光確認眼神還不夠 AI和MEMS傳感器匹配很關鍵

發布時間： 2018-10-01 20:37:19

導讀： 消費類產品制造商如何挖掘MEMS慣性傳感器（目前已經在終端用戶設備中獲得廣泛應用）的內建功能，以充分利用人工智能？

當前，人工智能（Artificial intelligence，AI）概念火熱，已經成為頭條?？?。據麥姆斯咨詢預測，人工智能市場規模預計將從2018年的214.6億美元增長到2025年的1906.1億美元，在此期間內的復合年增長率高達36.62%。人工智能可以提供各種廣泛的功能，包括位置和運動感知——確定用戶的狀態，例如是否處于站立、行走、跑步或睡眠狀態等。而在這些應用的背后，是人工智能在不斷采集的大量數據。智能手機、可穿戴產品和運動追蹤器制造商，以及相關應用開發商，都在爭奪這些數據，因為這些數據能夠幫助它們深入分析真實用戶的行為。制造商通過從中挖掘這種智慧獲得了競爭優勢——利用它來提高用戶的參與度，增加了設備的感知價值，潛在地減少了客戶流失。

消費類產品制造商如何挖掘MEMS慣性傳感器（目前已經在終端用戶設備中獲得廣泛應用）的內建功能，以充分利用人工智能？

博世6軸慣性測量單元逆向分析

圖片源自：《蘋果iPhone X中的博世6軸IMU》

機器學習

消費類產品制造商可以利用常用的智能傳感器和開源軟件，輕松地構建一款用戶活動分類引擎。例如，通過MEMS慣性傳感器收集原始數據的活動追蹤器，已經廣泛裝配在智能手機、可穿戴產品及其他消費類產品中。

憑借這些構建模塊，消費類產品制造商可以應用機器學習技術來對數據進行分類和分析。目前已有從邏輯回歸到深度學習神經網絡等多種可行的方案。

一種在人工智能應用中用于對序列進行分類且已獲得充分證明的方法，便是支持向量機（Support Vector Machines，SVM）。用戶無論是步行還是體育運動等身體活動，由MEMS傳感器收集的數據都包含某種特定序列重復的運動。MEMS傳感器可以很好的利用這些數據，方便地處理成可利用SVM進行分類的結構良好的模型。

由于SVM模型簡單易用且易于擴展和預測，獲得了消費類產品制造商的青睞。利用SVM建立多個同步進行的實驗，對多種復雜真實數據集進行分類優化，遠比其它方案簡單。SVM還能為底層分類帶來廣闊的尺寸和性能優化。

本文標簽：智能壓差控制器，電梯前室風壓傳感器