基于智能手机陀螺仪数据的行为识别毕业论文(编辑修改稿)

基于智能手机陀螺仪数据的行为识别毕业论文(编辑修改稿)内容摘要：

得越快越不容易倒，因为车轴有 一股保持水平的力量。 图 21 根据这个原理，陀螺仪传感器应运而生。 陀螺仪传感器用多种方法读取轴所指的方向并自动将 数据信号传给控制系统。 组成 （ 1）陀螺转子（常采用同步电机、磁带电机、三相交流电机等拖动方法来使陀螺转子绕自转轴高速旋转，其转速近似于常值） （ 2）内外框架（或称内、外环，它是使陀螺自转轴获得所需角转动自由度的结构）； （ 3）附件（是指力矩马达、信号传感器等）。 陀螺仪在手机上的应用 相比传统重力传感器只能感应左右两个维度的（多轴的重力感应是可以检测到物体竖直方向的转动，但是角度难以判断）变化，陀螺仪通过对偏转、倾斜等动作角速度的测量，可以实现用手控制游戏主角的视野和方向。 比如在飞行游戏中，手机既可作为方向盘控制飞机，只需变换不同角度倾斜手机，手机就会相应做出上下左右前后的联动。 类似的游戏主要以竞技和模拟驾驶居多。 4 图 22 其次，可以帮助手机摄像头防抖。 拍照时，在我们按下快门时，手机内的陀螺仪测量出手机翻转的角度，将手机产生的偏差反馈给图像处理器，用计算出的 结果控制补偿镜片组，对镜头的抖动方向以及卫衣作出补偿，实现更清晰的拍照效果。 再者，智能手机陀螺仪能辅助 GPS 进行惯性导航。 尤其是在没有 GPS 信号的隧道、高楼或是桥梁附近。 陀螺仪可以测量运动的方向和速度，通过将速度乘以时间获得运动的距离，实现精准定位导航，并能修正导航线路。 不止是智能手机，目前导航仪和汽车上都安装有这种装置。 最后，智能手机陀螺仪还可以协助手机用户界面实现动作感应。 这项功能也十分常见，比如我们经常设置的动态壁纸，它之所以能随着手机角度调整发生偏移，就是靠陀螺仪检测完成的。 另外，有些手机还能通 过前后倾斜手机实现通讯录的上下滚动，左右倾斜手机实现浏览页面的左右移动或者放大缩小，都是相同的原理。 总的来说，陀螺仪在智能手机中的实用性是非常高的。 目前主流的智能手机基本都配备了陀螺仪，它虽然看似不起眼，但是不论是娱乐、通讯、拍照还是出行导航，都离不开陀螺仪，在其他功能上，陀螺仪也会配合其它传感器去完成各种任务。 机器学习 机器学习（ Machine Learning，缩写为 ML）是一门多领域交叉学科，设计统计学、概率论、逼近论、算法复杂度理论等多门学科。 机器学习研究的是计算机（电子计算机、中子计算机 、光子计算机或神经计算机等）怎样模拟或者实现人类的学习行为，以获得新的知识或技能，重新组织已有的只是结果使之不断改善自身的性能，他只要使用的是归纳、综合。 机器学习已经有了十分广发的应用，例如：数据挖掘、生物特战识别、计算机视觉、语音和手写识别等等。 影响学习系统的最重要因素是环境向系统提供的信息，或者更确切地说是信息的质量。 如果信息的质量比较高，与一般原则相差较小，则学习部分比较容易处理。 但如果向学习体统提供的信息杂乱无章，那么学习体统需要在获得足够的数据后删除不必要的细节，进而总结推广，并形成指导动作的一 般原则，放入知识库，学习任务就较为繁重。 5 因为学习系统获得的信息或是向系统提供的信息往往是不完全的，因此学习系统进行的推理并不是完全可靠的，他总结的规则可能是正确的，但也可能是错误的。 分类 机器学习若学习形式分类，可分为监督学习（ superviesd learning）和无 非监督学习（ unsuperviesd learning）。 在本论文中，我们重点关注监督学习。 监督学习，即在机器学习过程中提示对错指示。 监督学习从给定的训练数据集中学习得到一个最优模型，当给定新的数据 需要分类时，可以根据这个模型预测结果。 监督学习中的一个典型例子就是 SVM。 监督学习可分为两大类：回归分析（ Regression Analysis）和分类（ Classification）。 （ 1）回归分析：其数据集是给定一个函数和它的一些坐标点，然后通过回归分析算法来估计原函数模型，求一个最符合这些已知数据集的函数解析式。 然后就可通过这个函数解析式来预估其它未知输出的数据了，当我们向其输入特征向量就可以得到相应的标签（ label）。 （ 2）分类：其数据集由特征向量与其对应标签组成，当分类器学习了数据后得到学 习模型，再给定未知标签的数据即可分类。 支持向量机 SVM 支持向量机（ Support Vector Machine，简称 SVM）是由 Vapnik 等人提出的一类可用于分类和回归分析的有监督机器学习模型。 其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略就是间隔最大化，最终可以转化为一个凸二次规划问题的的求解。 基于其优秀的学习能力，该技术在许多领域都得到了成功的应用。 基本原理 SVM 旨在在多维空间中找到一个能将全部样本单元分为两类的最优平面，这一平面应使两类中距离最近的点的间距（ margin）尽可能最大，分割的超平面位于间距的中间。 图 23 6 核函数（ kernel function） 根据模式识别理论，低维空间线性不可分的模式通过非线性映射到高维空间则可能实现线性可分，但是如果直接采用这种技术在高维空间进行分类或者回归，则存在确定非线性映射函数的参数和特征空间维数等问题，而最大的灾难则是在高维空间特征空间运算时存在“维数灾难”。 而采用核函数技术可以有效地解决这样的问题。 对于训练数据是非线性的情况， SVM 的处理方法是选择一个核函数（ Kernel Function），通 过将数据隐式地映射到高维空间，来解决在原始空间中线性不可分问题。 再线性不可分的情况下， SVM 首先在低维空间完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构造出最优分离超平面，从而把平面上本身不好分的非线性数据分开，同时也避免了直接在高维空间进行复杂的计算。 如图 24所示，一堆数据在二维空间无法划分，从而映射到三维空间进行划分： 图 24 介绍几种常见的也是本实验中用到的核函数： （ 1）高斯核函数（ gaussian） 定义如下所示： k(x,y)=exp((||xy||2)/2*σ 2) 通过调控参数σ，高斯核函数具有相当高的灵活性，是应用最广泛的核函数之一。 图 25所示例子为通过高斯核函数将线性不可分的数据映射到了高维空间：。