CN109147891A - 一种基于bp神经网络和遗传算法的形象气质提升方法 - Google Patents
一种基于bp神经网络和遗传算法的形象气质提升方法 Download PDFInfo
- Publication number
- CN109147891A CN109147891A CN201811018073.8A CN201811018073A CN109147891A CN 109147891 A CN109147891 A CN 109147891A CN 201811018073 A CN201811018073 A CN 201811018073A CN 109147891 A CN109147891 A CN 109147891A
- Authority
- CN
- China
- Prior art keywords
- neural network
- behavior
- genetic algorithm
- user
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 230000036544 posture Effects 0.000 claims description 80
- 230000006399 behavior Effects 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000000689 upper leg Anatomy 0.000 claims description 4
- 210000000707 wrist Anatomy 0.000 claims description 4
- 210000001217 buttock Anatomy 0.000 claims description 3
- 210000002414 leg Anatomy 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 210000000038 chest Anatomy 0.000 claims 1
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BP神经网络和遗传算法的形象气质提升方法,使人们的行为姿态优美,提升形象气质。包括如下步骤:S1:采集用户的身体模型参数以及对应的行为姿态数据,并上传至云服务器,身体模型参数A、行为姿态数据X构成模型输入矩阵Z;S2:用户终端通过姿态评分系统对用户的每一次行为姿态进行评分,并将评分作为模型输出变量Y上传至云服务器;S3:云服务器利用BP神经网络建立输入矩阵Z到输出变量Y的BP神经网络模型;S4:云服务器利用遗传算法对S3中建立的BP神经网络模型进行优化,得到姿态评分系统最佳评分对应的行为姿态数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的行为姿态进行矫正,提高自身形象气质。
Description
技术领域
本发明属于神经网络大数据领域,具体设计一种基于BP神经网络和遗传算法的形象气质提升方法。
背景技术
形象气质训练不仅能使人获得健康美,还能使人获得体形美、姿态美、动作美和气质美,也正因为这样,形象气质训练越来越受到人们的重视,行为姿态矫正系统作为一种提高人们形象气质成为人们乐意选择的方式。在人们平时的生活中随时随地都可以实现对行为姿态的训练。但是通常人们缺乏合理的指导方案,而错误的方法可能会使用户的日常训练达不到理想的效果,造成不可弥补的时间损失和大量的精力损失。
目前,亟需解决的问题是建立一套全面的行为姿态模型,并将使用者的行为姿态数据反馈给使用者,让使用者能及时对自己的姿势矫正。影响行为姿态评分的各个因素之间往往体现出高度的复杂性和非线性,采用常规预测、分析方法存在一定难度,BP神经网络对于非线性系统的建模精度高,非常适合行为姿态模型的建立。使用者利用下发的最优行为姿态矫正方案进行日常训练提升自身形象气质,为大数据时代的智能行为姿态矫正提供了一种新的思路。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于BP神经网络和遗传算法的形象气质提升方法,以解决现在人们的行为姿态不优美导致形象气质不佳的问题。
本发明的目的是这样实现的:
一种基于BP神经网络和遗传算法的形象气质提升方法,包括如下步骤:
S1:采集用户的身体模型参数以及对应的行为姿态数据,并上传至云服务器,身体模型参数A、行为姿态数据X构成模型输入矩阵Z,其中,身体模型参数A为环境变量,行为姿态数据X为决策变量;
S2:用户终端通过姿态评分系统对用户的每一次行为姿态进行评分,并将评分作为模型输出变量Y上传至云服务器;
S3:云服务器利用BP神经网络建立输入矩阵Z到输出变量Y的BP神经网络模型;
S4:云服务器利用遗传算法对S3中建立的BP神经网络模型进行优化,得到姿态评分系统最佳评分对应的行为姿态数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的行为姿态进行矫正,提高自身形象气质。
优选地,步骤S1中,通过传感器模块采集用户的行为姿态数据;通过采样电路与传感器模块进行连接,将传感器模块采集到的行为姿态数据转换成数字信号,并上传至云服务器。
优选地,步骤S1中,身体模型参数包括身高、体重、臂长、腿长、三围,并人工录入云服务器。
优选地,步骤S1中,行为姿态数据包括站立、坐、走行为的姿态数据。
优选地,所述站立、坐、走的姿态数据分别包括行为时背部、左右手腕、左右大腿、胸部、臀部的加速度、角度、速度、三维坐标、高度。
优选地,步骤S3中,构建三层的BP神经网络模型:设置BP神经网络模型的隐含层节点数为l,隐含层节点函数为S型函数tansig,输出层节点数与输出变量个数一致;设置输出层节点函数为线性函数purelin,输入层到隐含层的权值为w1,隐含层节点阈值为b1,隐含层至输出层的权值为w2,输出层节点阈值为b2。
优选地,步骤S3中,建立BP神经网络模型的方法包括以下步骤:
S31:初始化神经网络参数的权值w1、w2以及阈值b1、b2;
S32:初始化的网络参数采用如下公式计算此时的
其中,表示预测值;
w1、w2分别表示神经网络参数的权值;
b1、b2分别表示神经网络参数的阈值;
表示经归一化的输入样本;
S33:计算此时实际样本输出与预测值之间系统对N个训练样本的总误差,总误差e准则函数如下:
其中,e表示误差性能指标函数;
表示BP网络输出;
表示实际输出;
S34:修正神经网络参数的权值和阈值,具体公式如下:
其中,w1ij表示隐含层与输入层的连接权值;η表示学习速率;
表示隐含层输出;x(i)表示输入样本;
wjk表示输出层与隐含层权值;
其中,w2jk表示输出层与隐含层的连接权值;
其中,表示隐含层阈值;表示隐含层输出;wjk表输出层与隐含层权值;
b2=b2+ηe
其中,i=1,2,…,n,n为输入层节点数;j=1,2,…,l,l为隐含层节点数;k=1,2,…,N,N为输出层节点数;
S35:利用更新得到的神经网络参数的权值和阈值重新估计重复S32至S34,直至总误差小于设定值。
优选地,用户终端具有行为姿态评分系统,行为姿态评分系统根据用户实时的行为姿态数据与推荐行为姿态数据的接近程度打分,所述姿态评分系统分别对用户的站立、坐、走三种行为姿态进行评分,再进行综合评分。
优选地,步骤S4中,利用遗传算法对BP神经网络模型进行优化,包括以下步骤:
S41根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值,获取综合性指标E;
S42预设决策参数的变化区间,以及遗传算法的种群数量Nint=100以及迭代次数Mite=100;
S43确定优化计算的趋势方向;其中,所确定的优化计算的趋势方向使得行为姿态最佳;
S44初始化种群,并将初始化后的种群作为父代种群,对所述父代种群中所有个体的适应度函数值进行计算,获取父代种群的最优个体;
S45采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作,获取子群,将所获取的子群作为新一代父代种群;
S46根据实际的迭代次数和预设的迭代次数判断迭代是否结束,若结束,将最后一次迭代所获取的父代种群的最优个体作为决策参数,否则继续迭代。
优选地,用户终端具有姿态数据界面,所述姿态数据界面显示用户实时的行为姿态数据以及由云服务器下发的推荐行为姿态数据。
由于采用了上述技术方案,本发明确定了行为姿态数据的最优值,让使用者能够在日常训练中通过推荐方案进行姿势矫正,实现提升形象气质评分的目的。
附图说明
图1为本发明的方法框架图;
图2为BP神经网络建模示意图。
具体实施方式
参见图1、图2,一种基于BP神经网络和遗传算法的形象气质提升方法,包括如下步骤:
S1:采集用户的身体模型参数以及对应的行为姿态数据,并上传至云服务器,身体模型参数A、行为姿态数据X构成模型输入矩阵Z,其中,身体模型参数A为环境变量,行为姿态数据X为决策变量;
本实施例中,通过传感器模块采集用户的行为姿态数据;所述传感器模块为十轴加速度蓝牙版传感器;通过采样电路与传感器模块进行连接,将传感器模块采集到的行为姿态数据转换成数字信号,并上传至云服务器。
身体模型参数包括身高A(cm)、体重B(kg)、臂长C(cm)、腿长D(cm)、三围E,并人工录入云服务器。
行为姿态数据包括站立、坐、走行为的姿态数据。所述站立、坐、走的姿态数据分别包括行为时背部、左右手腕、左右大腿、胸部、臀部的加速度、角度、速度、三维坐标、高度。本实施例中,包括背部的传感器测得的加速度(a1)、角度(θ1)、速度(v1)、三维坐标(x1、y1、z1)、高度(H1),左右手腕的传感器测得的加速度(a左2、a右2)、角度(θ左2、θ右2)、速度(v左2、v右2)、三维坐标(x左2、y左2、z左2、x右2、y右2、z右2)、高度(H左2、H右2)、左右大腿的传感器测得的加速度(a左3、a右3)、角度(θ左3、θ右3)、速度(v左3、v右3)、三维坐标(x左3、y左3、z左3、x右3、y右3、z右3)、高度(H左3、H右3),胸部的传感器测得的加速度(a4)、角度(θ4)、速度(v4)、三维坐标(x4、y4、z4)、高度(H4),臀部的传感器测得的加速度(a5)、角度(θ5)、速度(v5)、三维坐标(x5、y5、z5)、高度(H5)。
S2:用户终端通过姿态评分系统对用户的每一次行为姿态进行评分,并将评分作为模型输出变量Y上传至云服务器;具体地,用户终端具有行为姿态评分系统,姿态评分系统的每种评分标准具有对应的行为姿势数据,行为姿态评分系统根据用户实时的行为姿态数据与推荐行为姿态数据的接近程度打分,所述姿态评分系统分别对用户的站立、坐、走三种行为姿态进行评分,再进行综合评分。具体评分标准如表1:
表1评分标准
用户终端具有姿态数据界面,所述姿态数据界面显示用户实时的行为姿态数据以及由云服务器下发的推荐行为姿态数据。用户终端可以为pc端、手机终端等。用户实时的行为姿态数据通过佩戴对应的传感器获取,姿态数据界面同时显示三维运动感知画面。
S3:云服务器利用BP神经网络建立输入矩阵Z到输出变量Y的BP神经网络模型;
构建三层的BP神经网络模型:设置BP神经网络模型的隐含层节点数为l,隐含层节点函数为S型函数tansig,输出层节点数与输出变量个数一致;设置输出层节点函数为线性函数purelin,输入层到隐含层的权值为w1,隐含层节点阈值为b1,隐含层至输出层的权值为w2,输出层节点阈值为b2。
建立BP神经网络模型的方法包括以下步骤:
S31:初始化神经网络参数的权值w1、w2以及阈值b1、b2;
S32:初始化的网络参数采用如下公式计算此时的
其中,表示预测值;
w1、w2分别表示神经网络参数的权值;
b1、b2分别表示神经网络参数的阈值;
表示经归一化的输入样本;
S33:计算此时实际样本输出与预测值之间系统对N个训练样本的总误差,总误差e准则函数如下:
其中,e表示误差性能指标函数;
表示BP网络输出;
表示实际输出;
S34:修正神经网络参数的权值和阈值,具体公式如下:
其中,w1ij表示隐含层与输入层的连接权值;η表示学习速率;
表示隐含层输出;x(i)表示输入样本;
wjk表示输出层与隐含层权值;
其中,w2jk表示输出层与隐含层的连接权值;
其中,表示隐含层阈值;表示隐含层输出;wjk表输出层与隐含层权值;
b2=b2+ηe
其中,i=1,2,…,n,n为输入层节点数;j=1,2,…,l,l为隐含层节点数;k=1,2,…,N,N为输出层节点数;
S35:利用更新得到的神经网络参数的权值和阈值重新估计重复S32至S34,直至总误差小于设定值。
S4:云服务器利用遗传算法对S3中建立的BP神经网络模型进行优化,得到姿态评分系统最佳评分对应的行为姿态数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的行为姿态进行矫正,提高自身形象气质。
利用遗传算法对BP神经网络模型进行优化,包括以下步骤:
S41根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值,获取综合性指标E;评分权重的变化区间视具体情况而定,综合性指标E指行为姿态的综合评分。
决策变量不是推荐决策变量,决策变量就是采集到的行为姿态参数,推荐决策变量是优化之后的最佳行为姿态参数用于指导人锻炼的。
S42预设决策参数的变化区间,以及遗传算法的种群数量Nint=100以及迭代次数Mite=100;
S43确定优化计算的趋势方向;其中,所确定的优化计算的趋势方向使得行为姿态最佳;
S44初始化种群,并将初始化后的种群作为父代种群,对所述父代种群中所有个体的适应度函数值进行计算,获取父代种群的最优个体;
S45采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作,获取子群,将所获取的子群作为新一代父代种群;
S46根据实际的迭代次数和预设的迭代次数判断迭代是否结束,若结束,将最后一次迭代所获取的父代种群的最优个体作为决策参数,否则继续迭代。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (10)
1.一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,包括如下步骤:
S1:采集用户的身体模型参数以及对应的行为姿态数据,并上传至云服务器,身体模型参数A、行为姿态数据X构成模型输入矩阵Z,其中,身体模型参数A为环境变量,行为姿态数据X为决策变量;
S2:用户终端通过姿态评分系统对用户的每一次行为姿态进行评分,并将评分作为模型输出变量Y上传至云服务器;
S3:云服务器利用BP神经网络建立输入矩阵Z到输出变量Y的BP神经网络模型;
S4:云服务器利用遗传算法对S3中建立的BP神经网络模型进行优化,得到姿态评分系统最佳评分对应的行为姿态数据,即推荐决策变量X0,用户根据推荐决策变量X0对自己的行为姿态进行矫正,提高自身形象气质。
2.根据权利要求1所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,步骤S1中,通过传感器模块采集用户的行为姿态数据;通过采样电路与传感器模块进行连接,将传感器模块采集到的行为姿态数据转换成数字信号,并上传至云服务器。
3.根据权利要求1所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,步骤S1中,身体模型参数包括身高、体重、臂长、腿长、三围,并人工录入云服务器。
4.根据权利要求1所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,步骤S1中,行为姿态数据包括站立、坐、走行为的姿态数据。
5.根据权利要求4所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,所述站立、坐、走的姿态数据分别包括行为时背部、左右手腕、左右大腿、胸部、臀部的加速度、角度、速度、三维坐标、高度。
6.根据权利要求1所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,步骤S3中,构建三层的BP神经网络模型:设置BP神经网络模型的隐含层节点数为l,隐含层节点函数为S型函数tansig,输出层节点数与输出变量个数一致;设置输出层节点函数为线性函数purelin,输入层到隐含层的权值为w1,隐含层节点阈值为b1,隐含层至输出层的权值为w2,输出层节点阈值为b2。
7.根据权利要求6所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,步骤S3中,建立BP神经网络模型的方法包括以下步骤:
S31:初始化神经网络参数的权值w1、w2以及阈值b1、b2;
S32:初始化的网络参数采用如下公式计算此时的
其中,表示预测值;
w1、w2分别表示神经网络参数的权值;
b1、b2分别表示神经网络参数的阈值;
表示经归一化的输入样本;
S33:计算此时实际样本输出与预测值之间系统对N个训练样本的总误差,总误差e准则函数如下:
其中,e表示误差性能指标函数;
表示BP网络输出;
表示实际输出;
S34:修正神经网络参数的权值和阈值,具体公式如下:
其中,w1ij表示隐含层与输入层的连接权值;η表示学习速率;
表示隐含层输出;x(i)表示输入样本;
wjk表示输出层与隐含层权值;
其中,w2jk表示输出层与隐含层的连接权值;
其中,表示隐含层阈值;表示隐含层输出;wjk表输出层与隐含层权值;
b2=b2+ηe
其中,i=1,2,…,n,n为输入层节点数;j=1,2,…,l,l为隐含层节点数;k=1,2,…,N,N为输出层节点数;
S35:利用更新得到的神经网络参数的权值和阈值重新估计重复S32至S34,直至总误差小于设定值。
8.根据权利要求1所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,用户终端具有行为姿态评分系统,行为姿态评分系统根据用户实时的行为姿态数据与推荐行为姿态数据的接近程度打分,所述姿态评分系统分别对用户的站立、坐、走三种行为姿态进行评分,再进行综合评分。
9.根据权利要求1所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,步骤S4中,利用遗传算法对BP神经网络模型进行优化,包括以下步骤:
S41根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值,获取综合性指标E;
S42预设决策参数的变化区间,以及遗传算法的种群数量Nint=100以及迭代次数Mite=100;
S43确定优化计算的趋势方向;其中,所确定的优化计算的趋势方向使得行为姿态最佳;
S44初始化种群,并将初始化后的种群作为父代种群,对所述父代种群中所有个体的适应度函数值进行计算,获取父代种群的最优个体;
S45采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作,获取子群,将所获取的子群作为新一代父代种群;
S46根据实际的迭代次数和预设的迭代次数判断迭代是否结束,若结束,将最后一次迭代所获取的父代种群的最优个体作为决策参数,否则继续迭代。
10.根据权利要求1所述的一种基于BP神经网络和遗传算法的形象气质提升方法,其特征在于,用户终端具有姿态数据界面,所述姿态数据界面显示用户实时的行为姿态数据以及由云服务器下发的推荐行为姿态数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018073.8A CN109147891A (zh) | 2018-09-03 | 2018-09-03 | 一种基于bp神经网络和遗传算法的形象气质提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018073.8A CN109147891A (zh) | 2018-09-03 | 2018-09-03 | 一种基于bp神经网络和遗传算法的形象气质提升方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109147891A true CN109147891A (zh) | 2019-01-04 |
Family
ID=64826327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811018073.8A Pending CN109147891A (zh) | 2018-09-03 | 2018-09-03 | 一种基于bp神经网络和遗传算法的形象气质提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109147891A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068326A (zh) * | 2019-04-29 | 2019-07-30 | 京东方科技集团股份有限公司 | 姿态计算方法、装置、电子设备以及存储介质 |
CN115688610A (zh) * | 2022-12-27 | 2023-02-03 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、系统、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867074A (zh) * | 2015-05-15 | 2015-08-26 | 东北大学 | 基于遗传算法优化bp神经网络的学生综合素质测定方法 |
CN106119458A (zh) * | 2016-06-21 | 2016-11-16 | 重庆科技学院 | 基于bp神经网络的转炉炼钢工艺成本控制方法及系统 |
CN205886157U (zh) * | 2016-06-25 | 2017-01-18 | 郑州动量科技有限公司 | 一种足球员速度练习监测与评估系统 |
CN107485844A (zh) * | 2017-09-27 | 2017-12-19 | 广东工业大学 | 一种肢体康复训练方法、系统及嵌入式设备 |
DE102017113232A1 (de) * | 2016-06-15 | 2017-12-21 | Nvidia Corporation | Tensorverarbeitung unter verwendung eines formats mit geringer genauigkeit |
CN108400895A (zh) * | 2018-03-19 | 2018-08-14 | 西北大学 | 一种基于遗传算法改进的bp神经网络安全态势评估算法 |
-
2018
- 2018-09-03 CN CN201811018073.8A patent/CN109147891A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867074A (zh) * | 2015-05-15 | 2015-08-26 | 东北大学 | 基于遗传算法优化bp神经网络的学生综合素质测定方法 |
DE102017113232A1 (de) * | 2016-06-15 | 2017-12-21 | Nvidia Corporation | Tensorverarbeitung unter verwendung eines formats mit geringer genauigkeit |
CN106119458A (zh) * | 2016-06-21 | 2016-11-16 | 重庆科技学院 | 基于bp神经网络的转炉炼钢工艺成本控制方法及系统 |
CN205886157U (zh) * | 2016-06-25 | 2017-01-18 | 郑州动量科技有限公司 | 一种足球员速度练习监测与评估系统 |
CN107485844A (zh) * | 2017-09-27 | 2017-12-19 | 广东工业大学 | 一种肢体康复训练方法、系统及嵌入式设备 |
CN108400895A (zh) * | 2018-03-19 | 2018-08-14 | 西北大学 | 一种基于遗传算法改进的bp神经网络安全态势评估算法 |
Non-Patent Citations (1)
Title |
---|
杨大春: "基于遗传算法优化BP神经网络的行为识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068326A (zh) * | 2019-04-29 | 2019-07-30 | 京东方科技集团股份有限公司 | 姿态计算方法、装置、电子设备以及存储介质 |
CN115688610A (zh) * | 2022-12-27 | 2023-02-03 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、系统、存储介质及电子设备 |
CN115688610B (zh) * | 2022-12-27 | 2023-08-15 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、系统、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12033076B2 (en) | Systems and methods for assessing balance and form during body movement | |
US9195304B2 (en) | Image processing device, image processing method, and program | |
WO2018184424A1 (zh) | 数据处理方法、装置和健身机器人 | |
CN107765856A (zh) | 基于多模态交互的虚拟人视觉处理方法及系统 | |
CN111652078A (zh) | 一种基于计算机视觉的瑜伽动作指导系统和方法 | |
CN109298779A (zh) | 基于虚拟代理交互的虚拟训练系统与方法 | |
CN109063714A (zh) | 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法 | |
CN106462384A (zh) | 基于多模态的智能机器人交互方法和智能机器人 | |
CN111724459B (zh) | 一种面向异构人体骨骼的运动重定向的方法及系统 | |
CN109248413A (zh) | 一种基于bp神经网络和遗传算法的掷实心球姿势矫正方法 | |
CN111539245B (zh) | 一种基于虚拟环境的cpr技术训练评价方法 | |
CN107018330A (zh) | 一种实时拍照指导方法及装置 | |
CN110812798B (zh) | 基于vr的前臂内外旋转训练评估系统、方法及存储介质 | |
CN109147891A (zh) | 一种基于bp神经网络和遗传算法的形象气质提升方法 | |
JP6712027B1 (ja) | 学習支援システム | |
CN109243562A (zh) | 一种基于Elman神经网络和遗传算法的形象气质提升方法 | |
CN115131879A (zh) | 一种动作评价方法及装置 | |
Agarwal et al. | FitMe: a fitness application for accurate pose estimation using deep learning | |
CN108426349B (zh) | 基于复杂网络与图像识别的空调个性化健康管理方法 | |
CN116525061A (zh) | 一种基于远程人体姿态评估的训练监控方法及系统 | |
CN109284695A (zh) | 一种基于数据挖掘的形象气质提升方法 | |
CN116954360A (zh) | 一种基于ar与传感技术的智慧屏互动方法及智慧屏 | |
CN108919804A (zh) | 一种智能车辆无人驾驶系统 | |
JP2020080096A (ja) | オブジェクト識別装置、識別システムおよび識別方法 | |
CN113920530A (zh) | 一种智能监督学生学习的监控方法、系统、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190213 Address after: No. 20, East Road, University City, Chongqing, Shapingba District, Chongqing Applicant after: Chongqing University of Science & Technology Address before: 400015 No. 18 Sixin Road, Yuzhong District, Chongqing Applicant before: Qin Yijing |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |