加载示例数据集

加载humanactivity数据集。

负载humanactivity

的humanactivity数据集包含24075个观察5个不同的物理人类活动:坐、站立、行走、跑步、和跳舞。每个观察60特性提取加速度数据衡量智能手机加速计传感器。数据集包含以下变量:

传感器HAR(人类活动识别)应用程序[1]是用于创建humanactivity数据集。在测量这个程序的原始加速度数据,一个人把智能手机放在口袋里,这样屏幕智能手机上下颠倒,面临着向人。软件则相应地校准测量原始数据提取的60特性校准数据。校准和特征提取的详细信息,请参见[2]和[3],分别。仿真软件万博1manbetx模型描述后也使用原始加速度数据,包括块校准和特征提取。

准备数据

这个示例使用90%的观察来训练一个分类的模型的五种类型的人类活动和10%的观察来验证训练模型。使用cvpartition(统计和机器学习的工具箱)指定一个抵抗10%测试集。

rng (“默认”)%的再现性分区= cvpartition (actid,“坚持”,0.10);trainingInds =培训(分区);%训练集的指标XTrain =壮举(trainingInds:);YTrain = actid (trainingInds);testInds =测试(分区);%测试集的指标XTest =壮举(testInds:);欧美= actid (testInds);

将特征矩阵XTrain和响应向量YTrain到表中加载的训练数据集分类学习者应用。

tTrain = array2table ([XTrain YTrain]);

指定表的每一列的变量名。

tTrain.Properties。VariableNames = [featlabels '“活动”];

使用分类学习者应用训练提高了树合奏

训练分类模型用分类学习者应用。打开分类学习者应用,进入classificationLearner在命令行中。或者,单击应用程序选项卡,然后单击右侧的箭头应用程序部分打开画廊。然后,在机器学习和深度的学习,点击分类学习者。

在分类学习者选项卡,文件部分中,点击新会话并选择从工作空间。

新会话从工作区对话框中,单击箭头数据集变量,然后选择表tTrain。分类学习者从表中检测到预测和响应。

默认的选项是5倍交叉验证,防止过度拟合。点击开始会议。分类学习者加载数据集和阴谋的散点图前两个功能。

在分类学习者选项卡中,单击右侧的箭头模型类型部分打开画廊。然后,在集成分类器,点击提高了树。

的当前模型的总结窗格显示默认设置了树的整体模型。

在分类学习者选项卡,培训部分中,点击火车。培训完成后,模型窗格显示的5倍,旨在分类精度。

在分类学习者选项卡,出口部分中,点击出口模式,然后选择出口紧凑的模型。点击好吧在对话框中。结构trainedModel出现在MATLAB®工作区。这个领域ClassificationEnsemble的trainedModel包含了紧凑的模型。提取训练模型的结构。

classificationEnsemble = trainedModel.ClassificationEnsemble;

训练提高了树合奏在命令行

或者,您可以训练分类模型在命令行一样。

模板= templateTree (“MaxNumSplits”,20岁,“复制”,真正的);classificationEnsemble = fitcensemble (XTrain YTrain,…“方法”,“AdaBoostM2”,…“NumLearningCycles”30岁的…“学习者”模板,…“LearnRate”,0.1,…“类名”,(1;2;3;4;5);

执行5倍交叉验证对classificationEnsemble和计算验证精度。

partitionedModel = crossval (classificationEnsemble,“KFold”5);validationAccuracy = 1-kfoldLoss (partitionedModel)

validationAccuracy = 0.9833

评估性能测试数据

评估性能的测试数据集。

testAccuracy =第一(classificationEnsemble XTest、欧美)

testAccuracy = 0.9759

训练模型正确分类97.59%的人类活动对测试数据集。这一结果确认了训练模型并不overfit训练数据集。

请注意,根据您的操作系统精度值会略有不同。

保存训练模型

等代码生成一个分类模型对象,使用saveLearnerForCoder(统计和机器学习的工具箱)和loadLearnerForCoder(统计和机器学习的工具箱)。

通过使用保存训练模型saveLearnerForCoder(统计和机器学习的工具箱)。

saveLearnerForCoder (classificationEnsemble“EnsembleModel.mat”);

功能块predictActivity在加载训练模型万博1manbetx,利用仿真软件模型loadLearnerForCoder(统计和机器学习的工具箱)并使用训练模式对新数据进行分类。

仿真软件模型部万博1manbetx署到设备

现在您已经准备好一个分类模型,您可以打开仿真软件模型,这取决于类型的智能手机,你的设备和部署模型。万博1manbetx需要注意,仿真软件模型万博1manbetxEnsembleModel.mat文件和校准矩阵文件slexHARAndroidCalibrationMatrix.mat或slexHARiOSCalibrationMatrix.mat。如果单击按钮位于这个页面的右上角部分并在MATLAB中打开这个例子,然后用MATLAB打开文件夹,包括这些校准矩阵文件示例。

类型slexHARAndroidExample打开部署Android仿万博1manbetx真软件模型。

类型slexHARiOSExample打开模型为iOS部署模型万博1manbetx。您可以打开模型在Mac OS平台上。

人类活动这两个仿万博1manbetx真软件模型分类基于加速度数据衡量智能手机的传感器。模型包括以下模块:

将仿真软件模型部署到你的设备万博1manbetx,遵循的步骤Android设备上运行模型或苹果的iOS设备上运行模型(万博1manbet万博1manbetxx仿真软件支持包为苹果iOS设备)。在你的设备上运行模型,将设备以同样的方式如前所述训练数据收集,并试着五个活动。该模型显示相应分类活动。

为了保证模型的准确性,你需要把你的设备以同样的方式作为收集的训练数据的描述。如果你想把你的设备在一个不同的位置或方向,然后用你自己的方式收集数据,用数据来训练分类模型。

模型的准确性可以不同的准确性测试数据集(testaccuracy),这取决于设备。改进模型,您可以考虑使用额外的传感器和更新校正矩阵。同样,你可以添加另一个输出块音频反馈输出子系统使用音频工具箱™。使用ThingSpeak™编写发布分类活动和加速度数据块从你的设备到物联网。有关详细信息,请参见https://thingspeak.com/。

引用

a [1] El Helou传感器HAR识别应用。MathWorks文件交换//www.tianjin-qmedu.com/matlabcentral/fileexchange/54138-sensor-har-recognition-app

[2]意法半导体,AN4508应用程序。“参数和标定low-g使用硬件加速计。2014。

[3]El Helou传感器数据分析。MathWorks文件交换//www.tianjin-qmedu.com/matlabcentral/fileexchange/54139-sensor-data-analytics--french-webinar-code-