RBF人工神经网络在坐姿评价中的应用

对传统坐姿评价算法计算过程冗杂、繁琐、准确率不高的问题,提出了建立基于径向基函数(radial basis function,RBF)神经网络的坐姿状态描述应用模型,通过搭建坐姿压力采集实验平台,利用MATLAB进行数据的归一化处理、计算、模型仿真,训练出一套具有良好学习能力、容错能力的坐姿状态描述神经网络。与常规的坐姿评价计算方法相比,该应用方法不但能够降低数据采集的难度,而且提高了坐姿评价5%的运算效率,为设计坐姿监测系统提供理论依据。

基于关键点注意力的轻量级坐姿识别

提出了基于关键点注意力的轻量级坐姿识别算法。该算法从网络结构轻量化进行设计,融入了空洞卷积和残差注意力模块,并设计了关键点注意力模块,利用空间信息增强上下肢之间对应关键点的特征关联。本文结合关键点空间距离规则,提出了一种坐姿评价规则对不同坐姿进行评分。实验结果表明,本文算法mAP达到了73.2%,参数量缩小76%,能够对不同坐姿给予正确的评分。

基于改进BP神经网络的坐姿评价模型研究

为了提高智能座椅坐姿识别的准确性,提出基于改进BP神经网络算法的坐姿评价模型。采用大面积阵列分布式薄膜压力传感器进行原始坐姿样本采集,建立BP神经训练网络,通过优化其学习率对网络进行改进,并编写程序提取训练结果。实验表明,该方案的准确性和实用性都比较高。