先进的物联网增强了残疾人的活动识别,使用深度学习模型与以自然为灵感的优化算法进行优化.

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 人类活动识别 (HAR) 对于虚拟现实,监视和家庭监控等应用至关重要.
• 现有的HAR模型正在为残疾人开发,利用智能手机和相机等设备的数据.
• 哈尔利用人工智能,深度学习和机器学习来识别和分类人类行为.

研究的目的:

• 通过深度学习模型和自然灵感优化算法 (EARDP-DLMNOA) 模型,提出对残疾人进行增强活动认可.
• 通过先进的优化算法来提高HAR模型性能.
• 增强特别针对残疾人的活动认可.

主要方法:

• 使用min-max规范化的数据规范化.
• 通过适应性黑猩猩优化 (AdCO) 选择特征子集.
• 使用深度卷积自动编码器 (DCAE) 进行活动识别,并通过斑马优化算法 (ZOA) 进行超参数优化.

主要成果:

• EARDP-DLMNOA模型在人类活动识别方面表现出卓越的表现.
• 通过智能手机数据集在HAR上获得了97.58%的高精度.
• 在实验验证方面表现优于现有方法.

结论:

• EARDP-DLMNOA模型有效地提高了残疾人的活动认可.
• 深度学习和自然灵感优化算法的集成显著提高了HAR的准确性.
• 这种方法为辅助技术中先进的人类活动识别提供了有希望的解决方案.