The conventional falling detections

The conventional falling detections are hard to seek the optimal thresholding values, if new types of the falls or dailylife activities are added to the algorithms.

In this paper, we propose a new algorithm based on the back propagation neural
network to recognize the patterns of the falls and the other
activities. The advantages of the proposed algorithm is that the
neural network can easily learn the patterns of the new falls or
activities. The paper is organized as follows. In section 2, the
basic theories of back propagation neural network are given. In
section 3, the hardware architecture is implied. In section 4, the
proposed algorithm is described. In section 5, the experiments
are shown. Finally, the conclusion is discussed.

ผลลัพธ์ (ไทย) 1:

Detections ล้มธรรมดายากต่อการค้นหาค่าที่เหมาะสมที่สุด thresholding ถ้ามีเพิ่มของกิจกรรมน้ำตกหรือ dailylife อัลกอริทึมการในเอกสารนี้ เราเสนออัลกอริทึมใหม่ตามที่เผยแพร่หลังประสาทเครือข่ายการจดจำรูปแบบการตกและอื่น ๆกิจกรรม ข้อดีของอัลกอริทึมนำเสนอคือการเครือข่ายประสาทสามารถเรียนรู้ได้ตรงรูปแบบของใหม่ หรือกิจกรรม กระดาษมีการจัดระเบียบดังนี้ ในส่วนที่ 2 การทฤษฎีพื้นฐานของโครงข่ายประสาทกลับมาเผยแพร่จะได้รับ ในส่วน 3 สถาปัตยกรรมฮาร์ดแวร์เป็นนัย ในมาตรา ๔ การมีอธิบายขั้นตอนวิธีการนำเสนอ ในส่วน 5 การทดลองมีแสดง สุดท้าย บทสรุปนี้จะกล่าวถึง

ผลลัพธ์ (ไทย) 2:

การตรวจจับการล้มธรรมดายากที่จะหาค่าที่ดีที่สุด thresholding ถ้าชนิดใหม่ของฟอลส์หรือกิจกรรม dailylife มีการเพิ่มขั้นตอนวิธี. ในบทความนี้เรานำเสนอขั้นตอนวิธีการใหม่บนพื้นฐานของระบบประสาทการขยายพันธุ์กลับเครือข่ายในการรับรู้รูปแบบของการ น้ำตกและอื่น ๆกิจกรรม ข้อดีของอัลกอริทึมที่นำเสนอคือการที่เครือข่ายประสาทสามารถเรียนรู้รูปแบบของการตกใหม่หรือกิจกรรม กระดาษมีการจัดระเบียบดังต่อไปนี้ ในส่วนที่ 2 ทฤษฎีพื้นฐานของเครือข่ายประสาทการขยายพันธุ์จะได้รับกลับมา ในส่วนที่ 3 สถาปัตยกรรมฮาร์ดแวร์บอกเป็นนัย ๆ ในส่วนที่ 4 ขั้นตอนวิธีการที่นำเสนอมีการอธิบาย ในส่วนที่ 5 การทดลองแสดงให้เห็น สุดท้ายข้อสรุปที่จะกล่าวถึง

ผลลัพธ์ (ไทย) 3:

การล้มในการตรวจจับจะยากที่จะหาที่เหมาะสม ปรับค่า ถ้าประเภทใหม่ของตก หรือเข้ากิจกรรมต่างๆที่มีการเพิ่มขั้นตอนวิธีการ

ในกระดาษนี้เราเสนอขั้นตอนวิธีการใหม่ขึ้นอยู่กับชนิดแพร่กลับประสาท
เครือข่ายจำรูปแบบของน้ำตกและกิจกรรมอื่น ๆ

ข้อดีของวิธีที่เสนอว่า
โครงข่ายประสาทเทียมสามารถเรียนรู้รูปแบบของน้ำตกใหม่หรือ
กิจกรรม กระดาษจะจัดดังนี้ ในส่วนที่ 2
ทฤษฎีพื้นฐานของโครงข่ายประสาทเทียมชนิดแพร่กลับจะได้รับ ใน
มาตรา 3 สถาปัตยกรรมฮาร์ดแวร์โดยนัย ในส่วนที่ 4 ,
วิธีที่เสนอไว้ ในส่วนที่ 5 , การทดลอง
แสดง สุดท้าย สรุปคือ กล่าวถึง