摘要：为提升人机交互医疗设备对久坐不动、常年卧床等状态下人体的监测效果,在利用无线体域网建立人体姿态识别系统的基础上,设计了相应的改进人工神经网络与无线体域网系统进行融合,并将其应用于人机交互医疗设备中;结果表明,在HiEve数据集中,该方法于20次迭代时开始收敛,损失函数值为0.0112;在患者不同姿势的识别验证中,该方法下的人机交互医疗设备识别准确率均显著高于90%,并且耗时最短仅为23.16 s,具有较高的识别准确率和效率,为人体姿态识别及相关医疗设备的应用提供了更为可靠的技术参考。

摘要：针对现有监测预警方法对建筑结构变形监测预警时,存在结果残差过大,影响精度的问题,引入改进人工神经网络,开展对建筑结构变形智能监测方法的设计研究。利用改进人工神经网络,构建建筑结构变形预测模型;在各结构变形监测点设置传感器,实现建筑结构变形数据实时监测;设置报警阈值,结合模型输出结果与阈值的对比,实现对建筑结构变形智能预警。通过对比实验证明,新方法的监测预警结果残差得到有效控制,精度显著提升,能够在第一时间发现建筑结构异常变形趋势,促进提高建筑整体建设的安全性。

摘要：本研究基于经验模态分解(EMD)与人工神经网络(Artificial Neural Network,ANN)的耦合算法,致力于路基沉降预测方法的深入研究。在道路工程中,路基沉降是一个关键问题,直接影响着道路的安全性和可持续性。为了提高沉降预测的准确性和可靠性,本研究应用EMD将复杂的路基沉降时程信号分解成多个本征模态函数,有效提取信号的局部特征。通过分析各个本征模态函数的特征,确定最具代表性的模态函数为序列趋势项,运用ANN模型对各本征模态函数进行训练,以捕捉各个模态函数之间的非线性关系。通过模型的训练和优化,得到高度适应路基沉降特性的改进ANN预测模型。将经过训练的ANN模型用于对广州某路基沉降进行预测,实验结果表明,采用改进ANN算法的路基沉降预测方法在准确性取得了显著的提升。与传统方法相比,本研究提出的方法能够更好地适应路基沉降信号的复杂变化,并具有更强的泛化能力。因此,该研究为道路工程领域提供了一种先进而可行的沉降预测方法,为提高路基设计的可持续性和安全性提供了有力支持。