基于智能手机传感器的人类行为识别研究

针对因人类行为识别中手机位置的不确定性导致的行为识别率低的问题,提出了一种实时行为识别方法。首先对智能手机中加速度计和陀螺仪所获取的各行为下的传感器数据,依次进行零偏误差补偿、异常值处理和db7小波阈值去噪;其次使用滑动窗口对预处理后的数据进行分割,同时基于各行为特征分布规律进行特征提取;最后将提取的特征用于支持向量机(Support Vector Machine, SVM)分类器模型的训练,通过调用SVM模型结合多票判决策略实现当前时刻行为预测。仿真结果表明,该方法能有效地识别坐、站立、行走、跑步、上楼、下楼、躺、卧8种基本行为,并能区分握、阅读、接听、摆臂、口袋5种手机位置。分类器模型的整体识别率达到了97.6%,在手机位置固定和不固定的情况下,实时行为识别的平均识别准确率分别达到了90.6%和84.8%,平均耗时为177.803 ms。

基于深度神经网络的WiFi室内定位算法研究

在机场、车站、养老院等场所都需要实时可靠地提供用户所在室内的位置,而当前主流的KNN、WKNN等定位算法定位耗时较长,基于层次聚类和基于K-Means聚类等聚类定位算法定位精度不高。针对以上问题,本文提出了一种基于深度神经网络的WiFi室内定位算法(DV-WKNN算法)。该算法采用深度神经网络算法预测的点为离散点动态生成泰森多边形以确定定位区域,再利用位置指纹算法,通过计算环境偏差值以改进WKNN算法进行精确定位。仿真结果表明,与KNN、WKNN和基于K-Means聚类的KNN相比,DV-WKNN算法的平均位置误差分别降低了38.9%,18.9%和10.2%;最大位置误差降低了43.3%。DV-WKNN算法由于采用了泰森多边形来动态划分区域,减少了全局遍历时间,提高了定位效率;利用深度神经网络算法加强了非线性学习能力,因此本文的算法在不同的定位环境中皆具有良好的性能。

一种可见光通信系统

本设计为基于白光LED的可见光通信装置,发送端采取MK60单片机产生的不同电压波形模拟量,其次通过驱动电路将信号传送给大功率LED灯,其中所用到的LED灯能够根据波形电压峰值变化产生不同等级的亮度,传递给可见光红外光敏三极管,其中可见光红外接收管的反应速度非常快,能非常灵敏的接收到LED灯光,转换成不同电压值。接收端MK60单片机将此电压值通过A/D转换,传输至1.8寸的TFT彩色液晶屏显示,以完成系统设计所有的要求。