[发明专利]一种基于神经网络优化的穿戴式设备手势识别方法

权利要求书

1.一种基于神经网络优化的穿戴式设备手势识别方法，其特征在于，包括以下步骤：

S1：利用穿戴式设备采集手势运动数据；

S2：手势运动数据进行归一化处理后并滤波去噪得到用于神经网络训练的训练样本手势数据；

S3：从训练样本手势数据中提取每一种手势的手形特征，结合现有的手势特征点集，确定出每一种静态手势的手势模板；

S4：利用聚类融合算法对训练样本手势数据进行聚类融合处理，所述聚类融合算法包括若干种聚类算法；

S5:建立四个RBF神经网络，分别记为第一RBF神经网络、第二RBF神经网络、第三RBF神经网络、第四RBF神经网络，确定四个RBF神经网络的基函数中心，利用遗传算法确定四个RBF神经网络的初始权值并进行优化；

S6：将聚类融合算法聚类处理后的训练样本手势数据分别输入到优化后的第一RBF神经网络、第二RBF神经网络、第三RBF神经网络进行学习和训练得到对应的分类器，根据每个分类器的输出结果判断对应的静态手势，计算出每个分类器的分类误差；

S7：根据每个分类器的分类误差，构建混合聚类群集，选择分类误差最小对应的聚类算法产生的集群结果进入混合聚类群集，利用混合聚类群集训练优化后的第四RBF神经网络；

S8：将待识别的手势数据输入至训练完毕的第四RBF神经网络，将第四RBF神经网络神经输出结果与手势模板比对得到手势识别结果。

2.根据权利要求1所述的一种基于神经网络优化的穿戴式设备手势识别方法，其特征在于，所述手势运动数据[x_0i,y_0i]进行归一化处理即将手势运动数据映射到[0,1]区间得到归一化处理后数据[x_i,y_i]，即：

式中，x_0i,min,x_0i,max分别表示随机代表样本数据中x_0i的最小值和最大值，式中，y_0i,min,y_0i,max也是分别表示随机代表样本数据中y_0i的最小值和最大值。

3.根据权利要求1所述的一种基于神经网络优化的穿戴式设备手势识别方法，其特征在于，所述若干种聚类算法包括：期望最大化聚类算法、K-means聚类算法、X-means聚类算法。

4.根据权利要求3所述的一种基于神经网络优化的穿戴式设备手势识别方法，其特征在于，所述K-means聚类算法以欧氏距离作为相似度测度，采用误差平方和准则函数作为聚类准则函数，即：

式中，k是初始群集个数，n_i是群集A_i中的数据点个数，m_i是群集A_i的几何中心。

5.据权利要求3述的一种基于神经网络优化的穿戴式设备手势识别方法，其特征在于，X-means聚类算法包括以下步骤：

第一步：给定初始群集，对初始集群中全部的数据集进行K-means聚类分析直到收敛；

第二步：将第一步获得的群集中心分离成两个子集，然后对每一个群集及子集进行局部的K-means聚类分析；

第三步：对每一个群集，比较父集的贝叶斯信息准则值和两个子集的总的贝叶斯信息准则值，然后保存贝叶斯信息准则值大的那个群集；

第四步：重复执行第一步。

6.根据权利要求1所述的一种基于神经网络优化的穿戴式设备手势识别方法，其特征在于，所述RBF神经网络的传递函数为高斯函数，径向基函数h_i为：

式中x代表输入向量，x＝(x₁,x₂,...,x_i)^T，c_i表示基函数的中心，r为基宽量。