本发明公开了一种基于峰值检测的自适应时间窗口计步方法。本发明一种基于峰值检测的自适应时间窗口计步方法,包括:步骤1.使用低通滤波与分段平滑滤波对加速度数据进行滤波与平滑处理;步骤2.经过步骤1处理后的数据变得平滑,仍然存在一些伪波峰;因此在每一步的周期内均至少含有一个峰值和一个谷值,利用这一特点,使用计算最大值与最小值的方式检测出这一步内所有候选的峰值和谷值;步骤3.对步骤2检测后的候选峰值、谷值经过自适应时间窗口对伪峰值、伪谷值进行过滤。本发明的有益效果:本发明所提出的算法的平均准确率为98.2%,针对不同行走状态、不同姿势具有准确的计步效果,针对不同的用户具有较好的鲁棒性。
📄 2020104569731
📂 G01C22_00
👤 江南大学
📅 2020-05-26
一种基于Mashup服务功能特征表示与密度峰值检测的聚类方法,包括以下步骤:第一步、对所有需要特征表示的Mashup服务数据进行预处理;第二步、进行功能名词提取操作;第三步、对每个功能名词的语义权重进行语义关联计算;第四步、结合TF‑IDF算法与Word2Vec模型,进行Mashup语义特征向量的表示;第五步、对于所有参与聚类的Mashup语义特征向量,进行密度信息的计算;第六步、从所有Mashup语义特征向量中,筛选出聚类中心的候选点;第七步、进一步筛选出最为合适的K个初始聚类中心,进行K‑means聚类。本发明能够有效表示Mashup服务的功能特征,增强Mashup服务的聚类性能。
📄 2020101273232
📂 G06F16_33
👤 浙江工业大学
📅 2020-02-28
一种基于密度峰值检测的Mahsup服务聚类方法,所述方法包括以下步骤:第一步、对于所有参与聚类的Mashup服务的特征向量,进行局部密度、向量间距离和较高密度最近距离计算;第二步、基于第一步计算的密度信息,从所有Mashup服务特征向量中,筛选出聚类中心的候选点;第三步、对第二步所得的聚类中心候选点,进一步筛选出最为合适的K个初始聚类中心,进行K‑means聚类。本发明能够有效提升Mashup服务聚类精度,缩小服务搜索空间。
📄 2020101273694
📂 G06F16_33
👤 浙江工业大学
📅 2020-02-28