如何使微控制器自动学习传感器检测到的人体行为

Question

我有一个问题，如何使带有传感器的微控制器学习传感器检测到的行为，并使控制更智能。例如，一个人很少的办公室，有运动检测控制的灯光，以节省能源。当灯开关打开灯时，如果在过去10分钟内未检测到任何运动，灯将在10分钟内自动关闭。有时，人们在办公室静静地坐着不动超过10分钟，灯被定时器关掉。人们不得不挥挥手才能打开灯，这很烦人。如何制造一个动作感应器来了解人们的行为，让人们在上班时间不需要经常挥手？

如果使用神经网络来解决问题，如何对输入/输出数据进行建模？如果不使用NN，有没有更简单、更好的方法来解决这个问题？

这类问题是其他领域的一般性问题吗？

Answer 1

也许最简单的方法是使用一些启发式方法，比如关于工作时间的信息，以改善系统操作。你可以尝试使用机器学习/神经网络来实现这一点，但这是一种(不是很小的)研究项目。有很多方法可以用来实现这一点。

我可能会尝试从以下几个方面开始：

1. 训练样本集合。我们需要微控制器正确关灯和不关灯的数据样本。(因此，我们可以训练NN将情况分为两类：“光应该关闭/不应该关闭”，这将是我们的输出数据)。如果MC决策很快被推翻，或者没有(假设你有来自传感器和MC决策记录器的数据)，这些可能会被发现。如果没有，您将需要开始记录，并等待数据将被收集)。
2. 提取一些输入特征。示例是一天中的时间(可能是二进制的“工作时间/非工作时间”，运动停止前的某个时间范围内的传感器激活模式等。存在许多方法来编码这种依赖时间的模式(参见交叉验证的this question and answer )。这些数据将作为您的输入
3. 列车模型。也许可以从逻辑回归这样的简单模型开始，因为你的模型需要在MC上运行，而且很难收集大量的训练样本。
4. 使用训练集中未包含的数据测试您的系统。如果结果良好，端口预测编码到MC，否则返回到步骤1-3

正如您所看到的，这可能是一个漫长、耗时的过程，没有100%的成功保证。