当前位置:首页 > 企业新闻 >

快三平台_如何使用传感器和人工智能来发挥传感器数据的协同作用?

编辑:快三平台注册 来源:快三平台注册 创发布时间:2021-09-03阅读79080次
  

快三平台注册

快三平台注册:人工智能(AI)正在给社会的方方面面带来创新。例如,通过整合数据挖掘和深度自学的优势,可以使用人工智能来分析来自各种来源的大量数据,识别各种模式,获得交互式解释,并开发智能预测。这种创造性发展的一个例子是将人工智能应用于由传感器分解的数据,特别是由智能手机和其他消费设备收集的数据。

运动传感器数据和GPS地址等其他信息可以获得大量不同的数据集。所以,问题是:“如何利用人工智能来充分发挥这些协同作用?”运动数据分析的说明性现实应用将能够通过分析数据来确认用户在每个时间段的活动,无论是坐着、走路、跑步还是睡觉。在这种情况下,智能产品的好处不言而喻:1。提高客户生命周期价值和用户参与度可以降低客户流失率。

2.极具竞争力的产品定位下一代智能产品满足了消费者日益增长的期望。3.为最终用户构建真实价值准确检测和分析室内运动可以实现灵敏的导航系统功能,开展健康风险监测,提高设备效率。对各种智能手机和可穿戴平台的深入控制,将极大地帮助产品设计师了解用户的重复习惯和不道德行为,比如确认准确的电池大小,或者确认启动时通知的准确定时。

智能手机厂商对人工智能功能越来越感兴趣,这吸引了人们对识别非常简单的日常活动的重要性的关注,比如步骤数,最终会发展成对分析的更好理解,比如体育活动。对于足球这样的热门运动,产品设计师只会专注于运动员,而不会为更优秀的人,比如教练、球迷,甚至广播公司、运动服装设计公司等大公司,获得便利。这些公司将受益于深入的数据分析,从而能够准确地分析、改进和预测体育展示。

在确定了这个商业机会之后,下一个合理的步骤就是思考如何有效地收集这些庞大的数据集。例如,在活动跟踪方面,原始数据由轴向运动传感器收集,如智能手机、可穿戴设备和其他便携式设备中的加速度计和陀螺仪。这些设备以近乎保密的方式提供三个坐标轴(x,y,z)上的运动数据,即方便用户以交互的方式跟踪和评估活动。

训练模型对于人工智能的监督式自学来说,“模型”必须用有标签的数据进行训练,这样分类引擎才能用于这个模型,对实际用户的不道德行为进行分类。例如,我们从跑步或步行的测试用户那里收集运动数据,并将这些信息传递给模型,以帮助他们自学。

因为这基本上是一种重用方法,非常简单的应用和摄影系统就可以完成“标记”用户的任务。我们的经验表明,随着样本量的减少,分类中的人为错误率增加。

因此,从有限数量的用户中提供更好的样本集比从大量用户中获得更小的样本集更有意义。只提供完整的传感器数据太多了。我们仔细观察,为了建立一个高度准确的分类,我们必须仔细识别一些特征,也就是说,必须告诉系统最重要的特征或活动来区分每个序列。

人工自学的过程是重复性的,哪些特征在预处理阶段特别重要,目前还不具体。所以设备一定要根据可能对分类精度有影响的专业知识来做一些猜测。

为了开发活动识别,必要特征还可以包括“过滤信号”,例如身体加速度(来自传感器的完整加速度数据)或“给定信号”,例如快速傅立叶变换值或标准偏差。 例如,加州大学欧文分校的UCI创建了一个具有561个特征的数据集,该快三平台app数据集基于30名志愿者的六项基本活动,即脚、坐姿、卧姿、驾驶、下台和上台。在模式识别和分类收集了完整的运动数据后,我们必须将其应用到机器学习技术中进行分类和分析。

快三平台app

我们可用的机器学习技术从逻辑到神经网络都有。反向量机就是这样一种应用于人工智能的自学习模型。身体活动,比如走路,也包括各种动作所包含的序列。

因为反向量机擅长序列分类,所以对活动进行分类是一种合理自由的选择。反向量机的应用、训练、开发和预测非常简单,因此我们可以用三种奇妙的方式建立许多样本收集实验来处理简单现实数据集的非线性分类。反向量机还可以实现各种不同规模和性能的优化。在确定一项技术后,我们必须为反向量机自由选择一个软件库。

快三平台注册

开源库LibSVM是一个不错的自由选择,非常稳定,记录详细,反对多类分类,获得了从MATLAB到Android各大开发者平台的扩展。连续分类的挑战在实践中,当用户移动时,系统中使用的设备应该被动态分类以进行活动识别。

为了将产品的成本降低到小于,我们必须在不影响结果即信息质量的情况下平衡传输、存储和处置的成本。假设我们可以花费数据传输的成本,那么所有的数据都可以在云中存储和处置。本质上这不会给用户带来很大的数据成本,用户的设备必须联网。无线网络、蓝牙或者4G模块的成本必然会进一步增加设备成本。

更糟糕的是,在非城市地区,3G网络的面试结果普遍不尽如人意,比如徒步、骑自行车或者游泳。这种对云中海量数据传输的依赖并不会减缓修订速度,而且必须定期实时进行,大大抵消了人工智能运动分析带来的实际好处。

忽略它,只在设备的主处理器上处理这些操作符,并不会显著降低功耗,反而会增加其他应用的连续执行周期。同样,在设备上存储所有数据也不会降低存储成本。要解决这些相互冲突的问题,可以遵循四个原则:1。

合并——从分类引擎的继续执行中合并特征处理。2.添加——智能并自由选择准确识别活动所需的功能,以增加存储和处置需求。3.——中使用的传感器需要采集低功耗的数据,实现传感器融合(将多个传感器的数据融合在一起),并对展开特征进行预处理以保持连续性。

4.保留——个需要确认系统支持用户活动数据的模型。通过将特征处理与分类引擎的持续执行相结合,连接到加速度和陀螺仪传感器的处理器可以大得多。

这有效地阻止了将动态数据块的倒数传输到更强大的处理器的市场需求。特征处理,例如用于将时域信号转换成频域信号的高速傅立叶变换,将需要低功率核心熔化处理器来继续执行浮点操作。

快三平台注册

此外,在现实世界中,单个传感器没有物理公差,其输入随着时间而再次偏离,例如,由于焊接和温度引起的位移和非线性模式。为了补偿这种尖锐性,传感器融合以及缓慢、在线和自动校准是必要的。图1:活动分类的功能流程(来自BoschSensortec)此外,自由选择的数据捕获速率会显著影响所需的计算和传输量。一般来说,50Hz的比特率对于长期的人类活动是足够的。

然而,在分析缓慢移动的活动或运动时,200赫兹的比特率是必要的。 在某种程度上,为了获得更慢的响应时间,可以添加一个2kHz的独立加速度计来确认用户的目的。为了迎接这些挑战,低功耗或特定传感器集线器的应用可以显著减少分类引擎所需的CPU周期。比如BoschSensortec的BHI160和BNO055就是这样的传感器集线器。

所涉及的软件可以以不同的传感器数据速率分解融合的传感器输入。要处理的特征的初始自由选择不会极大地影响训练模型的大小、数据量以及训练和继续执行内联预测所需的计算能力。因此,自由选择特定活动的分类和区分所需的特征是一项关键要求,也可能是最重要的商业优势。综上所述,UCI机器学习数据库拥有561个特征原始数据集,配置文件的LibSVM核训练模型部署活动分类的测试准确率高达91.84%。

但在训练和特征列表完成后,19个最重要功能的自由选择不足以超过85.38%活动分类测试的准确率。仔细检查列名后,我们发现最相关的特征是频域转换和滑动窗口加速度原始数据的平均值、最大值和最小值。有趣的是,这些特征并不能说明是预处理构建的,传感器融合是保证数据有足够的可靠性所必须的,所以对于分类来说是最简单的。结论综上所述,科学技术的发展已经超过了在便携式设备上运行先进的人工智能来分析运动传感器数据的程度。

这些现代传感器以低功耗运行,而传感器融合和软件分区明显提高了整个系统的效率和可行性,同时大大简化了程序开发中的应用。【快三平台注册】。

本文来源:快三平台app-www.seamtheworld.com

0641-498274457

联系我们

Copyright © 2010-2014 通辽市快三平台股份有限公司 版权所有  内蒙古ICP备41386998号-3