[发明专利]一种基于改进卷积神经网络的人体运动状态分类方法

权利要求书

1.一种改进卷积神经网络，其特征在于，所述改进卷积神经网络有4个卷积层，每个卷积层后有LRelu激活函数层，前三个卷积层后的池化层采用的2×2最大池化，最后一个卷积层后的池化层采用的4×4最大池化；

第一个卷积层用128个5×5的卷积核，pad为2；第二个和第三个卷积层用128个3×3的卷积核，pad为1；最后一个卷积层用64个3×3的卷积核，pad为1；

4个卷积层后有2个全连接层；第一个全连接层把4×4×64的特征图和256×1的向量全连接，然后用LRelu激活函数激活，第二个全连接层降维到2×1，输出层用softmax实现二分类。

2.如权利要求1所述的改进卷积神经网络，其特征在于，所述改进卷积神经网络由卷积层、池化层、全连接层组成；

卷积层，用卷积核在输入图像上卷积，得到输入图像的特征图；

池化层，降低减少网络参数，降低计算量，防止过拟合；

全连接层和输出层，用于输出网络类别。

3.一种基于权利要求1所述改进卷积神经网络的人体运动状态分类方法，其特征在于，所述人体运动状态分类方法包括：

第一步，卷积层用128个卷积核在输入图像上卷积，得到输入图像的128个特征图，多个特征图表达了提取图像的多个特征；

第二步，由于图像相邻像素之间相似度较大，图像冗余较高，所以对特征图进行池化，降低图像尺寸，减小参数量，其后再经过3个卷积池化层，用于提取图像更深层次的特征；

第三步，最后得到64个4×4的特征图，第一个全连接层用256个神经元和特征图全连接，第二个全连接层用2个神经元和第一个全连接层全连接，网络经过训练收敛后，根据输入的图像可以输出图像的类别。

4.如权利要求3所述的人体运动状态分类方法，其特征在于，所述人体运动状态分类方法的人体各部位的雷达回波信号计算公式为：

其中P_t为雷达发射功率，L_s为发射接收损耗，G_r和G_v分别为发射接收天线方向图，λ、f₀分别为雷达发射信号的波长和频率，c为光速，σ_i人体目标各散射中心的RCS；分别计算出人体各部位的回波，将各回波信号求和即可计算出人体总回波信号。

5.如权利要求3所述的人体运动状态分类方法，其特征在于，所述人体运动状态分类方法的时频特征提取，对目标雷达回波采用短时傅里叶变换进行时频分析；首先，选取一个窗函数，通过沿时间轴移动窗函数将信号划分成很多很小的时问间隔，确保信号该时间间隔内为平稳信号，计算出各个时刻的功率谱，回波信号s(t)的短时傅里叶变换为：

其中g(f)为窗函数，常见窗函数有海明窗、高斯窗和汉宁窗；当g(t)＝1时，短时傅里叶变换即转化为传统傅里叶变换；STFT能够粗略表示信号能量，其定义为STFT模值的平方，即：

SPEC(t,w)＝|STFT_f(t,w)|²。

6.一种如权利要求1所述改进卷积神经网络的训练方法，其特征在于，所述改进卷积神经网络的训练方法包括：网络模型建立好以后，可以在数据集的子集上进行网络的训练，训练集用人的动作(走和跑)，验证集和测试集各用1个人的动作。对于每一个动作，是随机划分的数据集，所以不会在同一个人的动作数据集上验证和测试。

网络的训练是一个迭代的过程，每一次训练，loss和accuracy曲线和网络的超参数向最优化的方向调整，网络训练的batch为100，每500次迭代后会在验证集上测试；从开始训练时，在验证集和测试集上loss值就指数级减小而accuracy增加。

7.一种应用权利要求1～2任意一项所述改进卷积神经网络的人体运动状态分类处理平台。