王雪梅，劉 震，倪文波

（西南交通大學 機械工程學院，成都 610031）

人體運動識別是通過獲取和分析人體運動的相關(guān)信息，以判斷人的運動狀態(tài)。人體運動識別技術(shù)廣泛應用于人機交互、健康監(jiān)測、康復訓練、復雜行為識別、輔助工業(yè)制造、游戲和電影等諸多方面[1-3]。人體識別技術(shù)傳統(tǒng)的方法是借助視頻設備，獲得人體在運動時的圖像信息并進行相關(guān)分析，得到相關(guān)運動特征參數(shù)，從而實現(xiàn)識別人體運動的目的[4]。視頻設備一般用于固定場景，無法長期跟蹤記錄人體運動，并受光照、拍攝角度等環(huán)境影響，導致識別效果較差。隨著微電子機械系統(tǒng)（MEMS）傳感器[5]技術(shù)的迅速發(fā)展，低成本、低功耗、易穿戴的MEMS傳感器大量涌現(xiàn)，如MEMS加速度計、MEMS陀螺儀、MEMS磁強計等能夠檢測目標運動狀態(tài)的傳感器，這些MEMS傳感器現(xiàn)在廣泛應用于運動目標的跟蹤和識別領域[6-8]。

基于加速度傳感器的人體運動識別是最常用的可穿戴式運動識別方法，F(xiàn)oerster等人早在20世紀90年代末便使用4個加速度傳感器安裝在人體的胸口、手腕、大腿和小腿等部位對人體的姿態(tài)和動作進行監(jiān)測[9]。然而單一的加速度傳感器因受人體、環(huán)境等振動因素影響，運動識別效果較差。采用基于 MEMS陀螺儀、加速度計和磁強計等多種傳感器組合的方法來測量人體運動可以獲取更多有關(guān)人體運動的信息，通過對各個傳感器的信息進行融合解算，可提高運動識別的準確度[10]。在使用多MEMS傳感器進行人體運動識別時，大都是提取各傳感器測量信號的時域特征[11]。雖然傳感器測量信號時域特征提取計算簡單，但其對傳感器精度要求較高，且容易受到人體、環(huán)境等振動因素影響，提取的特征之間差異不明顯，導致人體運動識別率不高。

基于此，本文利用 MEMS陀螺儀、加速度計和磁強計等傳感器組成的慣性測量單元建立了人體手臂運動測量識別系統(tǒng)。除了提取手臂運動中各傳感器測量信號的時域特征，還提取了手臂運動軌跡的特征，以減弱振動因素對特征量的影響。本文利用卡爾曼濾波算法對手臂運動的姿態(tài)角進行估計，以保證手部運動軌跡的精確解算。為了確保手臂運動狀態(tài)的正確識別，本文還分別采用 BP神經(jīng)網(wǎng)絡和支持向量機理論對4種典型手臂運動狀態(tài)進行了分類識別研究。

1 手臂運動測量識別系統(tǒng)基本原理

整個手臂運動測量識別系統(tǒng)的總體框圖如圖1所示。慣性測量單元以STM32芯片為核心，由MPU6050型MEMS傳感器（包括三軸陀螺儀和三軸加速度計）和HMC5883L型MEMS三軸磁強計組成，用于測量人體手臂各個關(guān)節(jié)的運動角度信息。采用STM32F103RBT6芯片使用I2C接口讀取三個慣性測量單元測量的人體手臂運動數(shù)據(jù)，利用Zigbee無線網(wǎng)絡把采集到的數(shù)據(jù)發(fā)送到計算機中，再進行手臂運動狀態(tài)的進一步分析。表1是三軸陀螺儀、三軸加速度計和三軸磁強計的性能參數(shù)，其中三軸陀螺儀和三軸加速度計的測量范圍可調(diào)。

表1 MEMS傳感器性能參數(shù)Tab.1 Performance parameters of MEMS sensors

在關(guān)節(jié)運動角度測量中，為了補償陀螺儀漂移以及運動加速度對姿態(tài)角估計的影響，提高角度估計精度，利用卡爾曼濾波算法對陀螺儀、加速度計和磁強計測量結(jié)果進行信息融合。得到手臂各個關(guān)節(jié)姿態(tài)角的估計值后，根據(jù)手臂的幾何尺寸以及參考點坐標位置，便可計算出手部的運動軌跡。為了對手臂運動狀態(tài)進行自動識別，對手部運動軌跡進行歸一化特征提取，進而借助BP神經(jīng)網(wǎng)絡或支持向量機實現(xiàn)對典型手臂運動狀態(tài)的分類和識別。

圖1 手臂運動測量識別系統(tǒng)總體框圖Fig.1 Overall block diagram of arm motion measurement and recognition system

圖2 慣性測量單元安裝示意圖Fig.2 Installation of inertial measurement unit

整個測量系統(tǒng)由3個基本慣性測量單元組成，分別安裝在人體的胸部、上臂和下臂的中間位置處，如圖2所示。OC為胸部位置的慣性測量單元的參考點，在手臂運動時其相對肩關(guān)節(jié)固定不動。胸部位置的慣性測量單元安裝的坐標方向為：XC軸指向人頭部方向，ZC軸指向人體正后方，且 OCXCYCZC構(gòu)成右手直角坐標系。處在上臂和下臂的兩個慣性測量單元的坐標系分別為 OpXpYpZp和OfXfYfZf，兩個測量單元坐標安裝方式相同，都為X軸平行于手臂指向前方，Y軸垂直于X指向外側(cè)，Z軸垂直于XY平面向下。

2 手部運動軌跡解算

本文提出的人體手臂運動測量識別系統(tǒng)，通過測量手臂運動中相對參考點轉(zhuǎn)過的角度，根據(jù)手臂的幾何尺寸以及參考點位置，進而計算出手部的運動軌跡。所以，高精度的手臂運動姿態(tài)角測量是實現(xiàn)手部運動軌跡測量識別的基礎。

2.1 手臂運動姿態(tài)角解算

慣性測量單元通過MEMS陀螺儀測量載體旋轉(zhuǎn)過程中的角速度，對角速度積分得到載體的姿態(tài)角；由MEMS加速度計和磁強計組成姿態(tài)參考系統(tǒng)[12]，以當?shù)氐闹亓铀俣群偷卮畔蛄孔鳛閰⒖?，可計算出載體傾角和航向角。采用陀螺儀測量姿態(tài)角具有良好的動態(tài)特性，但由于陀螺儀的漂移誤差影響，長期使用存在較大的累積誤差[13]；姿態(tài)參考系統(tǒng)有很好的靜態(tài)特性，其長時間使用不存在累積誤差，但在動態(tài)情況下受到環(huán)境磁場和自身運動加速度的干擾較大[14-15]。利用卡爾曼濾波方法可以把兩個系統(tǒng)有效地結(jié)合起來，優(yōu)勢互補，提高姿態(tài)角估計計算精度[16]。為此需建立相應的狀態(tài)空間方程和觀測方程，以陀螺慣性系統(tǒng)的姿態(tài)角誤差Δθ、Δγ、Δφ作為狀態(tài)變量，陀螺慣性系統(tǒng)姿態(tài)角θINS、γINS、φINS與姿態(tài)參考系統(tǒng)姿態(tài)角θAZ、γAZ、φAZ之差作為觀測變量Z，相對應的卡爾曼濾波器的數(shù)學模型如下：

狀態(tài)空間方程：

觀測方程：

式中：狀態(tài)向量 X =[ΔθΔγΔφ]，Δθ為俯仰角誤差，Δγ為橫滾角誤差，Δφ為航向角誤差；F為狀態(tài)轉(zhuǎn)移矩陣；G為噪聲驅(qū)動矩陣，G = Cbn；W為過程噪聲向量，假設為零均值高斯白噪聲；Z為觀測量；H為觀測矩陣，H=I3×3；V為觀測噪聲向量，也假設為與W和觀測信號不相關(guān)的、零均值高斯白噪聲。

卡爾曼濾波過程包括時間更新和測量更新兩個過程的交替進行，如式(3)~(7)所示：

2.2 手部運動軌跡計算

手臂運動測量系統(tǒng)包括 3個相同的慣性測量單元，把胸部處的慣性測量單元設置為固定不動的參考點，坐標系為參考坐標系（C系），上臂和下臂的慣性測量單元測量坐標系為載體坐標系（b系）。由于手臂運動是手臂各個關(guān)節(jié)之間的相互轉(zhuǎn)動，因此選取腕關(guān)節(jié)、肩關(guān)節(jié)和肘關(guān)節(jié)進行運動軌跡計算，并以腕關(guān)節(jié)相對參考點的運動軌跡作為手部運動軌跡，取各個關(guān)節(jié)的坐標系如圖3所示。設肩關(guān)節(jié)坐標系為S-XSYSZS，肘關(guān)節(jié)坐標系為 E-XEYEZE，腕關(guān)節(jié)坐標系為W-XWYWZW。肩關(guān)節(jié)的坐標系方向與參考坐標系方向相同，肘關(guān)節(jié)和腕關(guān)節(jié)的X軸都平行于手臂指向前方，Y軸垂直于X軸指向手臂外側(cè)，Z軸指向人體正后方，三個關(guān)節(jié)和胸部參考坐標的X-Y平面在同一平面內(nèi)。結(jié)合圖2和圖3可知，肘關(guān)節(jié)坐標系與上臂慣性測量單元坐標系平行，腕關(guān)節(jié)坐標系與下臂慣性測量單元坐標系平行，則解算出的上臂慣性測量單元坐標系姿態(tài)角變化，即為肘關(guān)節(jié)坐標系姿態(tài)角變化。同理，解算出的下臂慣性測量單元坐標系姿態(tài)角變化，即為腕關(guān)節(jié)坐標系姿態(tài)角變化。圖3中l(wèi)p為肩關(guān)節(jié)到肘關(guān)節(jié)的幾何長度，lf為肘關(guān)節(jié)到腕關(guān)節(jié)的幾何長度。

圖3 手臂位置參考坐標系Fig.3 Reference coordinates system of arm position

安裝在手臂上的慣性測量單元（b系）解算出的坐標姿態(tài)角變化是相對于地理坐標系（n系）的，要得到手腕相對于參考坐標系（C系）的運動軌跡，需經(jīng)坐標轉(zhuǎn)換。n系與b系之間的轉(zhuǎn)換可由式(8)實現(xiàn)：

式中：θ、γ和φ分別為b系相對于n系的俯仰角、橫滾角和航向角，且有

根據(jù)式(9)，可推導出肘關(guān)節(jié)坐標系（E系）到C系的轉(zhuǎn)換矩陣為：

腕關(guān)節(jié)坐標系（W系）到C系的轉(zhuǎn)換矩陣為：

由圖3可知，肩關(guān)節(jié)坐標系與參考坐標系方向相同，則肩關(guān)節(jié)S點在C系的坐標位置為：

式中：xS為肩關(guān)節(jié)S點相對參考點OC在X軸方向的偏移，yS為肩關(guān)節(jié)S點相對參考點OC在Y軸方向的偏移。

由于肘關(guān)節(jié)X軸均平行于手臂指向前方，則只有在X軸方向上肘關(guān)節(jié)相對參考點有分量，由式(8)得肘關(guān)節(jié)E點在C系的坐標位置為：

同理，可得腕關(guān)節(jié)W點在C系的坐標位置為：

3 運動狀態(tài)的識別

3.1 運動軌跡的特征提取

運動信息的特征提取是運動狀態(tài)識別的關(guān)鍵。本文對采集到的手部運動信息提取時域特征，如表2所示，其中：均值反映了數(shù)據(jù)的平均強度；方差表明數(shù)據(jù)偏離平均值的程度；偏度衡量數(shù)據(jù)偏斜的方向和程度；公式中ds為樣本標準差；最大值和最小值描述了信號最大和最小幅度[17]。

對于三軸MEMS加速度計、三軸MEMS陀螺儀和三軸MEMS磁強計信號，雖其每一軸都可以提取時域特征，但本文使用三軸綜合特征量來表示傳感器的特征，這樣不僅可簡化特征量，還可避免單個軸的信號不穩(wěn)定，降低了對傳感器佩戴方式的要求。三軸綜合特征量的計算公式如下式所示：

式中：F為三軸綜合特征量，F(xiàn)x、Fy、Fz分別為三軸信號計算出來的特征量。

實驗表明，磁場信號特征只有偏度變化比較明顯，因此選取偏度特征作為磁場信號特征量，加速度和角速度按照表2中特征提取，因此共有11個時域特征量。四種運動狀態(tài)的時域歸一化特征值如圖4所示。

從圖4的時域歸一化特征中可以看到，不同手臂運動的某些特征值差異并不明顯，如角速度的最大值、加速度的方差以及偏度等。因此，本文還提取了手臂運動軌跡的特征，增加有效特征數(shù)量，提高識別率。

表2 MEMS傳感器測量信號時域特征描述Tab.2 Feature description of MEMS sensor measurement time domain signal

圖4 四種手臂運動傳感器測量信號時域歸一化特征值比較Fig.4 Comparison of time domain signal normalized eigenvalues of sensor measurements for four arm movements

一個簡單的手臂動作通常持續(xù)1~2 s，手部軌跡可視為由線段組成的空間幾何形狀。對于幾何形狀來說，其主要特征是幾何形狀的長度、面積和斜率等。在平面內(nèi)，手部運動軌跡由一組坐標{(x1,y1), (x2,y2), …, (xm,ym)}表示。本文提取的手部運動軌跡特征如表3所示，其中幾何形狀的傾斜程度用端點斜率和最大斜率來表示，面積和面積與周長之比是幾何形狀的一類特征。利用圖形與兩個中線的交點個數(shù)來區(qū)分幾何形狀是否為封閉形狀，交點個數(shù)為4即為封閉形狀，交點個數(shù)小于4個即為非封閉形狀。方差比是圖形數(shù)據(jù)的統(tǒng)計特征，反映出整個幾何形狀數(shù)據(jù)組成的離散程度。

表3 手部運動軌跡的特征描述Tab.3 Feature description of hand motion trajectory

如圖5所示，在墻壁上預先畫出設定好的橫線、豎線、斜線和矩形等線型，測試過程中使手腕沿著設定線型進行運動。實驗過程中，保持人體的軀干固定不動以使參考點穩(wěn)定。實驗對每類手臂動作分別進行25次測試，共得到100組手臂運動數(shù)據(jù)。對得到的每組手臂運動數(shù)據(jù)進行分析解算，解算出手腕處的運動軌跡。圖6所示為四種運動狀態(tài)下解算得到的手腕處的二維運動軌跡，并且分別給出了每種運動狀態(tài)下的3組重復測試數(shù)據(jù)。取lp=0.3 m，lf=0.25 m，xS=0.2 m，ys=-0.2 m。從圖6可以看出，由于傳感器測量的誤差，導致姿態(tài)角解算存在誤差，導致相同動作的重復測試軌跡沒有完全重合，但可以看出所有動作的趨勢是相同的。

圖5 實驗動作示意圖Fig.5 Schematic diagram of experimental action

圖6 手部運動軌跡圖Fig.6 Trajectory of hand movement

按照表3提取手部運動軌跡特征，得到四種運動狀態(tài)的歸一化特征值，如圖7所示?？梢钥吹剑款悇幼鞯?組特征值之間差異明顯，且對比同類動作的6組特征值，其重復性也比較好，說明特征量選取適合。

圖7 四種手臂運動歸一化特征值比較Fig.7 Comparison on normalized eigenvalues of four arm movements

3.2 模式識別

BP（Back Propagation Network）人工神經(jīng)網(wǎng)絡或其變化形式在函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮中得到廣泛應用[18]。本文采用三層BP神經(jīng)網(wǎng)絡，實現(xiàn)人體手臂運動狀態(tài)的識別。本文對每類動作提取11種原始信號的時域特征量和6種手部運動軌跡特征量，因此BP神經(jīng)網(wǎng)絡的輸入層單元數(shù)共有17個。需要對四類手臂運動進行識別，因此BP神經(jīng)網(wǎng)絡的輸出層單元數(shù)為4個。設四種運動的識別目標向量分別為：橫線（1,0,0,0），豎線（0,1,0,0），斜線（0,0,1,0），封閉線（0,0,0,1）。

隱含層單元的個數(shù)與問題的要求以及輸入/輸出單元的數(shù)目都有著直接關(guān)系。隱含層單元個數(shù)太多會導致學習時間過長、網(wǎng)絡結(jié)構(gòu)復雜、難以收斂等問題；而個數(shù)太少會使網(wǎng)絡泛化能力弱、容錯性差。文獻[19]中提出了選擇最佳隱含層單元個數(shù)的參考公式，表4是分別采用4~14個隱層數(shù)目對BP網(wǎng)絡進行訓練的結(jié)果。訓練時，使用其中30組數(shù)據(jù)進行訓練，70組數(shù)據(jù)進行測試。本文在網(wǎng)絡訓練時選擇第一層網(wǎng)絡傳遞函數(shù)為tansig，第二層網(wǎng)絡傳遞函數(shù)為logsig，訓練函數(shù)為traingdx。設置最大訓練次數(shù)為1000，訓練目標均方誤差為0.001，學習速率為0.1%。

由表4中可知，隱層數(shù)目取8個時，網(wǎng)絡訓練的步數(shù)為最少，同時網(wǎng)絡訓練誤差與最小誤差相近，故選取8位隱含層單元數(shù)。

用70組數(shù)據(jù)對訓練好的BP神經(jīng)網(wǎng)絡進行測試，設置當網(wǎng)絡實際輸出與期望輸出之間的均方誤差小于目標值時，則為識別成功，否則為識別失敗。圖8是對70組數(shù)據(jù)分別使用時域特征和時域特征+軌跡特征進行測試，得到的每組數(shù)據(jù)實際輸出的均方誤差大小。從圖8中可得，使用時域特征進行識別時，有11組測試樣本未能成功識別，包含：4組畫橫線的測試樣本、4組畫豎線的測試樣本、2組畫斜線的測試樣本，以及1組畫封閉線的測試樣本。采用時域特征+軌跡特征進行識別的方法，只有2組測試樣本未能成功識別，包含：1組畫豎線的測試樣本和1組畫封閉線的測試樣本。

支持向量機（Support Vector Machine, SVM）是基于統(tǒng)計學習理論的新型模式識別分類技術(shù)，在解決非線性、小樣本分類等問題上顯示出很大優(yōu)勢[20-21]。采用SVM分類算法同樣對上述特征進行分類，其中采用RBF核函數(shù)的SVM分類器進行訓練識別，其他參數(shù)設置為gamma=1，懲罰因子為2。由此可得BP神經(jīng)網(wǎng)絡算法和SVM分類算法在不同特征量的輸入下對四種運動的識別率，如表5所示。

從表5可得：采用時域特征+軌跡特征作為BP神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)，其手臂運動的識別率比只使用時域特征作為神經(jīng)網(wǎng)絡輸入提高了12.85%；而使用SVM算法對時域特征輸入進行分類識別，識別率為98.5%，高于時域特征+軌跡特征輸入的BP神經(jīng)網(wǎng)絡算法，但低于SVM算法對時域特征+軌跡特征輸入的分類識別率。

BP神經(jīng)網(wǎng)絡訓練輸入的樣本越多，其包含的樣本類別就越多，容錯率就會越高，訓練識別率就越高。

綜上可以看出，在有限的樣本下，SVM分類算法更適合進行分類識別。

表4 不同隱含層單元數(shù)的BP網(wǎng)絡訓練結(jié)果比較Tab.4 Comparison on BP network training results with different hidden layer units

表5 BP神經(jīng)網(wǎng)絡對四種運動的識別率Tab.5 Recognition rates of four kinds of motion by BP neural network

圖8 測試樣本的網(wǎng)絡輸出誤差Fig.8 The network output error of the test sample

4 結(jié) 論

本文使用3個相同的慣性測量單元，搭建了人體手臂運動測量識別系統(tǒng)，通過計算手部運動軌跡，正確識別了橫線、豎線、斜線和封閉線四類典型的手臂動作。使用MEMS陀螺儀、加速度計和磁強計組成的慣性測量單元對人體手臂運動進行測量，通過卡爾曼濾波算法解算出手臂的姿態(tài)角變化，選取肩關(guān)節(jié)、肘關(guān)節(jié)和腕關(guān)節(jié)進行運動軌跡計算，并以腕關(guān)節(jié)軌跡作為手部的運動軌跡。對每類手部運動進行了時域信號特征和軌跡特征提取，共得到100組手臂運動樣本。

使用BP神經(jīng)網(wǎng)絡和SVM分類算法分別對傳感器測量信號時域特征和傳感器測量信號時域特征+運動軌跡特征進行識別，結(jié)果表明，本文提出的使用傳感器測量信號時域特征+運動軌跡特征比傳統(tǒng)只使用傳感器測量信號時域特征進行識別，BP神經(jīng)網(wǎng)絡識別率提高了 12.85%，SVM 分類算法識別率提高了1.5%。并顯示出在樣本有限的情況下，SVM分類算法比 BP神經(jīng)網(wǎng)絡更適合進行分類識別。97.14%的BP神經(jīng)網(wǎng)絡識別率和100%的SVM識別率表明了本文基于MEMS傳感器測量人體手臂運動軌跡，以傳感器測量信號的時域特征+運動軌跡特征進行識別手臂動作的有效性和可行性。

（

）：

[1] Lockhart J W, Pulickal T, Weiss G M. Applications of mobile activity recognition[C]//Proceedings of the 2012 ACM Conference on Ubiquitous Computing. 2102: 1054-1058.

[2] Suma E A, Krum D M, Lange B, et al. Adapting user interfaces for gestural interaction with the flexible action and articulated skeleton toolkit[J]. Computers & Graphics,2013, 37(3): 193-201.

[3] Dhamsania C J, Ratanpara T V. A survey on Human action recognition from videos[C]//International Conference on Green Engineering and Technologies. 2016: 1-5.

[4] 王耀東, 余祖俊, 石井抱. 高速立體視覺與機械運動異常動作三維檢測[J].儀器儀表學報, 2013, 34(10): 2161-2169.Wang Y D, Yu Z J, Shi J B. High-speed stereo vision based three dimension abnormal operation detection of mechanical motion[J]. Chinese Journal of Scientific Instrument, 2013, 34(10): 2161-2169.

[5] Chardonnens J, Favre J, Cuendet F. A system to measure the kinematics during the entire ski jump sequence using inertial sensors[J]. Journal of Biomechanics, 2013, 46(1):56-62.

[6] Weng S L, Xiang L P, Tang W W, et al. A low power and high accuracy MEMS sensor based activity recognition algorithm[C]//IEEE International Conference on Bioinformatics and Biomedicine. 2015: 33-38.

[7] Shi G Y, Zhang J Y, Dong C, et al. Fall detection system based on inertial MEMS sensors: Analysis design and realization[C]//IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems. 2015: 1834-1839.

[8] Seamana A, McPheea J. Comparison of optical and inertial tracking of full golf swings[J]. Procedia Engineering,2012, 34: 461-466.

[9] Foerster F, Smeja M, Fahrenberg J. Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring[J]. Computers in Human Behavior,1999, 15(5): 571-583.

[10] Brahem M B, Ménélas B A J, Otis J D. Use of a 3DOF accelerometer for foot tracking and gesture recognition in mobile HCI[J]. Procedia Computer Science, 2013, 19:453-460.

[11] 路永樂, 張欣, 龔爽, 等. 基于MEMS慣性傳感器的人體多運動模式識別[J]. 中國慣性技術(shù)學報, 2016, 24(5):589-594.Lu Y L, Zhang X, Gong S, et al. Recognition of multiple human motion patterns based on MEMS inertial sensors[J]. Journal of Chinese Inertial Technology, 2016, 24(5):589-594.

[12] 米剛, 田增山, 金悅, 等. 基于MIMU和磁力計的姿態(tài)更新算法研究[J]. 傳感技術(shù)學報, 2015(1): 43-48.Mi G, Tian Z S, Jin Y, et al. MIMU update algorithm based on the posture and magnetometer[J]. Chinese Journal of Sensors and Actuators, 2015(1): 43-48.

[13] Dowling A V, Favre J, Andriacchi T P. Inertial sensor-based feedback can reduce key risk metrics for anterior cruciate ligament injury during jump landings[J]. American Journal of Sports Medicine, 2012, 40(5): 1075-1083.

[14] Zhu Rong, Zhou Zhao-ying. A small low-cost hybrid orientation system and its error analysis[J]. IEEE Sensors Journal, 2009, 9(3): 223-230.

[15] 盧志才, 高敏, 賈春寧. 基于地磁測量的火箭彈滾轉(zhuǎn)角解算誤差補償方法研究[J]. 中國測試, 2014, 40(2): 9-12.Lu Z C, Gao M, Jia C N. Error compensation method for flight attitude angles of rocket projectile based on geomagnetic field measurement[J]. China Measurement &Test, 2014, 40(2): 9-12.

[16] 劉震, 王雪梅, 倪文波. 基于 MEMS傳感器的高精度姿態(tài)角測量研究[J]. 中國測試, 2017, 43(2): 6-12.Liu Z, Wang X M, Ni W B. Research on attitude angle measurement with high precision based on MEMS sensors[J]. China Measurement & Test, 2017, 43(2): 6-12.

[17] 劉震. 基于MEMS傳感器與Zigbee網(wǎng)絡的人體手臂運動狀態(tài)測量和識別方法研究[D]. 西南交通大學, 2017.Liu Z. Research on motion measurement and recognition method of human arm based on MEMS sensors and zigbee networks[D]. Southwest Jiaotong University, 2017.

[18] 叢爽. 面向 MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用-第3版[M]. 合肥: 中國科學技術(shù)大學出版社, 2009.Cong S. Neural network theory and applications with MATLAB toolboxes[M]. 3th ed. Hefei: University of Science and Technology of China Press, 2009.

[19] 魏海坤. 神經(jīng)網(wǎng)絡結(jié)構(gòu)設計的理論與方法[M]. 北京：國防工業(yè)出版社, 2005.Wei H K. Theory and method of neural network struc- ture design[M]. Beijing: National Defend Industry Press, 2005.

[20] Vapnik V N. The nature of statistical learning theory[J].IEEE Transactions on Neural Networks, 1995, 8(6): 988-999.

[21] 洪濤, 黃志奇, 楊暢. 渦輪泵實時故障檢測的快速支持向量機算法[J]. 儀器儀表學報, 2012, 33(8): 1786-1792.Hong T, Hang Z Q, Yang C. Fast support vector machine algorithm for turbo pump real-time fault detection[J].Chinese Journal of Scientific Instrument, 2012, 33(8):1786-1792.