该库是利用libsvm进行行为预测的案例库。 详细完整的介绍了数据从获取到featurs提取到最后的行为预测的完整过程。

系列教程推荐

• android手机
• R v3.3.1 && RStudio v0.99.902
• weak v3.9
• eclipse集成开发环境
• jdk1.8
• python2.6
• gp424win32

• 将svm文件夹拷贝到系统当前用户目录下如:C:\Users\ydcun-psjs
• 安装好python2.6后将python 目录添加到环境变量path中
• gp424win32解压出来来的gnuplot文件夹:如:D:\Program Files\gnuplot\bin\pgnuplot.exe
• 修改svm\libsvm\tools\grid.py 中 self.gnuplot_pathname = r'D:/Program Files/gnuplot/bin/pgnuplot.exe' 替换成自己的目录

• 将手机加速度传感器的加速度值进行三轴向量和运算(使得运动的时候行为与手机姿态没有关系)
• 采集的时候是用32HZ频率以4s为一个时间窗进行采集数据,每窗数据有128个加速度数据
• 训练需要的数据在csv文件中(com.ydcun.libsvm_action.accdata.csv文件中)
• 将csv文件导入到R中

  accdata = read.csv(file="C:\Users\ydcun-psjs\Desktop\机器学习\accdata.csv") library(sqldf) accdata2 = sqldf("select act,position,t_min,t_max,t_mcr,t_sttdev,t_mean,t_rms,t_iqr,t_mad,t_variance from accdata where act='Walking' or act='Running'") write.csv(accdata2,file="C:\Users\ydcun-psjs\Desktop\机器学习\accdata2.csv");

• weka将accdata2.csv文件转换成arff文件

• 最小值 min
• 最大值 max
• 方差 variance 1/length*sum(xi-x)^2 (0 < i < length)
• 过均值率 mcr (以均值为分界线,前后点分布在分界线两侧的几位一次 sum/length)
• 标准差 stddev
• 平均值 mean
• 均方根平均值 rms (先平方、再求和、然后开方)
• 四分位距 iqr (Q1~Q3 的差距)
• 绝对平均差 mad sum(|xi-x|)/length

加速度原始数据图

• library(rjson)
• walking = fromJSON(accdata[1,3])
• plot(walking,ylim=c(7,15),pch=20,xlab="accdata",ylab="accvalue",col="red",type="o")
• title("走路-128个加速度采样点图像")
• plot(running,pch=20,xlab="accdata",ylab="accvalue",col="red",type="o")
• title("跑步-128个加速度采样点图像")

特征图

• 将数据进行行为与位置进行排序, accdata2 = sqldf("select * from accdata2 order by act,position") plot(accdata2$t_min,pch=20,xlab="accdata",ylab="accvalue",col="red",type="o")
• 查看不同类型数据数量 sqldf("select count(),act from accdata2 group by act") abline(v=858, col="blue") sqldf("select count(),act,position from accdata2 group by act,position") adcount = sqldf("select count(*) count,act,position from accdata2 group by act,position") temp =0; for(c in adcount$count){ temp =temp +c; abline(v=temp, col="black") }

优化代码:
	adcount = sqldf("select count(*) count,act,position from accdata2 group by act,position")
	adcount2 = sqldf("select count(*),act from accdata2 group by act")
	setwd("C:\\Users\\ydcun-psjs\\Desktop\\机器学习")
	for(i in c(1:9)){
 	dev.new()
	 future1=paste(names(accdata2)[i+2],".png")
	 png(file=future1)
	 plot(accdata2[,i+2],pch=20,xlab="accdata",ylab="accvalue",col="red",type="o")
	 title(names(accdata2)[i+2])
	 #画分割线
	 temp =0;
	 for(c in adcount$count){
		temp =temp +c;
		abline(v=temp, col="black")
	 }
	 abline(v=adcount2[1,1], col="blue")
	 dev.off()
	}

• 保留所有列
• 删除方差
• 删除标准差

1. 安装RODBC工具 install.packages("RODBC") library(RODBC)
2. 建立连接mysql channel=odbcConnect("mysqlodbc", uid="root", pwd="123456")
3. 查看所有的表 sqlTables(channel)
4. 用sql语句获取数据

accdata = sqlQuery(channel,"select act,position,data,t_min,t_max,t_mcr,t_sttdev,t_mean,t_rms,t_iqr,t_mad,t_variance from accdata",stringsAsFactors=FALSE) library(sqldf) accdata2 = sqldf("select act,position,t_min,t_max,t_mcr,t_sttdev,t_mean,t_rms,t_iqr,t_mad,t_variance from accdata where act in ('Walking','Running') and position in ('Hand Fixed','Hand Swing')") ps: stringsAsFactors 不会将不认识的string类型转换成factors

write.csv(accdata2,file="C:\\Users\\ydcun-psjs\\Desktop\\机器学习\\accdata.csv");

1. 安装rjson工具 install.packages("rjson") library(rjson)
2. 读取json文件 grades=fromJSON(file = 'd:/20150524.json', unexpected.escape = "error")
3. 处理封装json数据

min = c()
max = c()
mean = c()
for (n in grades){
 min = c(min,n$min)
 max = c(max,n$max)
 mean = c(mean,n$mean)
}
data = data.frame(min,max,mean)