Recently, with the development of m

Recently, with the development of machine learning theory,
a wide variety of novel learning and classification algorithms
have been more and more prevailing in analyzing quantitative
gait data. Especially, some advanced learning algorithm for the
automated recognition of gait change has attracted much
attention because they can solve classification problems with
better performance. For example, Support Vector Machine
(SVM), as a powerful classification technique, has been
employed to classify young and elderly gait pattern for the
assessment of the change of gait function[2,3, 4]. The present
studies have demonstrated that it is important to improve gait
classification performance for evaluating the gait change
exactly. In gait classification algorithms, as we know, the gait
patterns to be classified are usually required to represent as
points in a high-dimensional feature space. In order to improve
the gait classification performance, it is required to extract
some significant gait features from the initial gait features
space for reducing the redundant information before the gait
classification algorithm is executed. In fact, the interaction
between gait variables is a complex non-linear fashion because
of the intrinsic non-linear dynamics of human movement. So,
the key step in the gait classification algorithm designed for

ผลลัพธ์ (ไทย) 2:

เมื่อเร็ว ๆ
นี้กับการพัฒนาของทฤษฎีการเรียนรู้เครื่องที่หลากหลายของการเรียนรู้ที่แปลกใหม่และขั้นตอนวิธีการจัดหมวดหมู่ได้รับมากขึ้นและแพร่หลายในการวิเคราะห์เชิงปริมาณข้อมูลการเดิน โดยเฉพาะอย่างยิ่งการเรียนรู้ขั้นตอนวิธีการบางขั้นสูงสำหรับการรับรู้โดยอัตโนมัติของการเปลี่ยนแปลงการเดินได้ดึงดูดมากให้ความสนใจเพราะพวกเขาสามารถแก้ปัญหาการจัดหมวดหมู่ที่มีประสิทธิภาพที่ดีขึ้น ยกตัวอย่างเช่นการสนับสนุนเครื่องเวกเตอร์(SVM) เป็นเทคนิคการจัดหมวดหมู่ที่มีประสิทธิภาพได้รับการจ้างงานที่จะจัดรูปแบบการเดินหนุ่มสาวและผู้สูงอายุสำหรับการประเมินการเปลี่ยนแปลงของฟังก์ชั่นการเดิน[2,3, 4] ปัจจุบันการศึกษาได้แสดงให้เห็นว่ามันเป็นสิ่งสำคัญที่จะปรับปรุงการเดินประสิทธิภาพการจัดหมวดหมู่สำหรับการประเมินการเปลี่ยนแปลงการเดินว่า ในขั้นตอนวิธีการจัดหมวดหมู่การเดินที่เรารู้ว่าการเดินรูปแบบที่จะจัดมักจะต้องเป็นตัวแทนของจุดในพื้นที่ที่มีคุณลักษณะสูงมิติ เพื่อปรับปรุงประสิทธิภาพการจัดหมวดหมู่การเดินก็จะต้องดึงบางคุณสมบัติการเดินอย่างมีนัยสำคัญจากคุณสมบัติการเดินเริ่มต้นที่ว่างสำหรับการลดความซ้ำซ้อนข้อมูลก่อนที่จะเดินขั้นตอนวิธีการจัดหมวดหมู่จะถูกดำเนินการ ในความเป็นจริงการปฏิสัมพันธ์ระหว่างตัวแปรการเดินเป็นแฟชั่นที่ไม่ใช่เชิงเส้นที่ซับซ้อนเพราะของการเปลี่ยนแปลงที่ไม่ใช่เชิงเส้นที่แท้จริงของการเคลื่อนไหวของมนุษย์ ดังนั้นขั้นตอนที่สำคัญในขั้นตอนวิธีการจัดหมวดหมู่การเดินที่ออกแบบมาสำหรับ

ผลลัพธ์ (ไทย) 3:

เมื่อเร็วๆ นี้ กับการพัฒนาเครื่องเรียนทฤษฏี
หลากหลายของการเรียนรู้ที่แปลกใหม่และการจำแนกขั้นตอนวิธี
มีมากขึ้นและแพร่หลายในการวิเคราะห์ข้อมูลเชิงปริมาณของ

โดยเฉพาะการเรียนรู้ขั้นตอนวิธีขั้นสูงบางอย่างสำหรับการเปลี่ยนแปลงโดยอัตโนมัติงาน

ได้ดึงดูดความสนใจมากเพราะพวกเขาสามารถแก้ไขปัญหาการจำแนกด้วย
ประสิทธิภาพที่ดีขึ้น ตัวอย่างเช่นสนับสนุนเวกเตอร์เครื่องจักร
( SVM ) เป็นเทคนิคที่มีประสิทธิภาพ การได้รับใช้เพื่อจำแนกเด็กและรูปแบบ

การเดินผู้สูงอายุเพื่อประเมินการเปลี่ยนแปลงของฟังก์ชันการเดิน [ 2 , 3 , 4 ] การศึกษา
แสดงให้เห็นว่ามันเป็นสิ่งสำคัญเพื่อเพิ่มประสิทธิภาพการจำแนกการประเมินเปลี่ยนการเดิน

เดินตรง ในขั้นตอนวิธีการก้าวเดิน ตามที่เราทราบ การเดิน
รูปแบบจะจัดเป็นสิ่งจำเป็นที่จะแสดงเป็น
จุดในพื้นที่คุณลักษณะสูง - มิติ . เพื่อปรับปรุงประสิทธิภาพของการจำแนกประเภท

มันต้องแยกบางคุณสมบัติสำคัญการเดินจากพื้นที่คุณลักษณะ
การเดินเริ่มต้นสำหรับการลดข้อมูลซ้ำซ้อนก่อนการเดิน
การจำแนกวิธีการประหารชีวิต ในความเป็นจริง , ปฏิสัมพันธ์
ระหว่างการเดินแบบแฟชั่น เป็นตัวแปรที่ซับซ้อนเพราะ
ของแท้จริงพลศาสตร์ไม่เชิงเส้นของการเคลื่อนไหวของมนุษย์ ดังนั้น ขั้นตอนสำคัญในการเดิน

การจำแนกขั้นตอนวิธีออกแบบ