基于Arduino和神经网络的智能拳击手套设计方法
发布时间：2021-01-11 08:05
本文提出一种基于Arduino单片机和神经网络的智能拳击手套设计方法。该方法采用Arduino单片机内含的姿态传感器采集三轴加速度数据,首先将采集的标准模型数据输入Curie神经网络芯片进行学习训练,然后将采集的动作数据输入训练好的网络进行判决,最后通过蓝牙端口将判决结果显示在电脑端的Arduino IDE。实验表明,本系统能准确识别直拳、勾拳、摆拳三种基本的拳击动作。
【文章来源】：阜阳师范学院学报(自然科学版). 2020,37(03)
【文章页数】：5 页
【部分图文】：
预处理后数据
本文的设计思路为：首先采集标准拳击动作的三轴加速度值，对这一组加速度值进行特征抽取，以此建立标准动作的模型。将已建立的标准模型输入神经网络进行学习（训练），然后将出拳人的运动数据实时采集并再次进行特征抽取（与标准模型算法一致），最后将输出的特征数据送入训练好的神经网络，通过网络判别该组数据与标准动作的相似度，从而对该次动作做出判决，其中神经网络的识别与判断使用Curie芯片完成。具体实施方案如图1所示。2 基础硬件设计
Curie神经网络学习和识别的功能基于两种模式，分别是RBF(radial basis function）模式和KNN(k-nearest neighbor)模式[12]。当处在学习状态下，RBF和KNN公用一套学习机制，随着不同类别的向量的学习，不停修正自己。当处在识别状态时RBF和KNN有两种识别方式，如图2,(a）图表示空间被部分地映射为未分类的区域，具有多种颜色的区域是不确定区域。（b）图表示整个空间被映射，并且每个位置都有一个可能的类别（颜色代码）。RBF的识别方式为：若待识别的向量落在未知类别的作用域，会返回unknown；若落在已知类别的作用域上，则分别计算与其每一个类别中心的距离值，并返回列表，列表按照与每一个类别中心的距离值依次递增而排列。KNN的识别方式为：若待识别的向量落在未知类别的作用域，只会返回一个确定的落在已知域的类别，而且一定会返回一个已知类别，因为它不存在unknown。本系统设计选取RBF模式的学习和识别模式。软件实现过程如图3。图3 动作学习和识别流程
【参考文献】：
期刊论文
[1]Traffic prediction using a self-adjusted evolutionary neural network[J]. Shiva Rahimipour,Rayehe Moeinfar,Mehdi Hashemi. Journal of Modern Transportation. 2019(04)
[2]基于神经网络的机器人激光传感定位技术[J]. 刘晓刚,张斌. 激光杂志. 2019(11)
[3]基于超像素多特征融合的快速图像分割算法[J]. 侯小刚,赵海英,马严. 电子学报. 2019(10)
[4]基于MSP430的智能数据采集系统[J]. 岳洋,焦运良,邢计元. 信息技术与网络安全. 2019(10)
[5]基于Arduino的全地形赛车多功能仪表系统[J]. 张晓晓,马其华,何晨曦,王悦凡,韩惠羽. 传感器与微系统. 2019(08)
[6]基于Qt/C++的实时库测试系统[J]. 张玉中,浮明军,李国杰,常卫,杨丰源,谷威. 计算机系统应用. 2019(07)
[7]基于Arduino的单相用电器分析检测装置设计[J]. 王瑞琦. 自动化与仪表. 2019(06)
[8]模糊函数主脊切面极坐标域形态特征提取方法[J]. 普运伟,郭媛蒲,侯文太,马蓝宇. 仪器仪表学报. 2018(10)
[9]一种基于正则化和改进GMRES技术的图像复原算法[J]. 丁伯伦,凌婷婷,刘树德. 阜阳师范学院学报(自然科学版). 2018(03)
[10]基于多传感器耦合的客船应急疏散系统研究[J]. 马全党,刘森,苏昂,谭恒涛,谢娜. 自动化与仪表. 2018(07)
本文编号：2970402
【文章来源】：阜阳师范学院学报(自然科学版). 2020,37(03)
【文章页数】：5 页
【部分图文】：
预处理后数据
本文的设计思路为：首先采集标准拳击动作的三轴加速度值，对这一组加速度值进行特征抽取，以此建立标准动作的模型。将已建立的标准模型输入神经网络进行学习（训练），然后将出拳人的运动数据实时采集并再次进行特征抽取（与标准模型算法一致），最后将输出的特征数据送入训练好的神经网络，通过网络判别该组数据与标准动作的相似度，从而对该次动作做出判决，其中神经网络的识别与判断使用Curie芯片完成。具体实施方案如图1所示。2 基础硬件设计
Curie神经网络学习和识别的功能基于两种模式，分别是RBF(radial basis function）模式和KNN(k-nearest neighbor)模式[12]。当处在学习状态下，RBF和KNN公用一套学习机制，随着不同类别的向量的学习，不停修正自己。当处在识别状态时RBF和KNN有两种识别方式，如图2,(a）图表示空间被部分地映射为未分类的区域，具有多种颜色的区域是不确定区域。（b）图表示整个空间被映射，并且每个位置都有一个可能的类别（颜色代码）。RBF的识别方式为：若待识别的向量落在未知类别的作用域，会返回unknown；若落在已知类别的作用域上，则分别计算与其每一个类别中心的距离值，并返回列表，列表按照与每一个类别中心的距离值依次递增而排列。KNN的识别方式为：若待识别的向量落在未知类别的作用域，只会返回一个确定的落在已知域的类别，而且一定会返回一个已知类别，因为它不存在unknown。本系统设计选取RBF模式的学习和识别模式。软件实现过程如图3。图3 动作学习和识别流程
【参考文献】：
期刊论文
[1]Traffic prediction using a self-adjusted evolutionary neural network[J]. Shiva Rahimipour,Rayehe Moeinfar,Mehdi Hashemi. Journal of Modern Transportation. 2019(04)
[2]基于神经网络的机器人激光传感定位技术[J]. 刘晓刚,张斌. 激光杂志. 2019(11)
[3]基于超像素多特征融合的快速图像分割算法[J]. 侯小刚,赵海英,马严. 电子学报. 2019(10)
[4]基于MSP430的智能数据采集系统[J]. 岳洋,焦运良,邢计元. 信息技术与网络安全. 2019(10)
[5]基于Arduino的全地形赛车多功能仪表系统[J]. 张晓晓,马其华,何晨曦,王悦凡,韩惠羽. 传感器与微系统. 2019(08)
[6]基于Qt/C++的实时库测试系统[J]. 张玉中,浮明军,李国杰,常卫,杨丰源,谷威. 计算机系统应用. 2019(07)
[7]基于Arduino的单相用电器分析检测装置设计[J]. 王瑞琦. 自动化与仪表. 2019(06)
[8]模糊函数主脊切面极坐标域形态特征提取方法[J]. 普运伟,郭媛蒲,侯文太,马蓝宇. 仪器仪表学报. 2018(10)
[9]一种基于正则化和改进GMRES技术的图像复原算法[J]. 丁伯伦,凌婷婷,刘树德. 阜阳师范学院学报(自然科学版). 2018(03)
[10]基于多传感器耦合的客船应急疏散系统研究[J]. 马全党,刘森,苏昂,谭恒涛,谢娜. 自动化与仪表. 2018(07)
本文编号：2970402
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/2970402.html
