概述
硬件上使用STM32F4+MPU9150实现的神经网络识别手势，不过没有用IMU的地磁数据，只用了三轴加速度计和三轴陀螺仪的数据，板子是自己画的主要参照了意法官方的开发板的原理图（人生画的第一个板子还没有错误哈，容小逗比高兴一下。。。）。MPU9150的驱动是用的InvenSense提供的eMPL硬件抽象层，虽然这个driver配置imu内置DMP比较方便，但感觉这个bias矫正和姿态解算做的并不是很好，而且源码没公开不好改。不过识别部分用的是原始数据没用融合出的姿态数据，（姿态用在另一个功能上了）。考虑到单片机的计算性能不高（其实是训练部分不好移植^_^）于是把网络的训练部分放在在matlab上做的，然后把训练完的网络的阈值和权值导出来，放到单片机里。这里涉及到了单片机采集的数据怎么发给matlab的问题，幸好高版本的matlab对硬件的支持有大幅提升，可以通过串口来收数据。网络在单片机上的识别过程计算量还是挺大的，原始的imu数据（6Dof）经过一个巴特沃斯低通滤波器后放到一个类似于FIFO的数据结构中，从这个FIFO中首先进行间隔取数（间隔根据手势动作时间计算），并对取出的数进行归一化，然后将这些数据传给网络进行识别。过程中的滤波、归一化和网络计算都要进行大量的浮点运算，于是把logsig函数由泰勒展开改成了查表，还开了FPU，用了CMSIS-DSP。
Matlab串口接收
下面是创建串口obj的脚本
try
try
obj=serial（‘COM15’，‘baudrate’，115200，‘parity’，‘none’，‘databits’，8，‘stopbits’，1）;
flag_fetch=1;
catch
fprintf（‘Create Obj Error’）;
end
obj.BytesAvailableFcnMode = ‘terminator’;
obj.Terminator = ‘c’;
obj.BytesAvailableFcn =@serial_nn_callback;
try
fopen（obj）;
catch
fprintf（‘Open Errorn’）;
break;
end
pause;
flag_fetch=0;
catch
fprintf（‘Serial Read Error！n’）;
end
fclose（obj）;
delete（obj）;
clear obj;
下位机将imu数据以数据帧的形式发送上来，数据帧自定义协议，帧以字符’c’结尾，这里将串口配置为terminator模式，设置terminator=’c’，这样该模式下接收到字符’c’就调用一次回调函数”serial_nn_callback”
下面是回调函数的框架：
function ［c］= serial_nn_callback（obj， ~）
% var start
。..
% var end
try
n = get（obj， ‘BytesAvailable’）;
if n》20&& （flag_fetch==1）
a = fread（obj， 29， ‘uchar’）;%数据帧长度
if a（1）~=‘A’
fscanf（obj） ;
end
% 协议解析 start
% 协议解析 end
end
catch
end
这里读取之后要首先判断数据帧头是否吻合，如果不吻合立即调用 fscanf（obj） 清除串口的缓存，否则的话接收到的数据都是串的。这样就可以成功的接收到下位机发送的数据。
网络训练
这个部分比较简单，用的单S激活函数，mse能到的最小值有限，后来试了下双S激活函数，mse可以很小。不过实际测试时单S激活函数的识别率已经够用了
input=input‘;
net = newff（ minmax（input） ， ［mid_layer，output_layer］ ， { ’logsig‘ ’logsig‘ } ，’traingdx‘） ;
net.trainparam.show = 50 ;
net.trainparam.epochs = 500 ;
net.trainparam.goal = 0.00001 ;
net.trainParam.lr = 0.001 ;
网络导出
w_i2l=net.IW{1，1};%输入层到中间层的权值
b_i2l=net.b{1，1};%输入层到中间层的阈值
w_l2o=net.LW{2，1};%中间层到输出层的权值
b_l2o=net.b{2，1};%中间层到输出层的阈值
% 导出函数 start
。..
% 导出函数 end
单片机上网络计算函数
void layer_to_layer（
int lin_num，
int lout_num，
float32_t* input，
float32_t* output，
float32_t* w，
float32_t* b
）
{
float32_t *temp;
memset（output， 0，
lout_num * sizeof（float32_t））;
temp = （float32_t *）malloc（lin_num * sizeof（float32_t））;
for （int i=0;i《lout_num;i++）
{
#ifdef ARM_M4
arm_mult_f32（input，w+i*lin_num，temp，lin_num）; //CMSIS-DSP库 向量相乘
#else
for （int i=0;i《lin_num;i++） //非DSP指令
{
*（temp+i）=*（input）*（*（w+i*lin_num））
}
#endif
for （int j=0;j《lin_num;j++）
{
*（output+i）=*（output+i）+*（temp+j）;
}
*（output+i）=*（output+i）+*（b+i）;
*（output+i）=logsig_fun（*（output+i））;
}
free（temp）;
}
概述
硬件上使用STM32F4+MPU9150实现的神经网络识别手势，不过没有用IMU的地磁数据，只用了三轴加速度计和三轴陀螺仪的数据，板子是自己画的主要参照了意法官方的开发板的原理图（人生画的第一个板子还没有错误哈，容小逗比高兴一下。。。）。MPU9150的驱动是用的InvenSense提供的eMPL硬件抽象层，虽然这个driver配置imu内置DMP比较方便，但感觉这个bias矫正和姿态解算做的并不是很好，而且源码没公开不好改。不过识别部分用的是原始数据没用融合出的姿态数据，（姿态用在另一个功能上了）。考虑到单片机的计算性能不高（其实是训练部分不好移植^_^）于是把网络的训练部分放在在matlab上做的，然后把训练完的网络的阈值和权值导出来，放到单片机里。这里涉及到了单片机采集的数据怎么发给matlab的问题，幸好高版本的matlab对硬件的支持有大幅提升，可以通过串口来收数据。网络在单片机上的识别过程计算量还是挺大的，原始的imu数据（6Dof）经过一个巴特沃斯低通滤波器后放到一个类似于FIFO的数据结构中，从这个FIFO中首先进行间隔取数（间隔根据手势动作时间计算），并对取出的数进行归一化，然后将这些数据传给网络进行识别。过程中的滤波、归一化和网络计算都要进行大量的浮点运算，于是把logsig函数由泰勒展开改成了查表，还开了FPU，用了CMSIS-DSP。
Matlab串口接收
下面是创建串口obj的脚本
try
try
obj=serial（‘COM15’，‘baudrate’，115200，‘parity’，‘none’，‘databits’，8，‘stopbits’，1）;
flag_fetch=1;
catch
fprintf（‘Create Obj Error’）;
end
obj.BytesAvailableFcnMode = ‘terminator’;
obj.Terminator = ‘c’;
obj.BytesAvailableFcn =@serial_nn_callback;
try
fopen（obj）;
catch
fprintf（‘Open Errorn’）;
break;
end
pause;
flag_fetch=0;
catch
fprintf（‘Serial Read Error！n’）;
end
fclose（obj）;
delete（obj）;
clear obj;
下位机将imu数据以数据帧的形式发送上来，数据帧自定义协议，帧以字符’c’结尾，这里将串口配置为terminator模式，设置terminator=’c’，这样该模式下接收到字符’c’就调用一次回调函数”serial_nn_callback”
下面是回调函数的框架：
function ［c］= serial_nn_callback（obj， ~）
% var start
。..
% var end
try
n = get（obj， ‘BytesAvailable’）;
if n》20&& （flag_fetch==1）
a = fread（obj， 29， ‘uchar’）;%数据帧长度
if a（1）~=‘A’
fscanf（obj） ;
end
% 协议解析 start
% 协议解析 end
end
catch
end
这里读取之后要首先判断数据帧头是否吻合，如果不吻合立即调用 fscanf（obj） 清除串口的缓存，否则的话接收到的数据都是串的。这样就可以成功的接收到下位机发送的数据。
网络训练
这个部分比较简单，用的单S激活函数，mse能到的最小值有限，后来试了下双S激活函数，mse可以很小。不过实际测试时单S激活函数的识别率已经够用了
input=input‘;
net = newff（ minmax（input） ， ［mid_layer，output_layer］ ， { ’logsig‘ ’logsig‘ } ，’traingdx‘） ;
net.trainparam.show = 50 ;
net.trainparam.epochs = 500 ;
net.trainparam.goal = 0.00001 ;
net.trainParam.lr = 0.001 ;
网络导出
w_i2l=net.IW{1，1};%输入层到中间层的权值
b_i2l=net.b{1，1};%输入层到中间层的阈值
w_l2o=net.LW{2，1};%中间层到输出层的权值
b_l2o=net.b{2，1};%中间层到输出层的阈值
% 导出函数 start
。..
% 导出函数 end
单片机上网络计算函数
void layer_to_layer（
int lin_num，
int lout_num，
float32_t* input，
float32_t* output，
float32_t* w，
float32_t* b
）
{
float32_t *temp;
memset（output， 0，
lout_num * sizeof（float32_t））;
temp = （float32_t *）malloc（lin_num * sizeof（float32_t））;
for （int i=0;i《lout_num;i++）
{
#ifdef ARM_M4
arm_mult_f32（input，w+i*lin_num，temp，lin_num）; //CMSIS-DSP库 向量相乘
#else
for （int i=0;i《lin_num;i++） //非DSP指令
{
*（temp+i）=*（input）*（*（w+i*lin_num））
}
#endif
for （int j=0;j《lin_num;j++）
{
*（output+i）=*（output+i）+*（temp+j）;
}
*（output+i）=*（output+i）+*（b+i）;
*（output+i）=logsig_fun（*（output+i））;
}
free（temp）;
}
举报
