文摘

为了实现高精度的健美操动作,一个高度适用深度学习模型和更快的数据处理方法是必需的。因此,它是一个主要的困难对健美操动作识别领域的研究。在此基础上,本文研究了应用卷积神经网络(CNN)模型结合金字塔算法在健美操动作识别。首先,卷积的基本架构基于金字塔算法的神经网络模型。结合公共识别模型的应用策略在健美操动作识别,传统的健美操动作捕捉信息处理。通过不同健美操动作的特点,不同的准确识别是意识到,然后,识别模型的误差评估。其次,综合识别函数的卷积神经网络模型在这个应用程序中构造,和公共数据层识别方法用于优化识别效果。针对复合材料的缺陷识别功能,金字塔算法用于提高卷积神经网络识别模型的深度学习的优化。最后,通过效果对比实验,结果表明卷积神经网络模型基于金字塔算法比传统的更高效的识别方法在健美操动作识别。

1。介绍

健美操动作识别的研究已经持续了至少十年,还有很多内容。从识别对象的角度来看,它包括常规健美操动作集合(1),有氧运动类型识别算法和健美操动作的判断。在传统的健美操动作识别的方法,一般通过分析数据集和健美操运动的主要特征的深入研究,实现运动的识别和认知判断(2]。健美操动作自动识别系统的核心内容是确定的准确性和效率在健美操动作识别的过程中,具有重要意义,促进智能发展金字塔算法的组合应用程序的优化和卷积神经网络深度学习(3]。

随着人类社会的发展,生产和生活水平的提高,人们的生活水平不再仅仅满足于食物和衣服。人们开始追求精神上的满足基于丰富的材料。战争的破坏之后,特别是中华民族,国家的人民的共同努力下,中华民族国家的努力取得了和国家已经解放了。各族人民取得了民族独立100多年之后,人们开始追求物质文明的提高。经过一系列的战略决策,如改革开放,经济实力不断加强。然而,一个国家的繁荣不仅是经济的快速发展,而且整个民族精神的完整性。只有物质和精神发展可以反映一个国家的水平和国家的整体水平。因此,随着经济水平的不断提高,中国已开始制定相关政策,提高各族人民的精神。国家提出了“以人为本”的可持续发展理念,旨在坚持满足物质需求和提高人民精神水平作为发展的核心概念,它可以使人们的物质和精神文明有良好和快速发展。只有更好的精神层面上,国家可以有更高的整体质量改进,使国家发展走向民主、繁荣、和谐、文明,也是一个综合实力增强的表现。

基于这一背景,本文研究了应用卷积神经网络(CNN)模型方法结合金字塔算法在健美操动作识别中,主要分为四个章节。部分1介绍了研究背景、必要性和章节安排;部分2介绍了卷积神经网络模型的研究现状结合金字塔算法和国内外健美操动作识别方法。节3神经网络识别函数结合金字塔算法构造。根据健美操的独特性能和差分信息行动,三步操作歧视和健美操动作的判断。节4,卷积神经网络(CNN)模型结合金字塔算法应用于健美操动作识别。实验结果和误差进行了分析,得出结论。拟议的CNN识别模型结合金字塔算法具有较高的识别率和识别速度。

本文的创新在于应用卷积神经网络(CNN)模型结合金字塔算法在健美操动作识别。这个方法可以分解为不同类型的判断有氧运动运动,还可以存储和分类识别健美操运动结合复合识别功能和开展自我训练深度学习,从而达到快速识别效果的“关键信息recognition-CNN深学习模型准确的认可。”

2。相关的工作

近年来,学者对健美操动作识别的研究主要集中在动作识别的优化过程,很少通过智能卷积神经网络系统的研究和金字塔算法深度优化(4]。,在健美操动作识别系统的先前的研究在国外,使用的方法的识别效果差(5]。目前,在健美操动作识别的研究成果,有很多问题,如贫困识别效果,识别速度低,应用范围有限。因此,如何提高健美操动作识别的效率和智能识别已成为一个研究热点6]。学者从德克萨斯大学奥斯汀分校,美国,结合现有的金字塔算法来提高健美操动作识别的过程中,提出了金字塔算法结合神经网络的概念,并使用数据信息在健美操动作的过程中识别判断维度,从而实现信息的深度学习和高精度识别健美操的动作,但其识别效率很慢7]。英国大学的学者Herrington分析健美操的独特运动,提出了一种快速识别方法根据健美操的独特运动在显示过程中,但该方法的识别类型不8]。为了提高健美操动作的识别速度,学者在美国罗切斯特大学的,根据不同的信息不同的运动员在性能相同类型的健美操运动的过程,结合图像处理技术,对相同类型的健美操运动,提出了一种健美操运动识别方法,可以快速、高精度健美操运动员组(9]。匹兹堡大学的学者发现,当前健美操运动的识别作用与周围的环境信息,所以健美操运动识别的方法,提出了消除环境噪声的影响(10]。在澳大利亚墨尔本大学的学者发现,关键动作识别节点对整体识别精度有很大的影响在健美操动作识别的过程。因此,结合金字塔算法,提出了健美操动作的快速识别模型。这种识别方法具有较高的识别效率和识别速度比传统的健美操动作识别方法,但它不能有效利用健美操动作数据,不能进行深入分析数据的水平(11]。日本九州大学的学者已经提出了一个新的“面对面”健美操动作识别模型通过研究和分析的性能稳定和行为相似性运动员有氧运动过程中的性能和识别模型的有效性验证在健美操动作识别的过程中通过实际实验几位健美操运动员12]。

综上所述,可以看出,当前健美操动作识别系统和传统的卷积神经网络(CNN)模型在健美操动作识别通常有识别效果差的问题,识别精度低,稳定性差,利用率和较低的数据13]。相反,在现有的健美操动作识别系统,绝大多数的识别方法只能识别一个有氧运动,不能识别有氧运动有明显的差异,所以他们没有智能特性14]。在识别的过程中,获得的利用率和数据挖掘的影响健美操动作数据信息也很差(15]。

3所示。健美操动作识别系统基于金字塔算法和卷积神经网络模型

3.1。应用程序的想法金字塔算法在卷积神经网络模型

金字塔算法也被称为拉普拉斯金字塔融合算法(16]。在数据信息被发现或加工,实现信息的有效提取图像配准和图像融合为不同类型的图像信息17]。金字塔算法通常用于特征提取和分类的智能数据信息(18]。信息分层后,金字塔算法优化和离散化可能根据不同的类型的问题最优解的过程中找到最佳的解决方案(19]。近年来,金字塔算法已广泛应用于许多实际问题(20.]。例如,健美操动作的识别过程,有效信息提取过程的流量检测图像和图像分析过程的遥感卫星21]。金字塔算法主要是帮助企业和研究人员解决具体目标的优化在特定的场景中特定类型的问题(22]。因此,金字塔算法类似于模糊数学,拓扑分析和图像处理,但它不是完全相同的,仍有明显的差异(23]。金字塔算法稳定性判断和可靠性分析的基础上,要处理的数据的类型,根据其分化特征完成其智能判断和准确的解决方案(24]。卷积神经网络模型结合金字塔算法,它是基于卷积神经网络算法和结合金字塔算法的分层处理的想法进行一轮金字塔结构多维分析卷积后的数据信息分析,通过这种方式,获得的结果通过卷积神经网络算法有更高的稳定性和可靠性25]。在此基础上,本研究结合金字塔算法和卷积神经网络模型在构建健美操动作的识别方法。在建模的过程中,首先,卷积处理进行健美操动作数据信息,然后,金字塔层次分析相结合来实现不同类型的健美操动作数据的准确分类,和内部的数学关系进行了分析。最后,根据已知的健美操动作数据图书馆,不同类型的数据信息进行了分析,最后识别方案和识别结果输出。

3.2。健美操动作识别系统的施工过程

在构建金字塔算法的应用程序框架之后,本研究将结合金字塔算法构建一个健美操动作识别系统。首先,通过结合金字塔塔尖的同义词典的算法和深度学习策略,三个特征参数的健美操动作识别和深度学习动作识别效果选择,和一个健美操动作识别系统结合深度学习和社区提出了回归。通过研究分析过程中,信号转换过程,和相关分析健美操动作的数据集,清楚地分析不同类型的有氧运动行为的差异和相关性在识别过程中,识别系统的施工过程和有氧运动数据分析如图1。

在这项研究中,健美操动作识别系统的施工过程分为以下部分。

第一部分是确定稳定性区别不同类型的健美操运动。的主要思想是根据不同的金字塔算法之间的关联度。在这个模型中,应用程序首先存储在原专业行动数据集矩阵空间设置维度信息,然后初始化。然后,根据不同类型的数据信息的维度差异,健美操动作识别的特征值,深度学习特征值和标准程度的函数解决:

较低的纬度数据表示的信息 ,是由高维度信息 ,标准的时期是 ,学习的重量是 ,和标准的适应值 。

接下来,在金字塔算法,我们需要识别和计算数据信息;然后,标准的函数 :

较低的纬度数据表示的信息 ,是由高维度信息 ,标准的时期是 ,学习的重量是 ,和标准的适应值 。完成后的数据真实性补充功能,有必要进行误差校正,校正后的标准函数 :

校准后的标准功能,有必要解决特征向量根据特征向量的大小实现不同有氧运动的初步识别和操作类型判断的行为。当特征向量系数值较大,健美操动作的识别精度越高,特征向量越小,较低的健美操动作的识别精度。有氧运动的识别过程如图2。

3.3。健美操动作识别系统的优化和复合识别功能的设计过程

为了进一步提高识别精度的健美操动作识别系统,我们需要优化上述动作识别系统。因此,介绍了综合鉴别函数完成优化过程。综合识别函数是一个二进制表示的对象的关键信息(振幅信息)通过multiangle耦合相关分析确定,从而实现其真实性的可靠性评估。这是一系列的一般术语多索引复合函数的有效方法。复合函数识别是一个多准则决策分析方法结合定性和定量分析。它是最广泛使用的各种问题的决策分析方法。它分解决策问题为多个水平的相关因素,然后进行定性和定量分析。分层解决方案过程的仿真结果如图所示3。

从仿真结果可以看出在图3随着分解水平的增加,它有更可靠的数据稳定分层解决方案的过程中,因为在卷积神经网络优化方法和识别系统使用在这个模型中,不同的层数,提前确定要解决的问题,和综合识别目标是确定。分析决策问题行动和有氧运动的形式变化。在这个过程中,如果有许多需要包括的因素,有必要完成健美操动作的进一步识别和数据提取。在这个过程中,有必要进行多元化的分析不同类型的健美操动作的真实性,建立真实可靠的行动作为标准化的参考指标。

上面的链接,完成后在健美操动作识别系统的优化过程,复合多维健美操动作识别功能是用于数据分析,和多样化的评价函数用于不同类型的数据的相关分析。关联度分析的过程中,如果不同类型的数据的维度不同,内部函数表达式的值是不同的。因此,它显示了不同的健美操动作识别系统的识别精度。优化过程的仿真结果如图所示4。

从图可以看出4在三个不同的阶段,健美操动作识别的仿真分析具有明显的梯度差异。这是因为数据维度和计算复杂度的不同级别的数据类型不同,所以结果是显然不同的。相反,仿真结果符合预期的差异,和有氧运动的差异识别效果明显改善。这是因为在深度学习的过程中识别在健美操动作识别中,该模型将采用不同的计算策略根据不同类型的健美操动作的区别。复合识别功能在三维的策略是

其中,健美操动作数据和吗是参考常数。综合识别功能在多维策略如下:

其中,健美操动作数据和吗是参考常数。综合识别功能还需要评估和测试的有效性所表达的定量识别,测试函数 ,可以表示为哪一个

识别相似发现根据识别的相似值测试函数。表1标准参考价值的测量指数吗测试函数对应的综合识别功能。其中,YO3与伯努利分布在三维识别相似性指数和你是高斯随机分布的识别相似。

3.4。卷积神经网络识别模型对健美操动作数据识别流程优化

data-solving过程的有氧运动识别系统基于卷积神经网络模型中,仍有改进的余地在相应的复合函数识别方法。因此,根据分层的金字塔算法和卷积神经网络模型的耦合分析功能,结合五维金字塔分层的概念功能和卷积因子,数据的本质金字塔分解和数据融合的算法应该被应用到这个深度学习识别模型。确定健美操动作的过程中与传统的复合功能,逐渐从最高的分层数据维度下来,一层一层地验证。不同类型的数据信息的可靠性进行了分析,并分析的仿真结果如图所示5。

从图可以看出5之后,使用不同类型的神经网络算法来分析数据,它显示了一个与数据维度的增加逐渐减少的趋势。这是因为在分析识别规则,神经网络算法进行多级数据关联分析和可靠性的解决方案。的分析优化健美操动作识别系统,假设因素是由的域 ,由域的识别水平 ,的会员来是由 ,和复合的会员识别函数表示如下: 在哪里数据处理信息和吗和是垂直单位维向量。在健美操动作识别和深度学习识别优化系统,金字塔算法和卷积神经网络算法需要用于定量分析和错误数据类型的歧视在健美操动作识别,以及定量分析功能和判别函数如下: 在哪里数据处理信息和吗和是垂直单位维向量。因此,为了解决大型问题的错误在有氧运动识别的过程中,基于传统的健美操动作识别,根据卷积神经网络优化模型和金字塔分层解决方案策略,有氧运动行为的维度分析和相关测试数据输入系统的实施,并根据不同类型的函数分析了拟合程度。实现交叉分析和稳定健美操动作数据的解决方案,和仿真结果如图6。从图可以看出6,而结果图5,变化规律也受到数据的维度,但总的来说,它不会降低数据维度的增加。当数据维数是5,三种方法的仿真结果有更好的识别的稳定性和数据的可靠性。因此,使用拟合函数得到的仿真结果可以提高稳定性和数据可靠性的识别过程。

在优化之前,拟合分析功能和稳定性判断函数是相等的:

优化拟合分析功能和稳定性判断函数是 在哪里数据处理信息和吗和是垂直单位维向量。

通过这种方式,同时确保健美操动作识别的准确性,还可以有效地提高健美操动作数据的利用率和分析效率,减少整体分析时间,然后减少系统错误的歧视。优化仿真结果如图7。

从图可以看出7健美操动作识别模型的仿真结果提出了在这项研究中有更好的稳定性和数据的一致性。这是因为识别模型采用复合功能,这种功能和常见的因素包括阈值和灰色模糊阈值的相关性因素。因此,在健美操动作识别的过程中,综合识别函数具有高稳定性和良好的数据一致性。根据不同类型的健美操运动数据信息,请先删除周围的环境信息与健美操运动,零相关区,然后完成数据相关分析。优化的相关分析功能和优化的相关函数是 在哪里数据处理信息和吗和是垂直单位维向量。

4所示。结果分析和讨论

4.1。验证实验的设计

在实验的过程中,专业健美操的运动识别系统数据集在许多国家被选中为实验对象,和相关的原始实验数据的来源是通过网络公共信息。正式实验前的卷积神经网络识别系统结合有氧运动动作模式,我们需要确定识别策略根据层次金字塔算法的验证规则。三组实验结果的相关数据如表所示2。实验结果如图所示8。

根据实验结果图8,卷积神经网络模型结合金字塔算法具有更好的识别效率和精度比其他智能算法在健美操动作识别,和实验误差率也低。这是因为在实验的过程中,识别步骤后,剩下的核心数据信息将由交叉处理向量解决其向量内积。根据数值变化趋势和幅度差异,健美操动作信息数据可以发现,最后,将进行反馈处理这些信息的相关性。,它的特点是和解释的二维图像或三维动作,所以它有更好的识别影响健美操动作实验过程中的数据。

4.2。实验结果分析

为了进一步分析实验结果的有效性,分析后的数据类型,识别结果的客观性需要进一步评估。实验数据的健美操动作识别系统,相关的实验数据集的金字塔算法MATLAB和Excel软件处理。在这种识别方法进行了优化,实验结果需要验证,验证结果如图所示9。

从图可以看出9卷积神经网络有氧运动识别模型基于金字塔算法能促进健美操动作识别的效率,而且具有更好的识别的稳定性。与此同时,它可以进一步提高健美操动作识别的质量和传统的深度学习识别优化,及其识别质量也进一步提高。与其他方法相比,在这个实验中,相对误差也减少了。

5。结论

如今,存在一些问题在健美操动作识别的方法,如大部分的主观因素和低程度的情报。在此基础上,本文研究了应用卷积神经网络模型结合th epyramid算法在健美操动作识别。首先,根据层次金字塔算法的概念和基本架构,结合已知的卷积神经网络(CNN)模型,提出了一个智能健美操动作识别系统。其次,本文构造复合的金字塔算法在系统识别函数,分析了传统的优化效果优化识别的识别方法,针对其缺点改善,并使用金字塔算法深入优化健美操动作识别系统。最后,实验结果表明,健美操动作识别系统基于金字塔算法和卷积神经网络模型具有良好的速度指数,高度的智慧,和高度的精度,验证了系统的有效性通过多种数据集。本文的创新在于应用卷积神经网络(CNN)模型的方法结合金字塔算法在健美操动作识别。这种方法可以分解为不同类型的有氧运动的行为判断,也可以结合复合识别函数来存储和分类识别健美操动作数据,进行自我训练深度学习,从而达到“关键信息recognition-CNN深学习model-accurate识别“快速识别效果。但这项研究只考虑健美操动作识别的数据集,而不考虑其应用效果在特定的有氧运动,这样我们就可以进行更深层次的研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由广东财经大学。