CN119361170B 前庭错觉强度训练方法 （南京航空航天大学）

将目标前庭错觉强度与待测试训练数据对应的后的待测试训练数据对待测试人员进行测试的2获取待测试训练数据，并获取待测试人员基于所述待测试训获取初始训练数据集，所述初始训练数据集中包括多条初始训训练数据中包括训练生理参数以及所述训练生理参数对将所述初始训练数据集输入至初始分类网络，所述初始分获取预设分类器的数量，以及各所述预设分类器对应的预针对各所述预设分类器，计算所述生理参数与所述初始分类模根据所述第一相似度从各所述初始微簇中选择所述预设微簇数量根据各所述目标微簇对应的所述训练前庭错觉强度，确定数量最根据各所述预设分类器对应的所述备用前庭错觉强度，确定各将所述准确度最大的所述预设分类器对应的所述备用前庭错觉强获取所述准确度最大的所述预设分类器对应的各根据各所述目标微簇对应的所述训练前庭错觉强度与所述目标前庭错觉强度之间的针对各所述预设分类器，若根据所述第一相似度，未从各根据各所述第二相似度，将所述第二相似度最大的所述初始微簇对3若所述新增数量大于预设新增数量阈值，则获取备用训练数据计算各所述备用训练数据与各所述新增微簇以及各所述初始微簇根据各所述第三相似度，确定各所述备用训练数据对应的所述初根据各所述初始微簇对应的所述备用训练数据，更新各所述初始微将所述新增微簇对应的所述备用训练数据的所述备用前庭错觉强度与所述候选前庭若所述备用前庭错觉强度与所述候选前庭错觉强度一致，则将所若所述备用前庭错觉强度与所述候选前庭错觉强度不一致，则强度替换所述候选前庭错觉强度，将所述备用前庭错觉强度确定为所述目标前庭错觉强根据所述各所述新增微簇对应的所述备用训练数据，更新各所述新根据各所述第二更新微簇和所述第三更新微簇，对所述初始分类模获取所述候选分类模型当前对应的第一总微簇数量；所若所述第一总微簇数量大于所述预设总微簇数量阈值，则计算各根据各所述第四相似度，将各所述第三更新微簇与所述第四相似若所述第二总微簇数量大于所述预设总微簇数量阈值，且所述候选分计算所述当前微簇数量最大的前庭错觉强度对应的各当前微簇根据所述第一合并微簇以及所述第二合并微簇，更新所述456数据中包括训练生理参数以及训练生理参数对应的训练前用前庭错觉识别强度，保证了确定的各预设分类器对应的备用前庭错觉识别强度的准确[0029]将准确度最大的预设分类器对应的备用前庭错觉强度，确定为目标前庭错觉强7[0031]在一种可选的实施方式中，将准确度最大的预设分类器对应的备用前庭错觉强的各目标微簇；根据各目标微簇对应的训练前庭错觉强度与目标前庭错觉强度之间的关新的准确性,以便后期基于更新后的更新分类模型确定后期生成的生理参数对应的目标前[0048]将新增微簇对应的备用训练数据的备用前庭错觉强度与候选前庭错觉强度进行89附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，送的待测试训练数据。本申请实施例对电子设备获取待测试训练数据的方式不做具体限经网络(Convolutionalneuralnetworks,CNN）、反卷积神经网络(Deconvolutional,DCIGN)，生成式对抗网络(Generativeadversarialnetworks,GAN(Recurrentneuralnetworks,RNN)、长短时记忆网络(Long/shorttermmemory,LSTM)、深度残差网络(Deepresidualnetworks,DRN)以及极限学习机(Extreme[0110]k_means聚类策略通过最小化损失函数来选择初始训练数据集的最佳划分函数是初始微簇中所有初始训练数据的线性和以及平方和，分别是簇对应的训练前庭错觉强度确定为待测试人员对应的目标前庭错觉电子设备确定预设微簇数量为3，则电子设备将排列在前三个的初始微簇确定为目标微[0140]针对3_NN，则电子设备将3_NN中的3个目标微簇对应的训练前庭错觉强度进行对参数χ的预设微簇数量的目标微簇，组成一个集合记为DK(χ)；在DK(χ)中，多数表决规则用。[0146]当预设分类器的数量大于1时，电子设备可以将预设分类器对应的备用前庭错觉[0165]示例性的，电子设备可以使用指数衰减函数来计算目标[0169]在消除过时的目标微簇之后，将实时传入生理参数χ递增地添加到最近的目标微[0197]步骤b093，计算各备用训练数据与各新增微簇以及各初始微簇之间的第三相似备用前庭错觉强度替换候选前庭错觉强度，将备用前庭错觉强度确定为目标前庭错觉强[0219]具体地，电子设备对初始分类模型中的第二更新微簇和子设备可以计算第三更新微簇与各第二更新微簇之[0235]步骤c53，计算当前微簇数量最大的前庭错觉强度对应的各当前微簇之间的第五调整。类器对应的备用前庭错觉识别强度的准确性。根据各预设分类器对应的备用前庭错觉强进行更新，从而可以保证对初始分类模型进行更新的准确性,以便后期基于更新后的更新分类模型确定后期生成的生理参数对应的目标前庭错备用训练数据集；计算各备用训练数据与各新增微簇以及各初始微簇之间的第三相似度，保证了计算的得到的各备用训练数据与各新增微簇以及各初始微簇之间的第三相似度的[0265]对比模块303，将目标前庭错觉强度与待测试训练数据对应的预设前庭错觉强度存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据