《表1 算法对比实验精度和F1得分》
从图1和表1可知改进的简单门控单元深度学习网络跌倒检测算法模型的精度达到92.45%,F1得分为92.72%,而RNN循环神经网络的精度为86.62%,F1得分为86.47%,简单门控单元的精度为88.36%,F1得分达到了88.15%,因此改进后的算法比原简单门控单元神经网络精度提高了4.09%,F1得分提高了4.57%,并且收敛的更加平缓波动减小以及算法收敛的更加快速,因此利用对比实验证明了采用改进的简单门控单元能够有效地识别跌倒,并使得算法达到较高的精度,并有效地提高识别速度,进而得到一个有效的高速率和高识别率的跌倒检测深度学习算法。
图表编号 | XD00130764800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.18 |
作者 | 熊昕、陈晓辉、吴宇轩、郑毅、张上 |
绘制单位 | 三峡大学计算机与信息学院、三峡大学计算机与信息学院、三峡大学计算机与信息学院、三峡大学计算机与信息学院、三峡大学计算机与信息学院 |
更多格式 | 高清、无水印(增值服务) |