资源描述：
《本科毕业设计---基于惯性传感器的运动识别系统.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、西北工业大学明德学院本科毕业设计论文摘要基于惯性传感器的运动识别系统是模式识别的一个新兴领域，克服了传统基于视频的动作识别的诸多缺点和限制，具有更高的可操作性和实用性。所以本文首先着重介绍了如何利用惯性传感器进行动作的分类，及其原理。在对运动进行识别的算法中，比较常用的算法有神经网络、支持向量机、隐马尔科夫模型等，这些算法不是很直观，而且相对来说比较复杂，因此本文采用的是k-means均值聚类算法，本文的工作流程如下：首先通过握在被测实验对象手中的惯性传感器采集动作信息，然后通过无线传输模块将数据传输到PC机，进而对数据进行动作自动截取和动作特征提取，
2、最后利用选定的识别算法对动作进行识别。在本文中，用于实现动作识别的几种动作为向上、向下、向左、向右和画圈，随后对该动作进行动作捕捉，并采用快速傅里叶变换（FastFourierTransform,FFT）进行特征提取，最后采用K-means均值聚类进行识别，识别率为69%。本文的重点在于数据的特征提取，及惯性传感器的运动识别，分别用到了快速傅里叶变换，及K-mean均值聚类两种算法。关键词：惯性传感器，K-means均值聚类,FFT43西北工业大学明德学院本科毕业设计论文ABSTRACTInertialsensorbasedmotionrecognit
3、ionsystemisanemergingfield.Itovercomesthedisadvantageoftraditionalvideobasedgesturerecognition,andhashighermaneuverabilityandpracticability.Sothisarticleintroduceshowtoclassifymotionswithinertialsensor,anditsworkingprinciple.ThemostcommonalgorithmformotionrecognitionisNeuralNetw
4、orks(NN),supportvectormachine(SVM),hiddenMarkovmodels(HMM),etc..Thesealgorithmsarenotsointuitiveandrelativelycomplexinalgorithm.Sothispaperadoptsk-meansclusteringforinertialsensorbasedmotionrecognition.Theworkflowisasflows:firstofall,theinertialsensorfixedinsubjects’handisusedto
5、collectmotioninformation;andthen,thedataistransmittedtoPCbywirelesstransmissionmodule,followedbydatapreprocessing,featureextractionandselection.Finally,themotionisrecognizedbyk-meansclustering，Thispaperexploitstheinertialsensorsfortherecognitionofthefollowingmotions:up,down,left
6、,rightandthecircle.ThealgorithmusedforfeatureselectionisFastFourierTransform(FFT),andthealgorithmforrecognitionisK-meansclustering.Sothisarticleisfocusedonfeatureextraction,andmotionrecognition.ThecorrespondingalgorithmsarefastFouriertransform,andK-meansclusteringalgorithm.KEYWO
7、RDS：Inertialsensors,K-meansclustering,FFT43西北工业大学明德学院本科毕业设计论文目录第一章前言41.1研究的背景和意义41.2基于惯性传感器的运动识别国内外现状51.3传感器的分类61.4本文的组织结构10第二章数据采集和特征提取算法122.1惯性传感器的结构122.2数据采集122.3数据的特征提取132.4离散傅里叶变换(DFT)162.4.1快速傅里叶变换(FFT)172.4.2快速傅里叶变换FFT的应用182.4.3算法基本原理19第三章基于惯性传感器的运动识别213.1运动识别主要算法213.2K-m
8、eans算法介绍223.3K－means文本聚类算法优化233.4初始聚类中心的选择243.5
