| 题名 | 基于LSTM的智能手机运动轨迹识别研究 |
| 作者 | 张乐 |
| 答辩日期 | 2018 |
| 导师 | 包广斌 |
| 关键词 | 人机交互 智能手机 运动轨迹 深度学习 LSTM |
| 学位名称 | 硕士 |
| 英文摘要 | 基于惯性传感器的运动轨迹识别技术是近年来兴起的一种新型手势识别技术,综合了较强的抗干扰能力和可扩展性等优点,在很多领域,特别是人机交互领域有着广阔的应用前景。深度学习模型可以在自动提取数据关键特征的同时构建识别模型,成为提高识别系统性能的一种有效方法,是近年来解决基于惯性传感器的运动轨迹识别领域的一个研究热点。大量关于惯性传感器运动轨迹识别技术的理论研究都是先从惯性传感器信号中人工提取关键特征,再根据这些特征建立识别模型实现运动轨迹识别。然而,受传感器材料,制造工艺,操作误差等因素的影响,获取的惯性传感器信号成分复杂,人工特征提取方法往往难以提取到较好的关键特征信息,造成传统识别模型识别率较低。基于识别结果不理想这一现状,本文以智能手机为采集及应用平台,在分析了智能手机惯性传感器信号组成成分的基础上,针对人工特征提取难度大,传统模型识别率较低的问题,重点研究了利用深度学习技术实现智能手机的运动轨迹识别。主要研究工作包括:(1)在采集了智能手机运动轨迹数据的基础上,通过对这些数据进行一系列预处理操作:数据剔除与格式转换,数据规整,归一化和去除重力加速度分量,构建了基于智能手机加速度传感器的运动轨迹数据集及基于智能手机加速度传感器和陀螺仪的运动轨迹数据集,并且每个数据集的样本数据高达5500条。(2)利用Tensor Flow框架建立了LSTM(Long Short-Term Memory,长短时记忆网络)模型,使用构建的两种数据集训练模型并调整模型参数,得到了基于智能手机加速度传感器运动轨迹识别的L3-50模型及基于智能手机加速度传感器和陀螺仪运动轨迹识别的L5-70模型。(3)以智能车为实验平台,利用智能手机运动轨迹识别模型构建了人车交互系统,实现了一种可实时切换导航模式的双导航系统,其中基于视觉的自主导航模式能胜任一般环境下的导航任务,且能有效克服背光阴影、光照不均衡等环境干扰问题,基于智能手机运动轨迹的手动导航模式能胜任复杂环境下的导航任务。两种导航模式结合效果良好,对智能车辅助驾驶系统研究具有一定的应用价值。 |
| 语种 | 中文 |
| 页码 | 70 |
| URL标识 | 查看原文 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/94108]  |
| 专题 | 兰州理工大学 |
| 作者单位 | 兰州理工大学 |
| 推荐引用方式 GB/T 7714 | 张乐. 基于LSTM的智能手机运动轨迹识别研究[D]. 2018. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论