智能手环体征信息检测的准确性与及时性直接影响到它的使用和推广。通过多传感器数据融合技术对人体体征信息进行检测是主流趋势。针对标准BP神经网络算法存在的收敛速度慢、容易陷入局部极值的缺陷,增加了自适应动量法和自适应学习率调整法以改进传统BP算法,给出了改进后的BP网络模型及参数设计,并应用于智能手环体征检测工作中。仿真实验证明,改进的算法能够使BP网络快速收敛,且提高了手环系统报警的准确率,减少了误判的发生。网络构建一个健康状态监测系统，对多传感器测量到的实时体征数据进行信息融合处理，提高系统数据检测的准确性和系统反应的及时性。系统将人体常见的４个体征参数（体温、心率、收缩压、舒张压）经信号处理后输入到数据融合中心，利用样本数据进行训练，并在系统的中间层完成数据融合，最后由系统智能判断出老人现在的身体状况。身体状况分为正常和危险两个等级。若认为身体状况危险，则系统自动报警，并发送信息给老人的亲属或医生。数据融合原理如图２所示。图２数据融合原理３．２ＢＰ网络模型及参数设计网络依据训练样本的输入、智能手环中的应用-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机输出维度来决定网络的输入和输出节点数，由于输入数据维数为４，即为４类体征信息，输出数据维数为１，即为该系统的报警信息。最终确定了网络的输入节点个数为４，输出节点个数为１，根据式（１５）且根据经验隐含层数通常取输入层数的１．２～１．５倍，最后通过不断仿真实验最终确定隐含层个数为６，因此构建了４－６－１三层ＢＰ神经网络。本网络隐含层和输出层节点传输函数分别为ｌｏｇｓｉｇ函数和ｐｕｒｅｌｉｎ函数，本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com训练函数选用梯度下降自适应学习率的ｔｒａｉｎｇｄｘ函数，学习函数选用系统默认的动量梯度下降权值和阈值学习的ｌｅ－ａｒｎｇｄｍ函数，并要求网络误差目标值为０．０１，训练次数为５００次，学习速率设置为０．０１，动量因子设置为０．９５。其结构如图３所示。ｋ＝槡ｎ＋１＋ａ（１５）其中，ｋ为隐含层节点个数，ｎ为输入节点个数，ａ为取值为１～１０的正整数。险评判标准，本文选用由ＲＦＩＤ智能手环采集的１００个测试样本，对可穿戴设备从各种实验环境中采集的７０组数据进行人工判断其危险程度，并生成样本作为训练样本数据使用，剩下的３０个作为测试样本送入ＢＰ神经网络中，将神经网络融合后的输出结果值ｙ作为报警依据，并设定当｜ｙ｜＜０．８时不报警，当｜ｙ｜＞０．８时报警。图４、图５、图６是传统ＢＰ神经网络训练效果图、收敛图及预测误差图。图４传统ＢＰ网络训练图图５传统ＢＰ网络收敛图图６传统ＢＰ网络预测误差图从上述３幅图中可以看到，选用传统的ＢＰ神经网络进行数据融合时，迭代到第３６次时才能达到预设精度，预测输出与实际输出相差９，识别率为７０％。图７、图８是基于双自适应的ＢＰ神经网络收敛图和预测误差图。表１是改进后的双自适应ＢＰ神经网络３０组测试数据融合结果表。从图７、图８中可以看到，基于双自适应ＢＰ神经网络达到小于设定误差０．０１的要求需要１２步的训练，比传统ＢＰ神经网络的收敛速度更快，网络预测输出与实际输出相差为２，识别率为９３．３％。图７双自适应ＢＰ神经网络训练收敛图通过对比发现，使用改进的数据融合算法降低了网络的迭代次数，在更短时间内可以把误差减小到所需要的范围，网络识别准确度明显提高。因此，从实验结果数据看，改进的算法效果更好，更能适合智能手环快速响应、准确报警的需求，减少误判的发生。智能手环中的应用-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com