计步器学习

1.加速度传感器(Accelerometer sensor)


1)名词概念:

加速度传感器的单位:加速度(m/s^2) 方向传感器获取到的加速度是:手机运动的加速度与重力加速度(9.81m/s^2)的合加速度 另外重力加速度是垂直向下的!

关于这个不同方向合加速度的计算好像蛮复杂的,这里我们就不去纠结这个了!
先来看看加速度的value数组中的三个数的值吧~依旧是上节的代码,改下传感器而已~

水平放置:title=竖直平放:title=竖直横放:title=

从上面我们知道value数组的三个值分别对应X,Y,Z轴上的加速度!
好的,知道个大概,我们来写个简易计步器来熟悉下用法!

2).简易计步器的实现

运行效果图:

title=

代码实现:

布局代码:activity_main.xml:

[java]  view plain  copy
  1. <code class="language-XML"></code><button><code class="language-XML">  
  2.   
  3.   
  4. </code></button>  

MainActivity.java:

[java]  view plain  copy
  1. <code class="language-Java">public class MainActivity extends AppCompatActivity implements View.OnClickListener, SensorEventListener {  
  2.   
  3.     private SensorManager sManager;  
  4.     private Sensor mSensorAccelerometer;  
  5.     private TextView tv_step;  
  6.     private Button btn_start;  
  7.     private int step = 0;   //步数  
  8.     private double oriValue = 0;  //原始值  
  9.     private double lstValue = 0;  //上次的值  
  10.     private double curValue = 0;  //当前值  
  11.     private boolean motiveState = true;   //是否处于运动状态  
  12.     private boolean processState = false;   //标记当前是否已经在计步  
  13.   
  14.   
  15.     @Override  
  16.     protected void onCreate(Bundle savedInstanceState) {  
  17.         super.onCreate(savedInstanceState);  
  18.         setContentView(R.layout.activity_main);  
  19.         sManager = (SensorManager) getSystemService(SENSOR_SERVICE);  
  20.         mSensorAccelerometer = sManager.getDefaultSensor(Sensor.TYPE_ACCELEROMETER);  
  21.         sManager.registerListener(this, mSensorAccelerometer, SensorManager.SENSOR_DELAY_UI);  
  22.         bindViews();  
  23.     }  
  24.   
  25.     private void bindViews() {  
  26.   
  27.         tv_step = (TextView) findViewById(R.id.tv_step);  
  28.         btn_start = (Button) findViewById(R.id.btn_start);  
  29.         btn_start.setOnClickListener(this);  
  30.     }  
  31.   
  32.   
  33.     @Override  
  34.     public void onSensorChanged(SensorEvent event) {  
  35.         double range = 1;   //设定一个精度范围  
  36.         float[] value = event.values;  
  37.         curValue = magnitude(value[0], value[1], value[2]);   //计算当前的模  
  38.         //向上加速的状态  
  39.         if (motiveState == true) {  
  40.             if (curValue >= lstValue) lstValue = curValue;  
  41.             else {  
  42.                 //检测到一次峰值  
  43.                 if (Math.abs(curValue - lstValue) > range) {  
  44.                     oriValue = curValue;  
  45.                     motiveState = false;  
  46.                 }  
  47.             }  
  48.         }  
  49.         //向下加速的状态  
  50.         if (motiveState == false) {  
  51.             if (curValue <= lstValue) lstValue = curValue;  
  52.             else {  
  53.                 if (Math.abs(curValue - lstValue) > range) {  
  54.                     //检测到一次峰值  
  55.                     oriValue = curValue;  
  56.                     if (processState == true) {  
  57.                         step++;  //步数 + 1  
  58.                         if (processState == true) {  
  59.                             tv_step.setText(step + );    //读数更新  
  60.                         }  
  61.                     }  
  62.                     motiveState = true;  
  63.                 }  
  64.             }  
  65.         }  
  66.     }  
  67.   
  68.     @Override  
  69.     public void onAccuracyChanged(Sensor sensor, int accuracy) {}  
  70.   
  71.     @Override  
  72.     public void onClick(View v) {  
  73.         step = 0;  
  74.         tv_step.setText(0);  
  75.         if (processState == true) {  
  76.             btn_start.setText(开始);  
  77.             processState = false;  
  78.         } else {  
  79.             btn_start.setText(停止);  
  80.             processState = true;  
  81.         }  
  82.     }  
  83.   
  84.     //向量求模  
  85.     public double magnitude(float x, float y, float z) {  
  86.         double magnitude = 0;  
  87.         magnitude = Math.sqrt(x * x + y * y + z * z);  
  88.         return magnitude;  
  89.     }  
  90.   
  91.     @Override  
  92.     protected void onDestroy() {  
  93.         super.onDestroy();  
  94.         sManager.unregisterListener(this);  
  95.     }  
  96. }</code>  



2.陀螺仪传感器(Gyroscope sensor)


1)名词概念:

陀螺仪又叫角速度传感器,一般用来检测手机姿态的,好像手机中的陀螺仪传感器一般都是三轴的!
体感游戏用得最多,手机拍照防抖,GPS惯性导航,还有为APP添加一些动作感应(比如轻轻晃动手机
关闭来电铃声)等等,具体的可以自己去百度下~

陀螺仪传感器的单位:角速度(弧度/秒)radians/second 获得传感器用的是:Sensor.TYPE_GYROSCOPE

他的三个值依次是沿着X轴,Y轴,Z轴旋转的角速度,手机逆时针旋转,角速度值为正,顺时针则为负值!
经常用于计算手机已经转动的角度!这是网上的一段代码~

[java]  view plain  copy
  1. <code class="language-Java">private static final float NS2S = 1.0f / 1000000000.0f;  
  2. private float timestamp;  
  3.   
  4. public void onSensorChanged(SensorEvent event)  
  5. {  
  6.     if (timestamp != 0)  
  7.     {  
  8.         // event.timesamp表示当前的时间,单位是纳秒(1百万分之一毫秒)  
  9.         final float dT = (event.timestamp - timestamp) * NS2S;  
  10.         angle[0] += event.values[0] * dT;  
  11.         angle[1] += event.values[1] * dT;  
  12.         angle[2] += event.values[2] * dT;  
  13.     }  
  14.     timestamp = event.timestamp;  
  15. }</code>  
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值