用libsvm做模式识别

需求：能够识别的手拿着手机是否按照特定路径晃动

 

实现步骤：

第1天：与其它同事讨论需求，可行性，分工，最终确定由我在系统框架层实现识别算法，给应用层提供广播事件，开会完立即着手开发数据采集工具，选用工具为python+opencv,数据来源为g-sensor的原始数据，幸运的是这些数据在现有的log里面已经存在，只需要做简单的字符串过滤就能得到，一个小时后，采集工具雏形完成，能够通过曲线很直观的观测到传感器3个坐标轴的数据变化，为后期数据分析，采集，学习，验证打下了很好的基础，做了几个简单的实验，通过观察没有明显的规律，看来得借助统计识别

 

第2天：通过对神经网和svm两者的比较，选择的更适合的svm来做后期的模式识别,上网，寻找可用的svm库，通过比对，选择了易用的libsvm。从数据规律上得出数据采集的算法，当数值变化超过某一阈值则进入采集，对应的用户行为是开始晃动手机，当数值变化较小的时候，用户停止晃动，则采集结束，同时通过键盘明确告知当前的这组数据的模式类别，完成一次采集，将采集的数据按照libsvm的要求格式保存。保存了10多组特征数据，执svm行命令行进行训练，再用命令行验证，100%的识别率，比较欣慰，但将预测代码放入python中时，发现结果完全错误，不解

 

第3天：通过对简单的svm识别过程分析，发现libsvm文档中介绍的数据矢量都是从1开始标注，而用python编程实现svm的学习，识别过程却是从0开始，文档中未曾提及（我没仔细看），所以有了识别全错的结果，动手将采集系统的保存模块重新写过，重新采集，重新识别，成功。之后进行大量样本的采集，然后识别，识别率下降到了94%，还好能接受，发邮件，向大家广播这个好消息

第4天: boss来了，检查效果，右手效果很好，换左手，发现基本识别不了，汗，解释道，我没做左手的数据采集，boss走了，重新采集数据，左右开弓，重新学习，数据采集量过百，识别率降到93%，前期工作完成

 

后期工作：将svm预测功能放入手机中，使其能够真正使用，现在正在评估java,c语言用哪个好些。