使用智能手机数据集和LSTM RNN的人类活动识别（HAR）。 将运动类型分为以下六类： 步行， WALKING_UPSTAIRS， WALKING_DOWNSTAIRS， 坐下 常设， 铺设。 与传统方法相比，使用具有长短期记忆单元（LSTM）的递归神经网络（RNN）不需要或几乎不需要特征工程。 数据可以直接馈入神经网络，就像黑盒子一样，对问题进行正确建模。 关于活动识别数据集的可以使用大量的特征工程，这是一种结合了经典数据科学技术的信号处理方法。 就数据预处理量而言，此处的方法非常简单。 让我们使用Google简洁的深度学习库TensorFlow演示LSTM的用法，LSTM是一种可以处理顺序数据/时间序列的人工神经网络。 视频数据集概述 点击此链接可观看其中一位参与者在实验中记录的6个活动的视频： 有关输入数据的详细信息 我将在数据上使用LSTM进行学习（作为连接在腰部的手机），以识别用户正在进行的活动类型。 数据集的描述如下： 传感器信号（加速度计和陀螺仪）通过应用噪声滤波器进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中采

不确定信息的表示和若干个信息的综合是不确定性推理的主要问题，D-S证据理论为不确定信息的表示提供了一个很好的框架，其组合规则在大多数情况下是合理的。但是由于人为或自然环境等因素，信息融合系统中收集的证据常常有较大的冲突，这时使用传统的Dempster组合规则无法有效地处理这些冲突证据。本文总结分析了相关的国内外典型文献的改进思想，并进行系统条理的分析，为证据理论的发展和改进提供了有价值的参考，并为证据理论在不确定性推理方法奠定了良好的基础。

针对矿井安全监测数据不准确、安全评判不可靠的问题,提出了一种基于多传感器数据融合的两级数据融合方法。一级融合先利用分批估计算法对单个传感器数据进行处理,提高数据采集的准确性,再采用自适应加权算法对同类多个传感器数据进行处理,获得矿井各环境参数的融合值;二级融合将矿井各环境参数的融合值与矿井安全标准特征向量进行灰色关联度分析,得到矿井安全状况的一致估计。实例验证了该方法的可行性和有效性。

近日学习STM32串口通信，手上又有现成的PM2.5传感器和蓝牙HC-06模块，于是做了一个小型的空气检测并通过蓝牙实时往手机发送的小系统，并且通过L298N电机驱动可以控制一个电机进行空气清新，因为电机还没到，而且空气净化的过滤器也没有，所以我这个暂时只是一个简单的实现空气净化的模拟机，具体的空气过滤环节还请读者自行设计。 程序的话，我在这儿就不粘出来了，下载了那个包都能看见，接线也在包里，四个按键的作用都有说明，我在这儿就不一一解释了，那个传感器可以测PM2.5和PM10,一秒发送十个字节，其中四个字节是有效的数据，如果购买传感器的话，都会有的，具体实现的功能很简单，就控制电机转的三个挡位，还有一个实时发送数据并自动控制电机的挡位，如果想要PM10数据的读者可自行设计一下。

内部含有GP2Y1010AU_设计参考指南及原理手册和GP2Y1010AU0F_datasheet手册

在这个项目中，我已经将DHT11与Arduino进行了接口，然后将湿度和温度的DHT11数据发送到phpmyadmin数据库。

通过安卓手机APP获取手机的加速度传感器数据，并把数据通过socket发送给电脑服务端。此应用程序为电脑服务端程序，能够动态接收手机端app发送过来的加速度数据信息，并将加速度信息以折线图的形式动态显示在服务端。

通过STM32的串口读取PM2.5传感器的数据，然后打印的串口调试助手

STM32L BC26开发板 NBIot学习例程

自己写的用SPI读取传感器的输出，并通过ECAN送出来。用到这两个外设的，改改就可以使用