16、田径运动中前臂错误姿势的大数据逐步回归校正方法

田径运动中前臂错误姿势的大数据逐步回归校正方法

1. 前臂错误姿势的大数据校正算法

在田径运动中，对于通过公式(2)检测到的现有前臂运动姿势，将图1的输出结果映射到[0, 1]区间，即分类结果以概率形式表示。假设提取田径前臂姿势的最后一层全连接数据，一维矩阵V表示这组数据，$V_i$表示V中第i个元素的值，i的取值范围由模型中的标签数量决定。本次提出的田径运动前臂姿势大数据共有n个标签，所以i的取值范围是从1到n。$W_i$表示最大灵活性中的权重参数。假设最大灵活性为$S_i$和$Z_i$，则有：
$S_i = \frac{e^{Z_i}}{\sum_{i=1}^{n}e^{Z_i}}, i = 1, 2, \cdots, n$
$Z_i = \sum V_i * W_i$

在上述公式中，e表示一个递增函数。由于最大灵活性的分类结果是选择概率最大的类别，即对应的最大$S_i$。从公式可以看出，$S_i$和$Z_i$存在对应关系。因为分母上的值是常数，且e是递增函数，所以$Z_i$值的大小决定了最终的分类结果，最大$Z_i$对应的i就是前臂姿势的最终分类结果。

在纠正前臂姿势误判的概率约束条件下，将相同的前臂运动姿势数据集分为正确类和错误类。基于上述分析，Z的值取决于V。因此，在对前臂运动姿势数据集进行分类之前，使用n个全连接层的特征值V通过曲线拟合函数来表达分布规律。

观察同一类型手势的两种识别结果的曲线分布，发现V中存在一个对识别结果影响因子较大的公共特征维度，将其定义为误识别特征矩阵。基于逐步回归识别过程的同一类型前臂运动姿势错误的大数据，原因是误识别特征矩阵的值太小，即检测误识别特征矩阵的过程是探索误识别手势的错误机制。