捕捉系统,它突破了传统的三轴加速度传感器的局限,通过在实验者右手手腕上佩戴单一的惯性传感器收集数据。这一设计减少了佩戴的不适感,简化了系统结构,降低了计算复杂度,同时保证了动作识别的准确率,使得系统更适用于日常生活中。 其次,为了提升动作捕捉系统的能效,文档提出了人体运动识别优化算法。该算法针对不同的个体运动特征,动态调整分类模型的参数,从而找到最优参数组合,提高了运动识别的分类准确率。实验结果显示,优化后的算法能使分类准确率提升至98.59%,比传统方法提高了26.05%,显著提升了系统的整体性能。 最后,面对无线传输模块高能耗的问题,文档提出了自适应无线传输控制算法。该算法结合情景感知,能够智能地处理和判断人体运动数据,根据实际需求动态调整无线传输的控制策略,以减少不必要的能量消耗。这种策略有助于延长可穿戴设备的电池寿命,增强其续航能力。 这篇研究通过引入情景感知技术,为解决可穿戴计算设备的能效问题提供了新的思路和解决方案,不仅提高了动作捕捉系统的准确性和用户舒适度,还有效降低了系统的能耗,为未来可穿戴设备的发展提供了理论支持和实践参考。
资源详情
资源推荐
南京邮电大学专业学位硕士研究生学位论文 第二章 运动数据处理与优化的相关理论基础
6
第二章 运动数据处理与优化的相关理论基础
本章是对数据挖掘常用的算法和数据分析方法进行介绍,详细说明本文中使用的小波变
换滤波去噪、主成分分析法如何实现特征向量降维,并对行为识别分类算法和分类模型参数
优化算法进行了介绍,为文中后续章节奠定理论基础。
小波去噪
小波去噪(Wavelet Domain Denoising),又叫做“数学显微镜”,属于音频处理器。小波
(Wavelet)指的是小的波形。所谓“小”是指它具有衰减性;而“波”则指它具有波动性。
在局部的时间(空间)频率进行分析是小波变换与 Fourier 变换不同点,小波变换利用函数“靠
近原则”和“逆向原则”把信号细化分层,使其能在时频信号分析上做到自适应,并且对信
号的时间和频率进行了细分。从而可以在任意细节上进行详细分析,解决 Fourier 变换的困难
问题。
传统的滤波方法有两种包括非线性滤波方法和线性滤波方法。传统去噪方法的缺点在于
变换后使信号熵增高,对于信号非平稳性和相关性的表述也不准确。相较于传统去噪方法小
波变换在时频特性上具有优势,这为其在去噪应用领域提供了广阔的应用前景。
小波理论在这几年发展的非常迅速,在实际生活中得到了广泛的应用,这得益于本身的
时频特性。小波去噪方法主要有三个基本的步骤:对含噪声信号进行小波变换;对变换得到
的小波系数进行去噪处理;为了得到去噪后的信号,逆变换小波系数。小波去噪方法的不同
之处集中在第一步。
其流程框图如图 2.1 所示。
图 2.1 小波去噪框图
将信号(含噪声)映射到取值域,因为不同噪声的小波系数在不同尺度上具有不同的性
质和机理,利用此原理对含噪信号的小波系数进行处理。这样做的目的在于通过降低噪声产
生的小波系数保留真实信号的系数。基本方法:
(1)模极大值重构去噪;
万方数据
南京邮电大学专业学位硕士研究生学位论文 第二章 运动数据处理与优化的相关理论基础
7
(2)空域相关去噪;
(3)小波域阈值去噪。
主成分分析法 PCA
主成分分析(Principal Components Analysis,PCA)也叫做主分量分析,他能利用降维的
方式把复杂的指标综合化。这是一种可以使得数据集简化的线性变换技术。它利用的是映射
的原理,把原始数据投影到一个新坐标系中,这个新的坐标系是通过原始数据降纬得到的。
主成分分析降维的原理是保留低阶主成分,同时忽略高阶主成分,而且还能把数据集的
对方差贡献最大特征保持住。这样数据的最重要方面往往能够保留在低阶成分中。但是,由
于实际情况的复杂性结果往往不是完全相同的,要根据具体的应用情形来确定。
主成分是一组变量,其定义是将一组存在相关性的变量通过正交变换转换为一组线性不
相关的变量,经过转换后的这组变量就是主成分。然而在实际应用时,却是通过提出多个与
之相关的变量或因素,这些变量或因素可以在不同程度上反应其中的某些信息,从而可以全
面的进行问题分析。
然而在实际研究多变量的课题时,由于变量个数增加,相应也会增加课题的复杂性。为
此更希望通过少量的变量获得尽量多的信息。很多时候,变量之间存在相关性,当在同一课
题中两个变量之间存在相关关系,那就表明在反映此课题信息时这两个变量存在重叠交叉。
主成分分析是对于原始变量,删去多余的重叠部分,减少数量得到新变量,并且保证新变量
之间不相关,同时还要保持反映课题信息的能力。这也是数学上用来降维的一种方法
[23]
。
行为识别分类算法
行为识别的主要目的是把使用者的行为动作进行编码操作,为了达到精确高效的目的。
本研究主要采用支持向量机(Support Vector Machine,SVM)、K 最近邻(K-Nearest Neighbors,
kNN)、决策树(Decision Tree, DT)、朴素贝叶斯算法(Naive Bayes, NB)等行为分类算法进
行。
2.3.1 支持向量机 SVM
Cortes 与 Vapnik 等人在分类统计学习的理论知识之上,提出了支持向量机(Support Vector
Machine,SVM)分类算法。它的基本思想是:基于结构风险最小化的基础上,寻找类别域之
万方数据
南京邮电大学专业学位硕士研究生学位论文 第二章 运动数据处理与优化的相关理论基础
8
间最大的间隔,在根据分类间隔最大化的原理构造最优化的决策曲面,也就是“超平面”,来
构造分类模型。支持向量机(SVM)分类算法最显著的特点是擅长解决一些例如提供的样本
数量太少,或者分类超平面不是线性的,甚至样本特征属性向量属于高维的模式识别分类问
题。模型的复杂性:是表示模型对指定的训练样本集进行分类,并且达到机器学习目的时分
类模型的分类准确率;模型的学习能力:也就是模型对准确分类判决样本的能力。基于 VC 维
的理论知识运用和遵循结构风险最小化原则的基础上,支持向量机(SVM)分类算法就是对
样本数量有限的样本集找到分类准确率和分类判决能力最优的平衡点,从而提高模型的泛化
能力。
在分类和回归问题中,很有可能在低维空间找不到一个线性的超平面来进行分类判决,
然而在高维空间(Hilbert 空间)里就可以做到。为了避免升维计算带来的巨大复杂性,支持
向量机(SVM)分类算法基于展开定理,巧妙完成了既不增加计算复杂度,还完成了非线性
低维特征空间到线性高维特征空间的映射。为此得到一种满足 Mercer条件的函数的“核函数”
(Kernel),能够通过两个处于低维特征空间里的训练样本的属性向量,得到从低维变换到高
维后两个属性向量的内积值。支持向量机(SVM)随核函数的不同而不同。典型的核函数有:
(1)线性核函数:
,K x y x y
(2.1)
(2)多项式核函数:
,1K x y x y d
(2.2)
(3)径向基函数:
2
--
, exp - -
xy
d
K x y x y
(2.3)
(4)二层神经网络核函数:
, tanhK x y a x y b
(2.4)
2.3.2 最邻近算法 KNN
k-近邻(K-Nearest Neighbors, kNN)算法,又称作 k 最近邻算法,是一种基于实际样本的
分类算法。这种算法的思路非常直观简单:在运用 k-近邻算法模型的时候,基于未知属性的
样本,找出样本属性距离和它最近的样本 k 个,然后根据这 k 个样本在类别里的分布,在哪
万方数据
剩余73页未读,继续阅读
programxh
- 粉丝: 17
- 资源: 1万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- Vue实现iOS原生Picker组件:详细解析与实现思路
- Arduino蓝牙小车:参数调试与功能控制
- 百度Java面试精华:200页精选资源涵盖核心知识点
- Swift使用CoreData填坑指南:CoreData在Swift 3.0的变化
- 微距离无线充电器创新设计及其实验探索
- MTK Android平台开发全攻略:44步详解流程
- RecyclerView全面解析:替代ListView的新选择
- Android开发:自动适配中英文键盘解决方案
- Android调用WebService接口教程
- Android开发:BitmapUtil图片处理全解析与实例
- Android多线程断点续传实现详解
- PCA算法在人脸识别会议签到系统中的应用
- EventBus 3.0:Android事件总线详解与实战应用
- Android FileUtil:全面解析文件操作实用技巧与实例
- RecyclerView添加头部和尾部实战教程
- Android实现微博滑动固定顶部栏实战与优化
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功