实验说明 实验是由一组30名志愿者组成的，年龄在19-48岁之间。每个人都在腰部佩戴智能手机（三星Galaxy S II）进行六项活动（步行，步行上层楼，步行到楼下，坐下，站立，躺下）。使用其嵌入式加速度计和陀螺仪，我们以50Hz的恒定速率捕获了3轴线性加速度和3轴角速度。实验已被录像，以手动标记数据。获得的数据集已随机分为两组，其中选择了70％的志愿者来生成训练数据，而选择了30％的测试数据。 通过应用噪声滤波器对传感器信号（加速度计和陀螺仪）进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中进行采样。使用巴特沃斯低通滤波器将具有重力和人体运动分量的传感器加速度信号分离为人体加速度和重力。假定重力仅具有低频分量，因此使用了具有0.3 Hz截止频率的滤波器。通过从时域和频域计算变量，可以从每个窗口中获取特征向量。 属性信息 对于数据集中的每个记录，提供以下内容： 加速度计的三轴加速度（总加速度）和估算的车身加速度。 陀螺仪的三轴角速度。 具有时域和频域变量的561特征向量。 它的活动标签。 进行实验的受试者的标识符

人员流动性分析 基于轨迹数据的个人和人群级人类移动性分析工具包和模型，包括旅行目的地预测、旅行时空和语义特征计算（例如，熵、回转半径、主题比率、旅行节奏等）、驾驶特征和性格. Folder structure: -Driver Personality Analysis -Location Sequence Prediction --Code ---Model_1 ... ---Model_n --Sample Data --Documents --Publications --Web Visualization Components -Next Location Prediction -Travel Feature Analysis

DarkForest 这是一个幻影围棋计算机博弈程序，一个可以和人类下棋的程序。 幻影围棋介绍： 幻影围棋是一项欧洲的棋类游戏，因为下棋规则是基于围棋，但又是在围棋的基础上加入了信息不完全的限制——看不到对方的落子，故名幻影围棋。 棋盘：9×9围棋的棋盘。 棋子：黑白两种围棋棋子。 实际上有3个棋盘，黑方棋盘，白方棋盘，裁判棋盘。 本方只清楚自己的落子情况，对于对方落子情况只能判断和猜测。裁判的棋盘才给出真正的棋局。 棋规： 黑白双方轮流落子，落子的基本规则与围棋一致，其中气、禁招等概念都相同； 幻影围棋中加入了信息隐藏的概念——在下棋时，双方都无法看到对手棋盘上的落子，形成两个不完备信息的棋盘，完备信息的对弈棋盘是由双方的棋盘取并集而成； 由于信息隐藏，就需要一个中间裁判。裁判可以看到双方棋盘，也就是说，从裁判角度所看到的是一个完备信息的9×9围棋棋盘，并且根据围棋规则判断双方落子是否合

Fanorona-游戏-AI 使用和在人类和 AI 之间的棋盘游戏Python GUI 实现。 快照 ## 使用的设计策略： 1. **截止**： 我使用截止设置了最大深度限制（3X3 中的 15 个，5X5 中的 7 个），当在这个深度级别调用 min_value 函数时，它将返回一个由评估函数估计的板位置的实用值。 2. **AI启发式评估函数**： 它被定义为：(#AI_piece - #human_piece) / (#AI_piece + human_piece) 但是考虑到棋子可以向8个方向移动的特殊位置，这表明位置攻击优势，所以如果AI_piece在该位置，则计为1.5块，如果human_piece在该位置，则计为0.5 human_piece。 3. **抽签决定**： 当程序检测到人类和 AI 动作之间的“摆动动作”时，该程序将判定游戏为平局。 本质规则 两

时间：2020年8月25日，星期二（太平洋时区） 我们的体积捕获系统使用单个RGB网络摄像头实时捕获衣服完全覆盖的人体（包括背部）。 要求 Python 3.7 PyOpenGL 3.1.5（在Ubuntu中需要X服务器） 在1.4.0上测试 我们使用2个GeForce RTX 2080Ti GPU运行该演示，内存使用情况如下（GPU1约为3.4GB，GPU2约为9.7GB）： 注意：最后四个依赖项也由我们的团队开发，并且都处于活动维护状态。 如果您遇到有关这些工具的安装问题，建议您将问题提交到相应的存储库中。 （您无需在此处手动安装它们，因为它们包含在requirements.tx

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，

超级人类ico图标汇集.

人类行为识别的目的是通过一系列的观察，对人类的动作类型、行为模式进行分析和识别，并使用自然语言等方式对其进行描述的计算机技术。由于人类行为的复杂性和多样性，往往识别出的结果是多样性的，并且连带着行为类型的概率输出的。随着信息技术的发展，各种移动设备和可穿戴设备正在以加速度的方式增长，其性能和嵌入的传感器也变的多样化，例如：高清相机、光传感器、陀螺仪传感器、加速度传感器、GPS以及温度传感器等。各种各样的传感器都在时刻的记录着使用者的信息，这些记录信息不仅可以用于用户位置的预测，也可以进行用户行为的识别等。本文使用了智能设备加速度传感器的数据，结合支持向量机的特性进行人类行为识别模型的设计和应用

大数据-算法-试论黑格尔费尔巴哈与现代人类学思维范式创生的逻辑关联.pdf

二进制MLG（MLVLG）日志文件转换器 解析和转换简单的工具， EFI Analytics (TunerStudio, MegaLogViewer)二进制日志文件（ .mlg ）到人类可读的格式，如： .csv分号（ ; ）分隔（ Virtual Dyno ，电子表格等） .json -JSON原始数据 .msl -ASCII格式（ TunerStudio ， MegaLogViewer ） 或者可以用作生成JS plain object的Node库。 注意事项 MLVLG还携带称为Marker的数据类型（用于指示特定事件的图形标记）。 它们将被剥离为.csv文件。 提供的二进制文