نموذج عصبي محسّن للتعرف على البيانات الحركية ثلاثية الأبعاد للإنسان المستخرجة من نظام فايكن روبوت
محتوى المقالة الرئيسي
الملخص
في هذه الأيام ، انه من الضروري التمييز بين نوع السلوك البشري ، تلعب تقنيات الذكاء الاصطناعي دورًا كبيرًا في ذلك المجال. تم دمج خصائص خوارزمية الشبكة العصبية الاصطناعية (FANN) والخوارزمية الجينية لإنشاء آلية عمل مهمة تساعد في هذا المجال. حيث يمكن استخدام النظام المقترح للمهام الأساسية في الحياة ، مثل التحليل والأتمتة والتحكم والتعرف والمهام الأخرى. التقاطع والطفرة هما الآليتان الأساسيتان اللتان تستخدمهما الخوارزمية الجينية في النظام المقترح لاستبدال عملية الانتشار العكسي في ANN. بينما تركز تقنية الشبكة العصبية الاصطناعية المغذية على معالجة المدخلات ، يعتمد هذا العمل على عملية كسر خوارزمية الشبكة العصبية الاصطناعية المغذية. بالإضافة إلى ذلك ، يتم حساب النتيجة من كل ANN أثناء عملية التفكك ، والتي تعتمد على تقسيم خوارزمية الشبكة العصبية الاصطناعية إلى عدة شبكات ANN بناءً على عدد طبقات ANN ، وبالتالي ، كل طبقة في الشبكة العصبية الاصطناعية الأصلية يتم تقييمها. يتم اختيار أفضل الطبقات لمرحلة التقاطع بعد عملية الكسر ، بينما تمر الطبقات الأخرى بعملية الطفرة. ثم يتم تحديد مخرجات هذا الجيل من خلال دمج الشبكات العصبية الاصطناعية في شبكة ANN واحدة ؛ ثم يتم فحص النتيجة لمعرفة ما إذا كانت العملية تحتاج إلى إنشاء جيل جديد. ان أداء النظام جيدًا وأنتج نتائج دقيقة عند استخدامه مع البيانات المأخوذة من نظام Vicon Robot ، والذي تم تصميمه بشكل أساسي لتسجيل السلوكيات البشرية بناءً على بيانات ثلاثية الابعاد وتصنيفها على أنها طبيعية أو عدوانية.
Received 17/05/2023
Revised 25/08/2023
Accepted 27/08/2023
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Gupta R, Ekata, Batra C. Performance Assessment of Solar-Transformer-Consumption System Using Neural Network Approach. Baghdad Sci J. 2022; 19(4): 0865. https://doi.org/10.21123/bsj.2022.19.4.0865
Hassoon IM, Qassir SA, Riyadh M. PDCNN: Framework for Potato Diseases Classification Based on Feed Foreword Neural Network. Baghdad Sci J. 2021; 18(2)(Suppl.): 1012. https://doi.org/10.21123/bsj.2021.18.2(Suppl.).1012
Asroni A, Ku-Mahamud KR, Damarjati C, Slamat HB. Arabic Speech Classification Method Based on Padding and Deep Learning Neural Network. Baghdad Sci J . 2021; 18(2)(Suppl.). 0925. https://doi.org/10.21123/bsj.2021.18.2(Suppl.).0925
Cartwright H, editor. Artificial Neural Networks. Methods Mol Biol. New York, NY: Springer US; 2021. https://doi.org/10.1007/978-1-0716-0826-5
Douglass MJJ. Book Review: Hands-on Machine Learning with Scikit-Learn, Keras, and Tensorflow, 2nd edition by Aurélien Géron. Phys Eng Sci Med. 2020; 43: 1135–1136. https://doi.org/10.1007/s13246-020-00913-z.
Wirsansky E. Hands-On Genetic Algorithms with Python: Applying genetic algorithms to solve real-world deep learning and artificial intelligence problems . Google Books. Packt Publishing Ltd; 2020. https://books.google.ru/books?hl=ar&lr=&id=A0vODwAAQBAJ&oi=fnd&pg=PP1&dq=3.%09Wirsansky
Xiao X, Yan M, Basodi S, Ji C, Pan Y. Efficient Hyperparameter Optimization in Deep Learning Using a Variable Length Genetic Algorithm. arXiv. 2020; 200612703. https://doi.org/10.48550/arXiv.2006.12703
Abudalghaffar AN. Darwinian Philosophy as Optimization Method for Design High Reflection Mirror Include New Merit Function. Baghdad Sci J. 2010; 7(1): 90-7. https://doi.org/10.21123/bsj.2010.7.1.90-97
Mahmood RAR, Abdi A, Hussin M. Performance Evaluation of Intrusion Detection System using Selected Features and Machine Learning Classifiers. Baghdad Sci J. 2021; 18(2)(Suppl.): 0884. https://doi.org/10.21123/bsj.2021.18.2(Suppl.).0884
Stepanyan IV. Evolutionary operations of interneuron synaptic structure for feed-forward multilayer networks. J Mach Manuf Reliab. 2020;49(10):874–7. http://dx.doi.org/10.3103/s105261882010009x.
Erick Garcia Lopez, Yu W, Li X. Optimum design of a parallel robot using neuro-genetic algorithm. J Mech Sci Technol 2021; 35(1): 293–305. https://doi.org/10.1007/s12206-020-1229-6
Bijalwan V, Semwal VB, Gupta V. Wearable sensor-based pattern mining for human activity recognition: deep learning approach. Ind Rob. 2021; 49(1): 21–33. https://doi.org/10.1108/IR-09-2020-0187
Keshinro B, Seong Y, Yi S. Deep Learning-based human activity recognition using RGB images in Human-robot collaboration. Proc Hum Factors Ergon Soc Annu Meet. 2022; 66(1): 1548–53. https://doi.org/10.1177/1071181322661186
Qi W, Wang N, Su H, Aliverti A. DCNN based human activity recognition framework with depth vision guiding. Neurocomputing. . 2022; 486: 261–71. http://dx.doi.org/10.1016/j.neucom.2021.11.044
Uddin, Z. and Soylu, A. (2021) Human activity recognition using wearable sensors, discriminant analysis, and long short-term memory-based neural structured learning. Sci Rep. 2021; 11: 16455 https://doi.org/10.1038/s41598-021-95947-y
Golestani N, Moghaddam M. Human activity recognition using magnetic induction-based motion signals and deep recurrent neural networks. Nat Commun. 2020; 11. https://doi.org/10.1038/s41467-020-15086-2
Dirgová Luptáková I, Kubovčík M, Pospíchal J. Wearable Sensor-Based Human Activity Recognition with Transformer Model. Sensors. 2022; 22(5): 1911. https://doi.org/10.3390/s22051911
Khan IU, Afzal S, Lee JW. Human Activity Recognition via Hybrid Deep Learning Based Model. Sensors. 2022; 22(1): 323. https://doi.org/10.3390/s22010323
Nair R, Ragab M, Mujallid OA, Mohammad KA, Mansour RF, Viju GK. Impact of Wireless Sensor Data Mining with Hybrid Deep Learning for Human Activity Recognition. Rani S, editor. Wirel Commun Mob Comput. 2022;: 1–8. https://doi.org/10.1155/2022/9457536
Luwe YJ, Lee CP, Lim KM. Wearable Sensor-Based Human Activity Recognition with Hybrid Deep Learning Model. Inform. 2022; 9(3): 56. https://doi.org/10.3390/informatics9030056
Dua N, Singh SN, Semwal VB, Challa SK. Inception inspired CNN-GRU hybrid network for human activity recognition. Multimed Tools Appl. 2023; 82(4): 5369–403. https://doi.org/10.1007/s11042-021-11885-x.
Vrskova R, Kamencay P, Hudec R, Sykora P. A New Deep-Learning Method for Human Activity Recognition. Sensors . 2023; 23(5): 2816. https://www.mdpi.com/1424-8220/23/5/2816
Balaha HM, Hassan AE-S. Comprehensive machine and deep learning analysis of sensor-based human activity recognition. Neural Comput Appl. 2023; 35(17): 12793–831. http://dx.doi.org/10.1007/s00521-023-08374-7
Lee S, Lee DW, Kim MS. A Deep Learning-Based Semantic Segmentation Model Using MCNN and Attention Layer for Human Activity Recognition. Sensors. 2023; 23(4): 2278. https://doi.org/10.3390/s23042278.
Jeyakumar JV, Sarker A, Garcia LA, Srivastava M. X-char: A concept-based eXplainable Complex Human Activity Recognition model. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2022; 7(1):1–28. http://dx.doi.org/10.1145/3580804
Snoun A, Bouchrika T, Jemai O. Deep-learning-based human activity recognition for Alzheimer’s patients’ daily life activities assistance. Neural Comput Appl. 2023; 35(2): 1777–802. http://dx.doi.org/10.1007/s00521-022-07883-1
Megamsolutions. Research. Iitm.ac.in. 2023. https://rbcdsai.iitm.ac.in/home/research/
Vicon . Vicon. 2019. https://www.vicon.com/
UCI machine learning repository. Uci.edu. 2023. http://archive.ics.uci.edu/ml