对于智能设备中的传感器的偏差规范化

科学领域:

• 传感器的融合和校准.
• 移动设备传感技术 移动设备传感技术
• 机器学习用于传感器数据分析.

背景情况:

• 现代电子设备依赖于各种各样的传感器,用于各种应用.
• 传感器测量在不同的设备模型中因偏差 (偏差,尺度,漂移) 而有显著差异.
• 偏移偏差是一个常见的问题,在跨设备传感器应用中降低了性能.

研究的目的:

• 为了解决基于序列的传感器应用中的偏移偏差尚未解决的问题.
• 提出和评估新的算法,以消除来自传感器数据序列的偏移偏差.
• 在各种智能手机机型号中提高基于传感器的应用程序的性能和准确性.

主要方法:

• 根据绝对或相对参考值对传感器进行分类.
• 开发初始值移除和平均移除算法,用于抵消偏差规范化.
• 在基于地磁的室内定位系统 (IPS) 中使用LSTM模型和光传感器数据进行评估.

主要成果:

• 在不同智能手机型号中,偏差正常化大大减少了IPS中的平均定位误差,从高达18.21m降至0.68m以下.
• 使用光传感器数据的智能手机状态 (口袋与手持) 的检测精度从42.3%提高到97.6%,偏差正常化.
• 拟议的算法在各种设备模型中表现出有效性,而不需要对特定模型的值进行调整.

结论:

• 抵消偏差显著影响基于序列的传感器应用程序,特别是在室内定位和状态检测中.
• 提出的初始值删除和平均值删除算法有效地减轻了跨不同设备的偏移偏差.
• 这项工作使智能手机上的基于传感器的应用程序更强大,更准确,无论设备型号的变化如何.