kinect注入 Kinect和IMU传感器数据的记录器和分类

DHT12 数字式温湿度传感器是一款含有已校准数字信号输出 的温湿度复合型传感器，为 DHT11 的升级产品。它应用专用的数 字模块采集技术和温湿度传感技术，确保产品具有较高的可靠性与 卓越的长期稳定性。 DHT12 具有单总线和标准 I 2 C 两种通讯，且单总线通讯方式完 全兼容 DHT11。标准单总线接口，使系统集成变得简易快捷。具 有超小的体积、较低的功耗，适合多种多样的应用场合。I 2 C 通信 方式采用标准的通信时序，用户可直接挂在 I 2 C 通信总线上，无需 额外布线，使用简单。两种通信方式可自由切换，用户可自由选择， 使用方便，应该领域广泛。产品为 4 引线，连接方便，特殊封装形 式可根据用户需求而提供。

此示例展示了如何捕获 Android 移动设备（例如手机或平板电脑）的加速。 加速度是一个三维量，表示移动设备各轴上的加速度。 该示例显示了如何访问加速度的当前值，还演示了如何绘制记录的加速度值。 然后在 MATLAB 中进一步分析数据，以确定该人在数据收集期间走了多少步。 此示例要求用户首先安装适用于 Android 传感器的 MATLAB 支持包，可在此处获得： http://www.mathworks.com/matlabcentral/fileexchange/40876 要使用此示例，您还需要从 Google Play 下载移动应用程序：Takashi, Sasaki 的 SensorUdp 应用程序。 有关从 Android 设备获取传感器数据的更多信息，请参阅以下资源页面： http://www.mathworks.com/android-sensor

适合对STM32F1系列（芯片为stm32f103c8t6）对ADC,DMA的初学者使用，对理解代码结构以及外设的读取有更深入的了解，工程文件已调试完成，可以直接下载使用

在无线传感器数据融合技术中,为了实现端到端数据传输完整性验证,在同态认证技术不适用于多源多消息的背景下,利用同态哈希函数和聚合签名思想,提出一个基于身份的数据完整性验证技术。技术基于公钥密码体制,进一步提高了系统的安全性;基站可以验证来自不同传感器节点拥有不同私钥的消息,也可以根据收到的融合消息计算出每个传感器节点的权重。安全性分析表明,该安全数据融合协议能在融合数据的同时保障数据完整性与可认证性。数值结果说明该算法在传感器节点的计算效率优于已有的方案。

1. 项目进度 桌面Mini时钟项目用来演示如何使用RT-Thread Stduio开发项目，整个项目的架构如下： 在上一篇博文中简单的介绍了RT-Thread Studio一站式工具，基于STM32L431RCT6这个芯片创建工程，并修改时钟为使用外部时钟。 使用RT-Thread Studio DIY 迷你桌面时钟（一）| 基于STM32芯片创建工程 接下里我们开始添加I2C设备，添加SHT3x软件包，获取SHT3x温湿度传感器数据。 2. 添加I2C设备 2.1. 打开I2C设备驱动框架 双击左侧 RT-Thread Setting 文件，即可打开RT-Thread图形化配置工具，软件

基于单片机实现压力式水位传感器数据的采集与量化。非常好的学习资料。

人体姿态识别在人机交互, 游戏以及医疗健康等领域有着深远意义, 基于便携式传感器进行多种人体姿态高精度的稳定识别是该领域的研究难点. 本文采集了8种姿态的高频传感器数据, 提取原始数据的窗口时域特征组成数据集. 根据人体姿态的传感器数据特点将人体姿态划分为4个阶段, 使用高斯混合模型(Gaussian Mixture Model, GMM)拟合人体姿态的观测序列, 结合隐马尔可夫模型(Hidden Markov Model, HMM), 利用GMM-HMM算法进行姿态识别. 本文对比了不同窗口值下的一阶隐马尔可夫模型(1 Order Hidden Markov Model, 1OHMM)和二阶隐马尔可夫模型(2 Order Hidden Markov Model, 2OHMM)的效果, 当窗口值为8时, 2OHMM的性能最优, 整体召回率达到了95.30%, 平均准确率达到了95.23%. 与其它研究相比, 本文算法能识别的姿态种类较多, 算法识别性能较佳且算法耗时较短.

TGS813是一种可燃气体传感器，具有寿命长、成本低的特点。介绍了TGS813的工作原理和内部结构，并给出了在多路数据采集电路中的具体应用。

行人跟踪使用LiDAR传感器 客观的 利用来自LIDAR测量的传感器数据进行卡尔曼滤波器的行人跟踪。 状态预测 x'= Fx +ν方程为我们进行了这些预测计算。 过程噪声是指预测步骤中的不确定性。 我们假设物体以恒定的速度行进，但实际上，物体可能会加速或减速。 ν〜N（0，Q）符号将过程噪声定义为均值为零且协方差为Q的高斯分布。 当我们在一秒钟后预测位置时，不确定性就会增加。 P'= FPFT + Q表示不确定性的增加。 因为我们的状态向量仅跟踪位置和速度，所以我们将加速度建模为随机噪声。 Q矩阵包含时间Δt，以说明随着时间的流逝，我们对位置和速度的不确定性越来越大。 因此，随着Δt的增加，我们向状态协方差矩阵P添加更多不确定性。 结合先前推导的2D位置和2D速度方程式，我们得到： 由于加速度是未知的，因此我们可以将其添加到噪声分量中，并且该随机噪声将被解析地表示为上面得出的方程