侵权投诉
当前位置:

OFweek传感器网

MEMS传感

正文

光确认眼神还不够 AI和MEMS传感器匹配很关键

导读: 消费类产品制造商如何挖掘MEMS惯性传感器(目前已经在终端用户设备中获得广泛应用)的内建功能,以充分利用人工智能?

当前,人工智能(Artificial intelligence,AI)概念火热,已经成为头条常客。据麦姆斯咨询预测,人工智能市场规模预计将从2018年的214.6亿美元增长到2025年的1906.1亿美元,在此期间内的复合年增长率高达36.62%。人工智能可以提供各种广泛的功能,包括位置和运动感知——确定用户的状态,例如是否处于站立、行走、跑步或睡眠状态等。而在这些应用的背后,是人工智能在不断采集的大量数据。智能手机、可穿戴产品和运动追踪器制造商,以及相关应用开发商,都在争夺这些数据,因为这些数据能够帮助它们深入分析真实用户的行为。制造商通过从中挖掘这种智慧获得了竞争优势——利用它来提高用户的参与度,增加了设备的感知价值,潜在地减少了客户流失。

光确认眼神还不够 AI和MEMS传感器匹配很关键

消费类产品制造商如何挖掘MEMS惯性传感器(目前已经在终端用户设备中获得广泛应用)的内建功能,以充分利用人工智能?

光确认眼神还不够 AI和MEMS传感器匹配很关键

博世6轴惯性测量单元逆向分析

图片源自:《苹果iPhone X中的博世6轴IMU》

机器学习

消费类产品制造商可以利用常用的智能传感器和开源软件,轻松地构建一款用户活动分类引擎。例如,通过MEMS惯性传感器收集原始数据的活动追踪器,已经广泛装配在智能手机、可穿戴产品及其他消费类产品中。

凭借这些构建模块,消费类产品制造商可以应用机器学习技术来对数据进行分类和分析。目前已有从逻辑回归到深度学习神经网络等多种可行的方案。

一种在人工智能应用中用于对序列进行分类且已获得充分证明的方法,便是支持向量机(Support Vector Machines,SVM)。用户无论是步行还是体育运动等身体活动,由MEMS传感器收集的数据都包含某种特定序列重复的运动。MEMS传感器可以很好的利用这些数据,方便地处理成可利用SVM进行分类的结构良好的模型。

由于SVM模型简单易用且易于扩展和预测,获得了消费类产品制造商的青睐。利用SVM建立多个同步进行的实验,对多种复杂真实数据集进行分类优化,远比其它方案简单。SVM还能为底层分类带来广阔的尺寸和性能优化。

1  2  下一页>  
声明: 本文系OFweek根据授权转载自其它媒体或授权刊载,目的在于信息传递,并不代表本站赞同其观点和对其真实性负责,如有新闻稿件和图片作品的内容、版权以及其它问题的,请联系我们。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号