[發明專利]基于粒子群優化BP神經網絡的步態識別方法

有效

• 申請號: 201910562766.1
• 申請日: 2019-06-26
• 公開（公告）號: CN110232372B
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 鄒倩穎;劉俸宇;王小芳
• 申請（專利權）人: 電子科技大學成都學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/00;G06N3/04
• 代理公司: 成都時譽知識產權代理事務所(普通合伙) 51250
• 代理人: 李正

本發明公開了一種基于粒子群優化BP神經網絡的步態識別方法，該方法在建立BP神經網絡模型后，采用粒子群算法優化BP神經網絡模型的連接權值和閾值，使BP神經網絡模型全局誤差達到預設精度；然后，將行走目標的特征值矩陣輸入至優化后的BP神經網絡模型中進行訓練，訓練成功后，得到粒子群優化BP神經網絡模型；最后，將待識別行走目標的特征值矩陣輸入至粒子群優化BP神經網絡模型中進行步態識別，輸出相應的步態識別結果。因此，本發明通過粒子群算法對BP神經網絡進行優化，不僅能夠提高BP神經網絡的收斂速度，還能夠避免陷入局部最優的情況發生。

技術領域

本發明涉及步態識別技術領域，尤其涉及一種基于粒子群優化BP神經網絡的步態識別方法。

背景技術

步態識別是生物特征識別技術中的新興領域之一。它旨在根據人們的走路姿勢實現對個人身份的識別或生理、病理及心理特征的檢測，具有廣闊的應用前景。步態是一種復雜的行為特征，是人的生理、心理及對外界反應的一個綜合體現。由于個體之間存在差異，步態也不盡相同，這些差異是整個肌肉和骨架(身體重量、肢體長度、骨路結構等)的函數，且完全決定于幾百個運動學參數。早期的醫學研究表明：人的步態中有24種不同的成分，如果把這些成分都考慮到，則步態是為個體所特有的，這使得利用步態進行身份識別成為可能。相對于其他生物認證技術，步態識別具有非侵犯性、遠距離識別、簡化細節、難以偽裝等獨特優勢。

目前，常見的步態識別方法有最近鄰NN(Nearest-Neighbor)分類、人工神經網絡ANN(Artificial Neural Networks)、隱馬爾可夫模型HMM(Hidden Markov Model)等。其中，采用傳統的BP神經網絡在進行訓練時易出現局部最小值、收斂速度過慢、分類效果不理想的問題，且不能夠保證收斂到全局最優點，提取的步態輪廓圖噪聲也較大。因此，需要對傳統的BP神經網絡進行優化改進，以提高BP神經網絡在步態識別應用中的性能。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于：提供一種基于粒子群優化BP神經網絡的步態識別方法，通過粒子群算法對BP神經網絡進行優化，不僅能夠提高BP神經網絡的收斂速度，還能夠避免陷入局部最優的情況發生。

為實現上述發明目的，本發明提供以下技術方案：

一種基于粒子群優化BP神經網絡的步態識別方法，其包括以下步驟：

S1：建立BP神經網絡模型；

S2：采用粒子群算法優化所述BP神經網絡模型的連接權值和閾值，使所述BP神經網絡模型的全局誤差達到預設精度；

S3：將行走目標的特征值矩陣輸入至優化后的所述BP神經網絡模型中進行訓練，訓練成功后，得到粒子群優化BP神經網絡模型；

S4：將待識別行走目標的特征值矩陣輸入至所述粒子群優化BP神經網絡模型中進行步態識別，輸出相應的步態識別結果。

根據一種具體的實施方式，本發明基于粒子群優化BP神經網絡的步態識別方法的步驟S2中，采用粒子群算法對所述BP神經網絡模型的正向傳播進行優化，其包括以下步驟：

S201：對輸入層的神經元進行?；幚?，得到相應的粒子群，并隨機初始化所述粒子群；

S202：將所述隱含層的輸出函數作為適應度函數，計算出每個粒子的適應度值，并選取最優的適應度值作為群體歷史最優值；

S203：利用每個粒子的歷史最優值進行迭代更新，更新每個粒子的歷史最優位置和速度；

S204：若計算出滿足條件的適應度值或者迭代次數達到最大迭代數，則停止迭代，并將隱含層的最優輸出結果輸入至輸出層，否則進入步驟S202繼續迭代；