發(fā)布時間：2020-07-23 14:55

【摘要】：隨著綠色出行概念的提出,越來越多的人選擇自行車作為出行方式,騎行過程中騎行人不良的行為習慣和復雜的路況都能導致事故發(fā)生,因而對人們騎行行為進行識別和監(jiān)測有著非常重要的現(xiàn)實意義。本文目標是通過手機傳感器采集自行車騎行過程中的人體行為數(shù)據(jù),對采集的四種傳感器數(shù)據(jù)進行數(shù)據(jù)融合,然后運用閾值法和機器學習算法聯(lián)合來設計分類器,實現(xiàn)對自行車騎行中五種行為的識別。騎行行為的識別不僅有助于分析居民騎行行為的數(shù)據(jù)和特征,形成交通大數(shù)據(jù),也能在騎行過程發(fā)生的意外發(fā)送預警信號,既能保障出行安全,又有利于路面交通的監(jiān)測管理。研究主要內(nèi)容如下:(1)數(shù)據(jù)采集和預處理。針對手機上各種豐富的傳感器,為了獲得騎行行為的姿態(tài)和速度信息,選取了智能手機上加速度傳感器、陀螺儀傳感器、磁力計傳感器及GPS(Global Positioning System,全球定位系統(tǒng))定位傳感器等作為數(shù)據(jù)來源,通過手機端數(shù)據(jù)采集APP將原始數(shù)據(jù)發(fā)送至PC端網(wǎng)絡數(shù)據(jù)庫管理系統(tǒng)。采集的數(shù)據(jù)存在各種缺失值和噪聲,在PC端對傳感器數(shù)據(jù)進行完整的預處理流程:為了數(shù)據(jù)的完整性,采用拉格朗日插值法處理缺失值;同時選用采用2s的窗口滑動均值濾波對原始信號進行去噪處理,實驗表明,滑動均值濾波達到了較為理想的效果。(2)多傳感器數(shù)據(jù)融合算法。針對實際應用中手機的擺放位置隨意,導致手機坐標系與自行車坐標系不一致的問題,采用基于磁力計和加速度計結(jié)合的初始相對姿態(tài)測定方法,實驗證明,初始相對姿態(tài)矩陣的測定能快速實時地將手機坐標系的數(shù)據(jù)轉(zhuǎn)換到所在自行車載體坐標系中。然后采用基于四元數(shù)的擴展卡爾曼濾波算法進行SINS(Strap-down Inertial Navigation System,捷聯(lián)慣性導航系統(tǒng))/GPS姿態(tài)和軌跡數(shù)據(jù)融合,實時更新得到載體的姿態(tài)角、速度、軌跡、加速度、角速度數(shù)據(jù)。(3)基于閾值和支持向量機結(jié)合的行為識別�，F(xiàn)實中模式識別行為檢測算法實時性低、誤報率高的問題,本文通過信息融合所得到的運動學數(shù)據(jù),利用兩次判定進行行為檢測。首先根據(jù)設定的閾值初步判定騎行過程中的正常行為和危險行為,根據(jù)速度、加速度、角速度、姿態(tài)角的統(tǒng)計量和變化趨勢來構(gòu)建特征空間,使用分裂法來優(yōu)選特征空間并最終構(gòu)建最優(yōu)的特征空間,最終獲取五種行為分類模型,其中,閾值法對危險速度的識別率達到100%,支持向量機模型對左/右轉(zhuǎn)、急變速行為、危險碰撞行為和跌倒行為等總體準確率分別達到94.2%、90.8%、96.3%、95.4%。
【學位授予單位】：西北農(nóng)林科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U491.225;TP181
【圖文】：

西北農(nóng)林科技大學碩士學位論文1 MEMS 傳感器圖 2-1 所示，以智能手機的正面朝上，記手機屏幕的水平向右為正方向手機正面屏幕的豎直向上為正方向，為 Y 軸；手機屏幕垂直手機正面向為 Z 軸，X、Y、Z 軸兩兩垂直。速度計傳感器是一種三維加速度測量，它比其他運動傳感器的功耗低 10 測量 X，Y，Z 軸的加速度。在這個系統(tǒng)中，坐標在單位后面有負值，單位為在軸在設備的屏幕方向改變時不會交換，也就是說，這個傳感器的坐標設備移動而改變。加速度傳感器的初始姿態(tài)角與當前值的解算比較可以態(tài)角，當載體不是靜止或勻速直線運動，說明系統(tǒng)中存在有害加速度，速度會造成系統(tǒng)誤差。所以加速度計計算姿態(tài)時容易受到有害加速度的性無法求得航向角。

低數(shù)學建模難度，選取騎行過程中左/右轉(zhuǎn)、急變速、危險速度、危險碰行為作為行為特征。/右轉(zhuǎn)行為是騎行中的正常行為，自行車轉(zhuǎn)彎過程中載體的加速度、角速變化是其主要特征。變速是騎行中的正常行為，自行車急變速主要是根據(jù)加速度來識別的，的角速度變化可以區(qū)分上下坡和急變速的區(qū)別，故俯仰角也是其主要特險速度、危險碰撞、跌倒屬于騎行中比較劇烈的危險行為，這三種行為速度和合姿態(tài)角變化是其主要特征。文選取了 4 名實驗者（3 男 1 女）的行為數(shù)據(jù)，以 Android 系統(tǒng)為實驗經(jīng)驗與技術也可移植到其他系統(tǒng)。所用手機選定魅藍 note5 和華為 P10傳感器，Android 系統(tǒng)版本號均在 4.1 以上，使用開發(fā)的 Android 智能手采集程序，配合使用 Android 應用程序開發(fā)調(diào)試工具：) 采集時間地點：數(shù)據(jù)采集時間為 2018 年 10 月-2018 年 11 月，西北農(nóng)校區(qū)內(nèi)，根據(jù)騎行自行車模擬各種騎行行為下人體姿態(tài)。) 采集設備：智能手機兩部，筆記本一臺，自行車兩輛。

西北農(nóng)林科技大學碩士學位論文(3)采集方法：手機設備在進行了傳感器校正之后，將安裝傳感器采集程序在智能手機上�？紤]到佩戴的舒適性、穩(wěn)定性和合理性，本文選擇腰部為特征部位，在實驗過程中將手機固定于騎行人腰部位置，模擬和記錄車輛在在各種環(huán)境下進行的各種行為數(shù)據(jù)采集，數(shù)據(jù)保存格式為 TXT 格式。如圖 2-2 為實驗數(shù)據(jù)采集路線圖。加速度計、陀螺儀、磁力計三種傳感器數(shù)據(jù)采集頻率為 50Hz，GPS 數(shù)據(jù)采集為頻率 1Hz，并在 MATLAB 環(huán)境下處理、仿真。如圖 2-3 所示為數(shù)據(jù)采集，圖 2-4 為 PC端網(wǎng)絡數(shù)據(jù)庫管理系統(tǒng)。

【相似文獻】

相關期刊論文 前10條

1 李陽;;機器學習在網(wǎng)絡空間安全研究中的應用分析[J];電腦知識與技術;2019年24期

2 高華川;;機器學習在經(jīng)濟學中的應用[J];納稅;2019年24期

3 李兵;林文釗;羅崢尹;;基于機器學習的智慧農(nóng)業(yè)決策系統(tǒng)設計與實現(xiàn)[J];信息與電腦(理論版);2018年24期

4 舒娜;劉波;林偉偉;李鵬飛;;分布式機器學習平臺與算法綜述[J];計算機科學;2019年03期

5 劉傳會;汪小亞;郭增輝;;機器學習在反洗錢領域的應用與發(fā)展[J];清華金融評論;2019年04期

6 孟雨;;機器學習讓計算機更智能[J];計算機與網(wǎng)絡;2019年14期

7 朱輝;;機器學習在企業(yè)級場景中的實踐與探討[J];中國建設信息化;2018年03期

8 彭傳意;;機器學習——我們該如何與機器競爭[J];數(shù)字通信世界;2018年01期

9 陳軼翔;埃里克·布倫喬爾森;湯姆·米切爾;;機器學習的能力范圍及其對勞動力的影響[J];世界科學;2018年04期

10 趙長林;;機器學習即服務[J];網(wǎng)絡安全和信息化;2017年10期

相關會議論文 前10條

1 王玨;;歸納機器學習[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 王衍魯;張利會;張淑潔;石潔茹;王鵬;;大學新生學校適應的個體與環(huán)境因素探究:基于機器學習的考察[A];第二十屆全國心理學學術會議--心理學與國民心理健康摘要集[C];2017年

3 張長水;;大數(shù)據(jù)機器學習[A];2015年中國自動化大會摘要集[C];2015年

4 何琳;侯漢清;;基于標引經(jīng)驗和機器學習相結(jié)合的多層自動分類[A];2005年中國索引學會年會暨學術研討會論文集[C];2005年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學習法相結(jié)合的蛋白質(zhì)名識別[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機器學習在中醫(yī)計算機診斷識別系統(tǒng)中的應用思考[A];第一屆全國中西醫(yī)結(jié)合診斷學術會議論文選集[C];2006年

7 吳滄浦;;智能系統(tǒng)與機器學習的新領域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術年會文集[C];2000年

8 蔡健平;林世平;;基于機器學習的詞語和句子極性分析[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

9 吳娜;刁聯(lián)旺;;基于機器學習的博弈對抗模型優(yōu)化框架軟件系統(tǒng)設計[A];第六屆中國指揮控制大會論文集（上冊）[C];2018年

10 蔣雍建;程楠;劉澤佳;周立成;湯立群;劉逸平;蔣震宇;;基于響應統(tǒng)計特征和機器學習的橋梁損傷識別方法研究[A];2018年全國固體力學學術會議摘要集（下）[C];2018年

相關重要報紙文章 前10條

1 趙廣立;防特網(wǎng)將機器學習應用于高級威脅檢測[N];中國科學報;2018年

2 編譯 晉楠;機器學習是“煉金術”？[N];中國科學報;2018年

3 CIO.com資深作家 Clint Boulton 編譯 Charles;領先一步:機器學習的10個成功案例[N];計算機世界;2018年

4 Bob Violino 編譯 Charles;盲目冒進:機器學習的5個失敗案例[N];計算機世界;2018年

5 本報駐波士頓記者 侯麗;深入挖掘機器學習潛力[N];中國社會科學報;2019年

6 王方 編譯;菌自何方 機器學習早知道[N];中國科學報;2019年

7 Matt Asay 編譯 Monkey King;為什么機器學習沒有捷徑可循？[N];計算機世界;2019年

8 本報記者 操秀英;當量子計算遇到機器學習會碰撞出什么火花？[N];科技日報;2019年

9 彭博企業(yè)數(shù)據(jù)業(yè)務全球負責人 Gerard Francis;金融數(shù)據(jù)質(zhì)量決定機器學習時代的投資回報[N];計算機世界;2019年

10 Isaac Sacolick 編譯 Charles;關于機器學習的5個要點[N];計算機世界;2019年

相關博士學位論文 前10條

1 王磊;基于機器學習的藥物—靶標相互作用預測研究[D];中國礦業(yè)大學;2018年

2 張慶;鈣鈦礦型功能材料的基因組工程研究[D];上海大學;2018年

3 管月;醫(yī)學腫瘤影像分類算法研究及其在肝癌上的應用[D];南京大學;2018年

4 郝小可;基于機器學習的影像遺傳學分析及其應用研究[D];南京航空航天大學;2017年

5 施建明;基于機器學習的產(chǎn)品剩余壽命預測方法研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2018年

6 陳再毅;機器學習中的一階優(yōu)化算法收斂性研究[D];中國科學技術大學;2018年

7 陸海進;Zr合金熱動力學研究及機器學習[D];上海大學;2018年

8 戴望州;一階邏輯領域知識與機器學習的結(jié)合研究[D];南京大學;2019年

9 符丹卉;基于MRI結(jié)構(gòu)成像與靜息態(tài)功能成像影像特征的機器學習法在AIDS患者中的應用研究[D];廣西醫(yī)科大學;2019年

10 Kashif Sultan（克希夫）;5G移動通信網(wǎng)絡中的呼叫記錄分析[D];北京科技大學;2019年

相關碩士學位論文 前10條

1 安延鑫;中文短文本情感分析的研究與實現(xiàn)[D];上海交通大學;2017年

2 余耀;微博用戶的用戶畫像研究與構(gòu)建[D];上海交通大學;2017年

3 吳珍珍;基于機器學習的無線通信解調(diào)研究[D];中國礦業(yè)大學;2019年

4 閆鋌鋌;機器學習在中國A股市場的量化策略研究[D];吉林大學;2019年

5 張詩晨;基于機器學習的電商在線消費者購買行為預測研究[D];吉林大學;2019年

6 王欣;基于機器學習的集成入侵分類器的設計與實現(xiàn)[D];長江大學;2019年

7 宋同峰;基于機器學習的腎病輔助診斷系統(tǒng)的研究[D];青島科技大學;2019年

8 王英杰;基于分形理論和機器學習的股票預測方法研究[D];河南理工大學;2018年

9 胡芳琴;基于機器學習的P2P網(wǎng)貸平臺違約風險預測實證研究[D];安慶師范大學;2019年

10 華琪;基于機器學習的智能建筑行為建模與預測方法研究[D];上海交通大學;2017年

本文編號：2767472