性能优化机制基于强化学习的青少年体能训练和马尔可夫模型

文摘

在青少年未能获得足够的体育锻炼在增长和发展阶段,相关的中枢神经系统容易变性和身体健康开始逐步下降。事实上,通过监测运动过程所和量化运动数据,青少年体育锻炼可以有效地进行。这样的过程,它涉及到两个问题,即。,the real-time data monitoring and data quantification evaluation. Therefore, this paper proposes a novel method based on Reinforcement Learning (RL) and Markov model to monitor and evaluate the physical training effect. Meanwhile, the RL is used to optimize the adaptive bit rate of surveillance video and help the real-time data monitoring; the Markov model is employed to evaluate the health condition on the physical training. Finally, we develop a real-time monitoring system on exercise data and compare with the state-of-the-art mechanisms based on this system platform. The experimental results indicate that the proposed performance optimization mechanism can be more efficient to conduct the physical training. Particularly the average evaluation deviation rate based on Markov model is controlled within 0.16%.

1。介绍

青少年的身体健康已经引起了全球的关注很长一段时间,因为它有相当重要的影响在每个国家的兴衰。事实上,相关的中枢神经系统逐渐开始退化,身体健康也将下降,当青少年无法获得充足的体育锻炼在增长和发展阶段。此外,根据所听到和看到的可靠消息,高中生和大学生之间的猝死事件频繁发生,使人们把注意力转向健身问题过程中体能训练(1]。粗略的,青少年体育锻炼是非常重要的,而运动(包括公共/私有、个人/人口)必须正确完成。

研究表明,生成的体能训练数据不仅反映出锻炼者的真实轨迹,也意味着丰富的和有价值的信息相关的整个运动过程2]。具体而言,信息包括时间、速度、加速度,步骤,和能源消耗。其中,能源消耗是一个重要的指标,它可以释放两个关键信号,即。运动量和运动强度。有鉴于此,运动量和运动强度信息可以很容易获得通过监控消耗能量,然后可以进行体能训练和调整,它可以被看作是健康和合理的运动。此外,根据监测能源消耗,不可预见的情况下由于过度训练可以及时发现,尽可能避免更糟糕的悲剧。

根据上面的语句中,我们可以观察到视频监控支付过程中不可忽视的角色监控物理训练数据。然而,传统的视频监控显示了一些限制。一方面,发展的计算速度无法跟上应用程序数据的增加;另一方面,固有的传输开销是非常大的,所提供的网络带宽和切段的传播也并不总是匹配(3]。因此,它是非常必要的优化自适应比特率(ABR) [4),保证获得实时监控数据。

典型的ABR算法包括缓存阶段和稳定阶段(5]。在第一阶段,ABR算法通常倾向于尽快填满缓存;在第二阶段,ABR算法通常尝试最好的提高视频片段的质量,防止缓存溢出。目前,已经有一些ABR优化算法,包括传统的和人工智能(AI)为基础的。我们最好的知识,传统的ABR优化算法不能获得实时网络状态适应动态网络环境。相反,基于ai ABR优化算法可以自适应地调整网络参数,得到相对最优视频传输(6]。在人工智能方面,强化学习(RL) [7)是最受欢迎的代表。RL,它可以检索要求数据智能代理之间的信息交换和外部环境,培训之前没有准备额外的训练数据集。与其他RL-based ABR优化算法相比,问知识基础上优化算法有更好的体验质量。然而,当前问知识基础上优化算法无法编码的连续状态值,不能完成快速收敛的大状态空间。作为结论,本文改进了问则将ABR优化算法。

除了数据监测、体能训练数据的量化评估也是非常重要的。具体来说,体能训练特征可以通过分析监控运动中提取数据(8];在此基础上,嵌入的法律可以探索和相应的体育锻炼身体健康可以建立评价模型,比如锻炼效果,锻炼耐力,和改进情况。评价模型的基础上,区分物理培训教育可以有效地发展。

使用上面的考虑,本文提出了一种新颖的方法基于RL和马尔可夫模型来监测和评估青少年体育锻炼的效果。总结了主要贡献如下。(我)问学习RL是利用优化ABR的监控录像结合最近邻算法。(2)马尔可夫模型用于评估健康状况考虑能源消耗指标的体能训练。(iii)运动实现数据的实时监测系统,以及性能优化影响青少年体能训练演示了基于系统平台。

剩下的纸是组织如下。部分2评审的相关工作。改进的问知识基础上优化提出了部分3。部分4给出了体能评价模型。实验结果部分所示5。部分6本文总结道。

2。相关工作

有关体育锻炼总是和一些最尖端的作品已经开发出来。Buckinx等人评估补充瓜氨酸结合高强度间歇训练的影响在健康老年人(物理性能9]。安娜等人提出了多组分运动训练方法结合营养咨询改善体育教育(10]。Konstantinos等人提出了一项研究,比较虚拟和物理训练的有效性教学用双手的装配任务和新方法,介绍了任务的复杂性作为在总装装配错误的指标(11]。Roland Van Den等人研究了培训爆炸性的力量和增强式训练的顺序不同的物理能力在青少年手球运动员12]。罗德里戈等人调查了plyometric训练在足球球员的体能通过考虑肌肉力量、速度和变向速度任务(13]。辛普森等人的物理性能增强职业橄榄球联赛的球员通过优化force-velocity培训(14]。毫无疑问,上述引用显示专业体能训练研究。尽管如此,他们没有提供网络化的体能训练模式,即。,无论产生的视频监控的数据传输。为此,太阳和邹集中在视频传输和改进的性能扩展训练通过使用移动边缘计算(3]。然而,(3,9- - - - - -14)还是没有注意ABR体能训练数据的优化在传输过程中。

ABR优化起着重要的作用在网络化的体能训练模式。传统的优化算法通常都是启发式的。希克等人宣布两项政策优化上,即。,gradual increasing, but accelerate decreasing for the bit rate [15]。启发式ABR优化存在次优问题和传输质量的冲击问题,而在体验质量有相当大的影响力。因此,Mok等人注意提高质量的经验(16),可以保证传输质量保持稳定水平。此外,传统的ABR优化算法也有一个限制,即。,could not build the predictable and describable mathematical models for the concrete problems. For such purpose, some researchers used the control theory to optimize the ABR, where the controller was responsible for handling the input parameters. For example, Xiong et al. proposed the adaptive control model based on fuzzy logic, which could effectively meet the dynamic network change [17]。此外,Vergados等人利用模糊逻辑设计自适应政策通过输入不同的缓存信息(18),防止缓存溢出。虽然[17,18]对ABR优化取得了良好的影响,他们无法获取实时网络状态适应动态网络环境。为此,提出了基于ai ABR优化算法。例如,钱教授等人映射特性值与网络带宽的比特率视频通过使用随机森林分类决策树(19]。低音部等。20.)训练分类模型和基于分类模型估计比特率。事实上,这些上优化算法(19,20.)需要现成的数据集用于培训。相反,RL-based ABR优化算法可以很容易地获得体能训练数据没有准备额外的数据集。其中,问知识基础上优化算法可以获得相对最佳体验质量(21]。尽管如此,它是非常困难的问知识基础上优化算法编码连续状态值,实现快速收敛的大状态空间。

体能训练数据的评价模型构建非常重要,因为它可以有效地进行体能训练和调整。ElSamahy等人提出了一个基于计算机的系统安全的体能评价对象进行有氧身体压力,一个比例积分模糊控制器应用于控制应用物理压力,以确保不超过预定义的目标心率,以满足安全(22]。钟和胡锦涛设计WebGIS-based互动平台,收集和分析国家体育与健身相关的指标,包括实现七个功能模块(23]。Heldens等人研究了保健数据评价模型解决身体健康的性能参数之间的联系和结直肠手术的患者术后预后24]。马提出了一种多层次体能和健康效应的估计和模糊评价普通高校大学生的基于分类和回归树算法(25]。瞿等人认为身体健康评估儿童先天性心脏疾病与健康人群(26]。尽管上述引用体能的评价模型构建的,他们没有解决青少年体能训练。对此,郭等人提出了一个基于机器学习身体健康评价模型面向为青少年可穿戴的运行监控,一个变种的梯度提升机结合先进的特征选择和贝叶斯hyperparameter优化来构建一个身体健康评价模型(27]。尽管如此,(27)没有集中ABR优化,不能完整的最佳性能优化青少年体能训练。

3所示。问学习RL的ABR优化

RL-based ABR优化算法显示了状态空间划分和收敛速度之间的权衡。具体而言,如果状态空间划分的更细粒度的方式,生成更充足的国家,进一步可以更精确地描述了系统的行为,而这将导致收敛速度慢的问题。相反,如果划分的粒度比较大,变小了,小的状态数,同时可以加快收敛速度。此外,这些国家在ABR优化问题通常是连续的,和当前问知识基础上优化算法只会让这些国家的简单离散处理。因此,本节计划结合最近邻算法来解决上述问题。

3.1。上决策模型

假设每一个代码涉及视频片段,用 ,分别。客户端可以从一些编码速率选择相应的段根据网络状态信息,如网络带宽,缓存状态,等等。事实上,视频片段的选择可以被视为顺序决策过程,和决策的目标是保证稳定的高码率视频显示网络带宽的条件下使动态变化。有鉴于此,本文假定有一个智能代理来决定如何下载视频片段。在数学上,对于任何 ,我们可以观察到的信息,如网络带宽(用 ),缓存状态(用 ),和前一段的质量(用 ),被定义为和相应的环境状态 。

智能代理选择特定的不同码率的视频片段根据感知信息。关于选择的行为 ,它可以被称为一个明智的行动,用 。后完成后,指将被更新和选择的编码速率(用 )。让表示的持续时间 ,和相应的下载时间定义如下:

此外,为 ,其相应的缓存定义如下: 这表明市场滞后时间等于缓存消费时间。我们所知,策略由智能代理通常不是最优的。因此,我们给奖励函数(用 )进行智能代理达到最优水平。尽管如此,奖励函数的设计应该遵循服务质量的要求,主要包括以下三个因素:视频片段的质量,质量不同的两个框架之间的价值,和风险系数对缓存溢出。其中,评价越高服务质量来自于更高的第一因素,较小的第二/第三个因素。与上述三个因素考虑,定义如下: 在哪里是一个监管参数调整的区别和 ; 是用来衡量风险系数对缓存溢出,它有两个功能:保证缓存保持安全水平和避免这样的行为导致低缓存,因为他们很容易触发复制缓存事件。作为一个结果,定义如下: 右边的两个部分的方程(4)代表安全缓存级别和复制缓存事件,分别;和分别是两个调节参数,确定安全缓存级别和复制缓存事件被认为是。

事实上,ABR基于顺序段选择优化问题的智能代理可以构建马尔科夫决策模型(28),这是表达的四个属性,即。,state space, action space, conditional transition probability, and instant reward function, denoted by , , ,和 ,分别。如前所述,状态空间包括网络带宽,缓存状态,前一段的质量。操作空间的集合所有可用的代码。特别是智能代理的策略进行了状态空间的行动空间的映射关系,也就是说, 。此外,相应的随之改变,会转化成吗当完成,这种情况叫做条件转移概率,用吗 。此外,智能代理的决策目标是获得最优长期利益根据一些策略( ),和长期效益函数定义如下: 在哪里是初始状态;是折扣参数,是在0和1之间。当 ,这意味着行动只注重当前利益无关的预期利益。的增加 ,行动开始关注预期的效益。假设的最优策略,同时保证长远利益是最大的,我们有什么

3.2。最近邻算法问则将

3.2.1之上。K最近的邻居的建议

为了获得最优策略的公式(6修改),长期效益函数的递归形式,如下

正如我们所知,公式(7)可以解决动态线性规划算法获得最优策略。然而,动态线性规划具有较高的计算复杂度,因此悄无声息[29日)使用问则将方法获得最优策略与相对较低的计算复杂度。而言,问则,它维护一个问表包含的条目映射从国家的行动。正如上面提到的,问则有两个限制;因此,本文准备使用K最近邻居算法来优化它。

的K最近邻居算法是首次提出由封面和哈特(30.1968年],它属于基于实例的学习方法。在K最近邻居算法,两个样本之间的欧氏距离通常是用来测量相似,欧几里得距离越大,意味着较低的相似的地方。例如,假设 和 两个数据样本的吗 - - - - - -维空间,之间的欧氏距离和被定义为

3.2.2。上的优化

我们雇佣的问则将基于K最近邻居算法优化ABR和相应的状态划分如图1。我们可以观察到,当且仅当每个区间的中间值是确定,国家被发现。在这种情况下,国家的问可以获得价值指的是相邻的问值(s)。假设是两个国家之间的欧氏距离,定义如下: 在哪里 , ,和关于两个网络带宽是欧几里得距离,两个缓存状态,和前两段分别的品质,他们计算类似于公式(8)。在获得这些之间的欧氏距离和国家问表,第一个 - - - - - -最近的距离及其对应的选择问值用于计算数组问值为 ,定义如下: 在这里,邻近的国家 ; 是问价值的比例 。如果相应的比较大,将小。给定一个中间变量 , 定义如下:

此外,操作完成后,需要更新问表根据返回的即时奖励和新的状态。如果当前状态是在国家部门表中找到,也就是说, ,的更新问值定义如下:

相反,如果当前状态中不能找到状态划分表,也就是说, ,的更新问值定义如下: 在哪里是一个中间变量;是一个规律参数;是下一个后状态 。

根据上面的语句中,ABR优化基础上的伪代码问则考虑的K最近邻居算法中描述的算法1。

4所示。身体健康评估

体能训练数据的量化评估也是非常重要的。事实上,体能训练过程是复杂的和有较强的随机性,导致难以量化评估。传统的物理评价模型(例如,22- - - - - -26)通常认为与主体性的相对简单的因素,也有一些局限性。因此,需要找到一个合适的模型来评估体能训练。

4.1。认为孵化

体能训练过程具有随机性的特点,也就是说,随后的运动状态只取决于当前运动状态与历史运动,没有连接状态。这符合马尔可夫过程;因此,本文运用马尔可夫模型来模拟体能训练过程,并进一步提出相关的评价模型,包括个人运动模型和人口运动造型。的主要观点总结如下:(我)个人运动建模。(我)生成的体能训练数据是给定一个等级;(2)获得的转移概率矩阵的不同等级的数据;(3)稳定概率计算的向量马尔可夫过程的稳定性,预测稳定状态;及(iv)随后的体能训练进行了基于运动极限。(2)人口运动建模。前两个步骤类似于那些在个人运动造型。第三步是比较生成的人口数据和调整改善程度适应整个体能训练效果。

此外,在体育锻炼过程中生成的能量通常反映了身体健康的情况;因此,本文认为能源消耗作为评价指标。特别是对青少年体育锻炼,消耗能量逐渐增加在初始阶段。达到相对稳定的水平之后,它开始迅速下降,直到青少年失去力量。的个人运动造型,我们采用能耗率作为评价指标,定义如下:

其中, 数据收集和使用的时间吗最大数量的时期;消耗的能量吗th数据收集;和花时间来完成 。的人口运动造型,我们采用改进程度对能源消耗转变为评价指标,定义如下:

其中,转移概率;是能源消耗跨度不同,它可以通过公式计算(8);和是规律参数。

4.2。造型的两种情况

4.2.1。准备个人造型

基于马尔可夫模型和ABR优化算法(见部分3),能源消耗数据可以很容易监测和计算。之后,能耗率序列可以通过公式(15)。的序列,个人评价模型基于马尔可夫过程描述如下:(我)状态空间划分。极大值和最小值序列中发现,用和 ,分别。假设有分裂国家的间隔,间隔的长度定义为 在此基础上,划分区间 。(2)转移概率矩阵计算。连续时间时间,转移概率计算,这些转换概率矩阵用来记录一个可以获得和用 。(3)稳态向量的决心。当能耗率完成,我们给一个初始状态向量用为了满足 根据马尔可夫链的稳定性,我们可以获得一个状态向量 为了满足 ,在哪里被称为稳态向量。(iv)有限的能源消耗速度计算。为国家的间隔,选择最大价值,表示的最大价值th间隔,和被定义为有限的能源消耗速度

总之,如果大于 ,这意味着目前的体能训练是危险的,系统将通知减缓身体训练的青少年。

4.2.2。人口模型

假设一个人口包括少年人,和人口的平均能耗定义如下: 在哪里消耗能源的任意的青少年人群中个体。以类似的方式,序列平均能源消耗可以通过公式(20.),用 ;也就是说,有收集时间。的序列,人口评价模型基于马尔可夫过程描述如下:(我)状态空间划分。极大值和最小值序列中发现,用和 ,分别。假设有分裂国家的间隔,间隔的长度定义为 然后,分裂间隔 。(2)转移概率矩阵计算。它类似于操作的个人评价模型。(3)过渡的改进程度计算。它可以通过公式(16)。

总的来说,如果大于 ,这意味着体能训练效果已得到改进,系统将通知人口提高体能训练。

5。仿真结果

在本节中,我们注意到仿真实验。首先,我们开发数据监测系统。然后,我们测试体能训练评估模型。最后,整个性能优化验证了青少年体能训练。与此同时,最后两部分是基于系统平台开发的。特别是关于仿真的设置,我们做不同的模拟,找到一个合适的组合。

5.1。系统实现

实时数据监测系统依赖于计算机技术,通信技术,和体育科学提供了实时运动监控服务根据收集的数据信息对体能训练。在青少年体育锻炼方面,数据监控系统平台体系结构如图2。我们观察到系统平台包括四个模块,即。,data collection, data receiving and data sending, data analysis and handling, and data display. Among them, the last module can provide the reference for the adolescent physical training directly according to the monitored data.

5.2。模型评价

本节将评估两个模型,即。,individual evaluation model and population evaluation model. The involved parameters are set as follows: , , ,和时间30年代。此外,我们使用偏差率来衡量评价模型是否可以接受。对个人评价模型,我们测试1000名青少年12次实验,频率是每天一次。实验结果进行了体能训练条件如表所示1。对于人口评价模型,我们也为12次实验测试1000人口,其中一个人口包括20青少年和频率是每天一次。人口身体训练条件相应的结果如表所示2。其中,偏差率被定义为的比例不当行为的数量和总数量的实验。

从表中看到1和2,每组实验的偏差率总是小于0.3%。具体而言,平均偏差率的个人评价模型是人口0.158%,评价模型是0.092%,和两个值可以控制在0.16%,这意味着它是有效使用马尔可夫模型来评估青少年体能训练。此外,它意味着马尔可夫模型具有更好的评价影响的人口体育锻炼情况,因为0.158%0.092%。

5.3。性能验证

本节将验证优化进化论的青少年体育锻炼通过比较两个基准,即。,(3,27互联网技术发表的信件(ITL)和计算机网络(CN),分别。与此同时,整个传输时间和丢包率采用两个性能验证指标。相关参数设置如下: , , , , , ,和 。此外,模拟的数量设置为10。实验结果对整个传输时间和丢包率如表所示3和4,分别。

从表可以看出3和4摘要总是消耗最小的传输时间和丢包率最低。这意味着本文最优优化青少年体能训练的性能。这是因为本文使用RL得到相对最优解,使用马尔可夫模型来获得相对准确的训练效果。另外,关于这两个指标,我们展示对应的色散系数评价稳定,如图3。我们注意到,这纸总是最小的弥散系数由于使用RL稳定的保证,这意味着性能机制是最稳定的。

6。结论

青少年的身体健康已经引起了全球的关注很长一段时间,因为它有一个相当重要的影响每一个国家的兴衰。本文提出了优化青少年体能训练基于RL和马尔可夫模型。因为RL-based ABR优化算法显示了状态空间划分和收敛速度之间的权衡,本文改进了问则将通过使用K最近邻居算法。此外,我们还身体健康上的评价模型,包括个人运动模型和人口运动造型,基于马尔可夫模型。此外,我们做模拟实验的基础上,开发了数据监控系统平台,结果表明本文一直青少年体育锻炼的最优优化性能最稳定的状态。在未来,我们将在我们的系统平台部署更多的功能,如自适应识别和预警。除此之外,我们还根据实际试验台而是做出大规模实验系统的平台。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

工作专项资金支持的项目在中央大学(没有基础科学研究。451170306081)和高质量的研究项目在实现路径吉林省(没有学校竞技体育的发展。2020 c088)。此外,作者还感谢Yuanshuang李专家视频传输领域的ABR知识提供极大的帮助。

引用

1. x y金和王”,研究安全的龙舟运动体能训练模式基于机器学习,”安全科学卷,120年,页1 - 5,2019。视图:出版商的网站|谷歌学术搜索
2. g . Andrienko n . Andrienko p . Bak, d . Keim s Kisilevich和美国“”一个概念性的框架和分类的技术分析运动”杂志的视觉语言和计算,22卷,不。3、213 - 232年,2011页。视图:出版商的网站|谷歌学术搜索
3. l .太阳和y邹,”移动边缘计算基于视频监控模型改进的性能扩展训练,”互联网技术信,2020年。视图:出版商的网站|谷歌学术搜索
4. 答:杨,吴x、y .乔和Y.-n。太阳,“码率自适应光学光纤通信系统性能监控方法,”光学通信,卷284,不。1,第440 - 436页,2011。视图:出版商的网站|谷歌学术搜索
5. c . a . Rao y Lim Barakat et al .,“网络视频流量的特点,”《第七次会议上新兴网络实验和技术2011年12月,页1 - 12,东京,日本。视图:出版商的网站|谷歌学术搜索
6. b . k . Mohanta d . Jena s Ramasubbareddy m . Daneshmand和a . h . Gandomi”解决物联网的安全与隐私问题使用区块链技术,”IEEE物联网卷。111年,1卷,2020页。视图:出版商的网站|谷歌学术搜索
7. l . p . Kaelbling m·l·利特曼和a·w·摩尔,介绍了强化学习美国新泽西州霍博肯市IEEE出版社,2005年。
8. j . h .元,j . Wang刘、李,“无线个域网和大数据分析的研究基于脉冲监测系统有效的体能训练,”Procedia计算机科学卷,80年,第2361 - 2357页,2016年。视图:出版商的网站|谷歌学术搜索
9. f . Buckinx l·p·卡瓦略和诉Marcangeli,“高强度间歇训练结合L-citrulline补充:对物理性能的影响健康的老年人,“实验老年学,140卷,2020年。视图:出版商的网站|谷歌学术搜索
10. c·安娜·Beatriz g . Paula et al .,“多组分运动训练结合营养咨询改善身体功能、生化和人体肥胖儿童的资料:一个试点研究,“营养物质,12卷,不。9日,页1 - 15,2020。视图:出版商的网站|谷歌学术搜索
11. k . Konstantinos c·弗朗西斯科·m·Panagiotis和k·西蒙,“虚拟和物理训练的有效性:装配任务的情况下,培训师的语言帮助,和任务的复杂性,“IEEE计算机图形学和应用程序,40卷,不。5,41-56,2020页。视图:出版商的网站|谷歌学术搜索
12. t·罗兰·范·r·Truls Valland, o·达斯汀,”比较的影响培训爆炸性的力量和增强式训练的顺序在青少年手球运动员不同的物理能力,”生物学的运动,37卷,不。3、239 - 246年,2020页。视图:出版商的网站|谷歌学术搜索
13. r·罗德里戈·a·克里斯蒂安·g·菲利普et al .,”效应的结合表面与单表面plyometric训练对足球运动员的体能。”肌力与体能训练研究》杂志上,34卷,不。9日,第2653 - 2644页,2020年。视图:出版商的网站|谷歌学术搜索
14. a·辛普森·m·沃尔德伦大肠缓冲et al .,“优化force-velocity在季前训练提高物理性能在职业橄榄球联赛的球员,”体育科学杂志》,2020年。视图:出版商的网站|谷歌学术搜索
15. l·d·希克,美国Mascolo诉彭明盛,“反馈控制自适应流媒体视频直播,”学报》第二届ACM的多媒体会议系统,页145 - 156,2011年2月,美国圣何塞。视图:出版商的网站|谷歌学术搜索
16. r·k·p·Mok x罗和r·k·c·Chang e . Chan“QDASH: QoE-aware缓冲系统,”《第三届ACM的多媒体会议系统时间为,页月11日至22日,教堂山、数控、美国,2012年2月。视图:出版商的网站|谷歌学术搜索
17. p . Xiong, j .沈问:王et al .,”国家统计局:network-bandwidth-aware流版本切换器移动流媒体应用模糊逻辑控制,”第一IEEE国际会议论文集在移动服务檀香山,页48-55,嗨,美国,2012年6月。视图:出版商的网站|谷歌学术搜索
18. d . j . Vergados A . Michalas A Sgora et al .,“在MPEG-DASH控制算法的速度适应,”学报》第五届国际会议上的信息,智能,系统和应用程序,页1 - 5,有关希腊,2014年7月。视图:出版商的网站|谷歌学术搜索
19. y简、林c和m . Chen“基于机器学习的速度与弹性特征选择适应基于http流媒体,”《IEEE国际会议多媒体和世博会意大利的都灵,页1 - 6,,2015年6月。视图:出版商的网站|谷歌学术搜索
20. 低音部,a . Servetti大肠马沙拉et al .,“测量冲流性能使用neubot从最终用户的角度来看,“《第五届ACM的多媒体会议系统2014年3月,页1 - 6、新加坡。视图:出版商的网站|谷歌学术搜索
21. c·j·c·h·沃特金斯和p·达扬Technical note:问则”,机器学习,8卷,不。3 - 4、279 - 292年,1992页。视图:出版商的网站|谷歌学术搜索
22. e . ElSamahy A . Genedy m·A·阿巴斯et al .,”计算机系统安全的身体健康评估,”学报》第四届国际生物医学工程与信息学会议,第1447 - 1443页,上海,中国,2011年10月。视图:出版商的网站|谷歌学术搜索
23. y钟和w·胡,”研究WebGIS-based信息集成和数据分析平台,中国身体健康和全民健身活动”第二届IEEE国际会议上计算机和通讯成都,页135 - 139年,中国,2016年10月。视图:出版商的网站|谷歌学术搜索
24. a·f·j·m·Heldens公元前Bongers, a . f .由Lenssen l·p·s·斯达森w·f·Buhre和n . l . van Meeteren,“身体健康的性能参数之间的关系和结直肠手术的患者术后预后:一项评估护理数据,”欧洲肿瘤外科杂志》上,43卷,不。11日,第2092 - 2084页,2017年。视图:出版商的网站|谷歌学术搜索
25. l .马”多层次体能和健康效应的估计和模糊评价普通高校大学生的基于分类和回归树算法,”《2018年国际会议上虚拟现实和智能系统长沙,页201 - 205年,中国,2018年8月。视图:出版商的网站|谷歌学术搜索
26. j .瞿h·史x Chen等人“评价先天性心脏病儿童的身体健康与健康的人口,”研讨会在胸心血管外科手术,2020年。视图:出版商的网站|谷歌学术搜索
27. j .郭l .杨r . Bie et al .,”一个XGBoost-based体能评价模型使用先进的特征选择和贝叶斯hyper-parameter优化可穿戴的运行监测,“计算机网络卷,151年,第180 - 166页,2019年。视图:出版商的网站|谷歌学术搜索
28. g . Kalnoor和g . Subrahmanyam回顾应用马尔可夫决策过程模型和能源效率在无线传感器网络中,“Procedia计算机科学卷,167年,第2317 - 2308页,2020年。视图:出版商的网站|谷歌学术搜索
29. b . j . a .悄无声息,“从延迟奖励,学习”机器人和自治系统,15卷,不。4、233 - 235年,1995页。视图:出版商的网站|谷歌学术搜索
30. 杰•麦克伦尼g . Chirici m .色差,d . et al .,“一个荟萃分析和审查的文学k最近的邻居林业遥感数据的应用程序使用技术”环境遥感卷,176年,第294 - 282页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Mingze魏,Lei元。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。