论文部分内容阅读
为了解决卷积神经网络在步态识别方面进行下位机实现时占用内存资源过大,导致实时性差的问题,建立了以STM32单片机为硬件核心的轻量卷积神经网络步态识别系统.通过搭建基于轻量卷积神经网络的步态识别模型,并采用权值聚类和哈夫曼编码的方法,对基于轻量卷积神经网络的步态模型中卷积层和全连接层的关键参数进行压缩,减少下位机的计算量和内存的占用,进而达到提高步态识别系统实时性的目的.实验结果表明:基于轻量卷积神经网络的步态识别系统在实时性方面,识别当前步态所需时间为375 ms,相比于未进行模型压缩的步态识别系统减少了325 ms的数据延时;在准确性方面,步态识别系统在行走、上楼、下楼、上坡、下坡这5种步态模式下的识别率达到了95.79%.