买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南师范大学;清远华云智控科技有限公司申请的专利变异粒子群算法与卷积神经网络的跌倒检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115273139B 。

龙图腾网通过国家知识产权局官网在2025-09-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210777737.9，技术领域涉及：G06V40/10；该发明授权变异粒子群算法与卷积神经网络的跌倒检测方法及系统是由熊爱民;周超维;肖捷;赖靖豪设计研发完成，并于2022-07-04向国家知识产权局提交的专利申请。

本变异粒子群算法与卷积神经网络的跌倒检测方法及系统在说明书摘要公布了：本发明公开了变异粒子群算法与卷积神经网络的跌倒检测方法及系统，包括视频采集模块，中心处理模块，云服务器、用户端，还包括变异粒子群算法与卷积神经网络的跌倒检测方法，所述视频采集模块与中心处理模块通过导线相连，所述中心处理模块云服务器通讯连接，所述云服务器和用户端通讯连接，所述视频采集模块使用网络摄像头捕捉监控区域的视频图像，并将视频图像传入中心处理模块。本发明在无需穿戴、低成本、无需增加模型规模的情况下，提高跌倒模型预测准确率和收敛速度，解决跌倒检测模型错报、漏报以及训练时间长等问题。

本发明授权变异粒子群算法与卷积神经网络的跌倒检测方法及系统在权利要求书中公布了：1.变异粒子群算法与卷积神经网络的跌倒检测方法，包括以下步骤，其特征在于： S1、建立基于卷积神经网络的跌倒检测模型，所述步骤S1包括： 步骤S11：获取和标注人体跌倒行为数据集； 步骤S12：选取和微调卷积神经网络模型； S2、利用变异粒子群算法对基于卷积神经网络的跌倒检测模型的参数进行优化； S3、将全局最优解对应的参数赋值给基于卷积神经网络的跌倒检测模型； S4、将初始化后的卷积神经网络进行迭代训练，得到训练好卷积神经网络模型； S5、验证基于变异粒子群算法与卷积神经网络的跌倒检测模型，S5步骤包括： 步骤S51：判断基于变异粒子群算法与卷积神经网络的跌倒检测模型是否达到指定精度，若没有达到跳转步骤S2; 步骤S52：保存模型； 所述S2的具体步骤如下： 步骤S21：根据卷积神经网络的损失函数确定粒子群的适应度函数； 步骤S22：根据卷积神经网络的拓扑结构对其权值和阈值进行编码排序； 步骤S23：根据编码长度确定粒子的维度，并对粒子群数量、惯性权重、学习参数和最大迭代次数进行初始化； 步骤S24：采用随机数粒子群的初始位置、初始速度、个体最优位置和全局最优位置、进行初始化；初始化方式如下： 式中:和分别为第i个粒子的速度和位置，和表示位置的最大和最小值，和表示速度的最大和最小值； 步骤S25：判断是否达到变异条件；若没达到跳转步骤S2.7； 步骤S26：用随机数对余弦相似度大于平均余弦相似度的粒子进行变异；余弦相似度和平均余弦相似度的计算公式如下： 式中:为当前迭代的全局最优解，为第i个粒子的位置； 步骤S27：根据上一代粒子的速度和位置更新当前迭代的粒子的速度和位置；速度和位置迭代更新公式描述为: 式中为初始粒子数，和分别测量第i个粒子在第k+1次迭代时的速度和位置；表示惯性权重，反映了前一个速度对当前速度的影响，和表示加速度因子通常用两个实数表示，和是区间0,1中的两个随机数； 步骤S28：根据当前迭代的所述粒子位置得到当前迭代的适应度值； 步骤S29：确定当前迭代个体最优位置和全局最优位置； 步骤S210:判断当前迭代否达到最大迭代次数或达到相应精度要求；若没有达到，跳转步骤S25；若达到，输出全局最优位置。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南师范大学;清远华云智控科技有限公司，其通讯地址为：510631 广东省广州市中山大道西55号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。