基于峰值检测的自适应时间窗口计步算法

针对现有的计步算法无法适应用户行走状态、手机姿态多样性的问题,以及有效解决静止状态下的虚假步态周期的判别问题,提出基于峰值检测的自适应时间窗口计步算法。该算法通过检测加验证的方式进行计步,利用双重滤波对原始加速度进行预处理,根据峰、谷值时间差的自适应时间窗口消除伪峰值,再利用方差与标准差对检测到的峰值进行验证。实验结果表明,该算法相比传统方法(固定窗口峰值检测、条件判断峰值检测)在不同运动状态、不同手机姿态下的平均计步精度分别提高了7.7%、3.4%,并且优于目前流行的商业步数计算应用。     

基于自适应峰值检测的PDR算法研究

针对传统的行人航迹推算（PDR）算法只能用于正常行走的单一状态，难以满足实际应用需求，提出了一种基于自适应峰值检测的改进PDR算法。该算法将行人运动模式分为行走和跑步两种状态，充分考虑行人运动过程中加速度峰值和运动状态的关系，通过实验获得不同运动状态下的加速度峰值，从而设置动态阈值，实现不同状态下的计步检测和步长估计。将改进的PDR算法应用于行人定位，利用微惯性测量单元（IMU）获取的行人的运动数据，使用改进的峰值检测法对行人进行计步检测和状态识别，根据行人的运动状态采用自适应步长估计公式对步长进行估计，最后结合计算的航向得到行人的位置信息。实验结果表明，改进PDR算法具有良好的鲁棒性和较高的步态识别率，相比于传统的PDR算法，闭环误差降低了142%，有效提高了行人定位结果的精度。     

基于惯性传感器的穿戴式步态分析系统设计与实现

步态分析是对下肢运动情况量化评估的重要手段.本文采用基于惯性传感器的步态时空参数估计算法,根据穿戴在小腿上的惯性传感器节点检测步态事件点,再对穿戴在脚跟处的惯性传感器加速度信号进行双重积分计算步长,根据步态时相校正加速度信号以提高步长估计精度.本文设计并实现了基于惯性传感器的步态数据节点采集,完成了硬件和软件的设计.为了验证系统的可靠性和准确性,对3个志愿者进行实验.比较本文设计的步态分析系统和商用locometrix步态分析仪的结果,步长、步速和步频的平均相对误差分别为5.21％、4.51％和11.87％.结果表明利用本文研制的穿戴式步态分析系统能精确估计步态时空参数.     

两足辅助行走机器人步态控制

智能两足辅助行走机器人,可以辅助残疾人在复杂环境中进行仿人行走.介绍了该机器人的机构和控制系统硬件,在机器人系统的步态特性基础上建立了人机一体的运动模型.运用零力矩点（ZMP）理论规划了机器人的行走步态,提出了局部步态调整与人体主动补偿运动相结合的实时步态稳定性控制策略.通过仿真实验对该控制策略进行了验证和分析.     

人体步态数据测量系统的设计与实现

下肢外骨骼机器人和下肢康复机器人是当前的研究热点,人体运动的步态数据对其完成步态识别与控制有重要意义.为了获取人体行走过程中的步态信息,本文设计并实现了一套测量足底压力与关节角度数据的数据采集系统.该系统包含微处理器、足底压力传感器、角度传感器、信号调理模块以及数据存储模块,能实现步态数据的自动解算、采集和存储.利用该系统成功采集了不同实验对象在不同速率下足底压力数据和关节的角度数据,结果显示出一定的步态特性,为进一步的步态分析与识别提供参考.     

一种基于BP神经网络的轮胎磨损程度检测算法

智能轮胎监控系统装备在汽车轮胎中，为汽车提供轮胎运行过程中的实时底层信息。为了使车载系统能够得到更多的轮胎底层信息，提出了一种基于BP神经网络的轮胎磨损程度检测算法。通过安装在轮胎内壁中的温度胎压传感器与加速度传感器，在不同磨损程度的轮胎运行条件下，采集轮胎底层的温度和胎压数据，与加速度传感器测得的基于传感器的三轴加速度，进行数据整理与数据挖掘。算法构建了一个八层的神经网络对训练集进行学习，并用测试集进行测试，误差均在0.4 mm以内，能够准确预测运行过程中的轮胎磨损程度，加强了汽车底层信息的监控系统，提高了安全性。     

MEMS传感器数据漂移抑制技术研究

针对惯性测量系统中MEMS加速度传感器存在信号漂移而导致测量误差的问题,采用时间序列的分析方法,对MEMS加速度传感器测量的数据进行分析。将MEMS加速度传感器测量的数据通过DSP读取后,通过ADF准则进行平稳性检验,传感器数据满足平稳时间序列条件。根据传感器数据的自相关函数与偏自相关函数特征,判断出序列满足AR(p)模型。通过AIC准则进行随机性检验,同时进行时间序列模型识别与参数估计,传感器数据在使用AR(1)模型进行建模时达到最优。建立MEMS加速度传感器信号漂移AR(1)模型,并依据模型设计卡尔曼滤波器。结果表明,在滤波前加速度传感器零偏稳定性为0.3032mg,卡尔曼滤波后的加速度传感器零偏稳定性为0.0247mg,测量稳定性能有效提高,并且运算阶数较低,能很好的应用于嵌入式系统。     

智能手环智能佩戴检测技术探究

现有的智能穿戴设备如智能手表、智能手环等,若用户将智能手环放置在桌面上,手环会自动误检测为用户处于久坐或深度睡眠的状态,从而导致监测的睡眠数据不准确;与此同时,当手环处于非佩戴状态下,而放置在震动的场所,手环会自动计步,导致计步数据的不准确。针对以上问题,本文提出一种基于智能手环佩戴检测的全新电路与方法。通过容监测处理芯片与MCU对放置在手环底部采样的导电布电容传感器进行采样,并通过一定的检测算法,从而检测手环的佩戴状态,解决因为手环不能自动检测佩戴,而错误判断用户处于久坐或深度睡眠,或者误计步的现象。     

模糊控制技术在智能吸尘器自动充电中的应用

根据智能吸尘器自主化性能要求,提出一种基于模糊控制技术的自动充电算法.该算法首先由电源检测模块检测电池电量,然后根据智能吸尘器本体安装的红外传感器检测出电源插座发出的红外信号,利用模糊算法将上述信号模糊化并产生模糊规则,利用这些模糊规则建立传感器输入信号和智能吸尘器行走方向与速度之间的映射关系.该算法具有较好的鲁棒性,对参数变化的适应性强;实际应用中,具有较好的抗干扰性.通过实验验证,该算法符合设计要求,具有一定的实用性.     

道路交通行车安全预警算法研究

为了提高道路交通安全,针对目前行车安全预警算法采用确定性参数导致的预警准确度不高的问题,提出了一种基于多层感知器神经网络的行车安全预警算法。该算法以人工神经网络为基础,将前后车的相对距离、相对速度、驾驶员风格类型、前车加速度、后车加速度以及后车的速度作为系统的输入,行车安全预警级别作为系统的输出。结合样本数据进行训练,得到行车安全预警级别的预测值,并与传统的碰撞时间算法和停车距离算法的两种预警算法进行对比。实验结果表明,多层感知器神经网络预警算法在预警的有效性与准确性方面明显优于传统预警算法。     

基于加速度传感器的大学生运动能量消耗监测系统的设计与实现

目前可穿戴计算在监控人体健康指标领域的应用日益广泛，对大学生运动能量消耗进行精准监测，对大学生制定科学的运动健身计划、改善身体健康状况等都具有重要意义。设计并实现了大学生运动能量消耗监控系统，同时提出了一种基于几何均值（GM）的运动能量消耗监测算法，并通过实验加以验证。该系统通过三维加速度传感器获得运动参数，采用GM算法得到运动能耗数据，并与不同运动类型的标准数据进行比较和分析，从而获得大学生运动差异及其改进建议，提高了大学生运动的标准性和安全性。     

基于机器学习的人体步态检测智能识别算法研究

为实现快速步态状态判断,以更好地对下肢外骨骼进行高精度的步态识别和控制,进行了基于可穿戴惯性测量装置检测人体姿态变化的算法研究。通过对人体下肢的跌倒、转弯、蹲坐与起立等非周期性步态变化活动进行测算试验,获得了受试者实验过程中身体角度、下肢关节角速度和加速度变化等数据,随后应用随机森林等4种机器学习经典分类算法对受试者进行了活动识别对比分析,结果表明,决策树监督学习算法相对于其他算法,能够快速、准确地检测并判断出人体非周期性变化中的多种活动状态,历次识别精度均可达到99%以上,为可穿戴智能装备的开发与应用提供理论基础。     

基于最优模糊系统的非线性校准数据计算方法

为了将通过非线性传感器测量的参数转换为参数物理量,研究了最小二乘多项式拟合非线性传感器校准数据的局限性,提出了基于最优模糊系统,采用最近邻聚类方法设计模糊系统,实现对非线性传感器校准数据的精确拟合.通过调整最小二乘多项式和最近邻聚类模糊系统两种方法的计算参数,对比分析了校准数据拟合曲线随参数调整的变化情况.实验结果验证了该方法的有效性,适当调整聚类算法的平滑参数和聚类半径,即可以任意精度逼近非线性的校准数据,明显优于传统的最小二乘多项式拟合方法,且简便、实用.     

基于SVM的行人步态实时分类方法

针对行人行走和跑步步态差异会影响行人定位精度的问题,提出一种基于支持向量机(support vector machine,SVM)的步态实时分类方法,将行人步态分为行走和跑步2类。行人步态原始数据由安装于足部的加速度计和陀螺仪提供,通过对原始数据进行坐标系转换、快速傅里叶变换(fast fourier transform,FFT)和数据降维等步骤建立 SVM的训练数据输入量。算法采用测试多组匀速或变速的行走和跑步数据进行实验验证,以支持向量空间中的高斯分布作为判断依据。结果表明,SVM的实时分类成功率达到98.6%以上。     

基于神经网络的间接矢量控制中转矩辨识算法的研究

本文提出了一种基于神经网络的间接矢量控制系统中的转矩辨识算法,该算法将电机输入输出序列作为神经网络的输入,且神经网络的结果由分步计算实现;同时,该算法中训练数据集的标注采用加速度为核心的标定方法,并设计了数据集中多工况的转矩给定轨迹。相较于传统的神经网络方案,此方案在引入输入输出序列后,使网络对暂态过程的拟合能力得到提升;此外,采用所设计的多工况下的转矩轨迹和基于加速度的标定方法,不仅能够避免模型对特定工况的过拟合,而且能够在兼顾辨识精度的同时在标定过程中无需采用转矩感仪器。仿真和实验结果对比表明该方案精度高,鲁棒性强且适用于暂态过程,整个算法流程在工程上易于实现。     

基于 XGBoost 的下肢步态相位识别研究

针对下肢外骨骼应用中的难点问题,开展了基于XGBoost算法,利用单个IMU采集的运动姿态数据对步态相位进行识别的研究。首先,采集了6种不同步态下的足部运动数据,然后将每种步态划分为4个相位;在此基础上,以足部运动数据作为训练集,然后应用XGBoost算法进行步态相位识别的分析。建立模型的过程中通过贝叶斯优化算法进一步对模型中涉及的参数进行优化。计算显示,模型的测试集平均正确率为89.26%,精度为89.64%,召回率为89.26%,F1值为89.10%;结果分析表明该模型能够实现较好的步态相位识别。     

高压架空输电线舞动监测系统

输电线舞动严重时会导致杆塔倒塌,甚至发生事故。该文采用微加速度传感器,研究了高压架空输电线舞动远程监测系统。系统采用新型微加速度传感器测量导线舞动的实时数据,通过无线GSM传输模块将数据发送至上位机。上位机对信号进行采集、滤波、积分等处理。系统采用最小二乘法（LMS）进行去趋势项处理,完成对加速度信号的积分修正,得到准确的舞动信息数据。采用该系统在实验室进行了测试试验,测试系统测量的准确性。试验结果表明,LMS能有效去除信号趋势项,对于模拟的输电线舞动信号,系统能够进行有效报警。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

基于WiFi辅助的自适应步长的室内定位算法

随着室内定位的需求越来越多,基于PDR算法的低成本惯性传感器定位方法备受青睐。在PDR算法的基础上,提出了一种步长可随着步频自适应变化的s f关系模型。同时针对PDR算法的误差累积问题,利用WiFi信号的接入点位置的绝对坐标对定位误差进行校正,利用连续的两个WiFi信号接入点位置辅助动态调整步长,避免了长时间的计步累积误差对步长的影响。实验验证该方法可有效提高室内定位的精度。     

用于多传感器机器人的集成开发系统设计

设计了一个用于多传感器机器人控制的集成开发系统，该系统带有一个智能接口，可以集中采集多个传感器的数据，并进行一部分低层的数据融合处理，系统软件为多传感器的研究提供了必要的仿真工具及其他辅助控制算法。