Consequently, we only choose some e

Consequently, we only choose some effective wavelet
coefficient as gait features, which are used as the ANN model
inputs. This allows us to construct a novel wavelet-based ANN
gait classifier, that is, the orthonormal discrete wavelet
transform is firstly used to extract some good gait features from
the original gait data, and then the extracted gait features are
used to initiate the training set of ANN for gait classification.
Therefore, we can assess the change of gait function effectively.

ผลลัพธ์ (ไทย) 1:

ดังนั้น เราควรเลือก wavelet บางอย่างมีประสิทธิภาพสัมประสิทธิ์ที่เป็นลักษณะเดิน ที่ใช้เป็นแบบแอนปัจจัยการผลิต นี้ช่วยให้เราสามารถสร้างแอนนวนิยายตาม waveletเดิน classifier นั่นคือ การ orthonormal แยกกัน waveletแปลงแรกใช้ดึงข้อมูลบางคุณสมบัติดีเดินจากข้อมูลเดินเดิม แล้วเดินแยกคุณลักษณะใช้เพื่อเริ่มต้นชุดฝึกของแอนสำหรับประเภทเดินดังนั้น เราสามารถประเมินการเปลี่ยนแปลงของฟังก์ชันเดินได้อย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 2:

ดังนั้นเราจึงเลือกเพียงบางเวฟที่มีประสิทธิภาพค่าสัมประสิทธิ์เป็นคุณสมบัติการเดินซึ่งจะถูกนำมาใช้เป็นรูปแบบแอนปัจจัยการผลิต นี้ช่วยให้เราสร้าง ANN ตามเวฟนวนิยายลักษณนามเดินนั่นคือเวฟเนื่องorthonormal แปลงถูกนำมาใช้ครั้งแรกในการดึงคุณสมบัติการเดินบางอย่างที่ดีจากข้อมูลการเดินเดิมแล้วคุณสมบัติการเดินสกัดจะใช้ในการเริ่มต้นการตั้งค่าการฝึกอบรมของแอนสำหรับการจำแนกการเดิน. ดังนั้นเราจึงสามารถประเมินการเปลี่ยนแปลงของฟังก์ชั่นการเดินได้อย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

จากนั้น เราเลือกได้เพียงบางส่วนที่มีค่าสัมประสิทธิ์เวฟเล็ต
ลักษณะการเดิน ซึ่งใช้เป็นแบบจำลอง
แอนข้อมูล นี้ช่วยให้เราสามารถสร้างเวฟนิยายแอน
การเดินแบบ นั่นคือ การท
เวฟต่อเนื่องแปลงเดิมทีใช้สกัดคุณลักษณะบางอย่างของดีจาก
ข้อมูลการเดินเดิมแล้วสกัดคุณลักษณะ
การเดินใช้เพื่อเริ่มต้นการฝึกอบรมชุดของแอนจัดการเดิน .
ดังนั้นเราจึงสามารถประเมินการเปลี่ยนแปลงของฟังก์ชันเดินได้อย่างมีประสิทธิภาพ