[发明专利]基于粒子群优化BP神经网络的步态识别方法

说明书

本发明公开了一种基于粒子群优化BP神经网络的步态识别方法，该方法在建立BP神经网络模型后，采用粒子群算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型全局误差达到预设精度；然后，将行走目标的特征值矩阵输入至优化后的BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；最后，将待识别行走目标的特征值矩阵输入至粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。因此，本发明通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。

技术领域

本发明涉及步态识别技术领域，尤其涉及一种基于粒子群优化BP神经网络的步态识别方法。

背景技术

步态识别是生物特征识别技术中的新兴领域之一。它旨在根据人们的走路姿势实现对个人身份的识别或生理、病理及心理特征的检测，具有广阔的应用前景。步态是一种复杂的行为特征，是人的生理、心理及对外界反应的一个综合体现。由于个体之间存在差异，步态也不尽相同，这些差异是整个肌肉和骨架(身体重量、肢体长度、骨路结构等)的函数，且完全决定于几百个运动学参数。早期的医学研究表明：人的步态中有24种不同的成分，如果把这些成分都考虑到，则步态是为个体所特有的，这使得利用步态进行身份识别成为可能。相对于其他生物认证技术，步态识别具有非侵犯性、远距离识别、简化细节、难以伪装等独特优势。

目前，常见的步态识别方法有最近邻NN(Nearest-Neighbor)分类、人工神经网络ANN(Artificial Neural Networks)、隐马尔可夫模型HMM(Hidden Markov Model)等。其中，采用传统的BP神经网络在进行训练时易出现局部最小值、收敛速度过慢、分类效果不理想的问题，且不能够保证收敛到全局最优点，提取的步态轮廓图噪声也较大。因此，需要对传统的BP神经网络进行优化改进，以提高BP神经网络在步态识别应用中的性能。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于：提供一种基于粒子群优化BP神经网络的步态识别方法，通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。

为实现上述发明目的，本发明提供以下技术方案：

一种基于粒子群优化BP神经网络的步态识别方法，其包括以下步骤：

S1：建立BP神经网络模型；

S2：采用粒子群算法优化所述BP神经网络模型的连接权值和阈值，使所述BP神经网络模型的全局误差达到预设精度；

S3：将行走目标的特征值矩阵输入至优化后的所述BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；

S4：将待识别行走目标的特征值矩阵输入至所述粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。

根据一种具体的实施方式，本发明基于粒子群优化BP神经网络的步态识别方法的步骤S2中，采用粒子群算法对所述BP神经网络模型的正向传播进行优化，其包括以下步骤：

S201：对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化所述粒子群；

S202：将所述隐含层的输出函数作为适应度函数，计算出每个粒子的适应度值，并选取最优的适应度值作为群体历史最优值；

S203：利用每个粒子的历史最优值进行迭代更新，更新每个粒子的历史最优位置和速度；

S204：若计算出满足条件的适应度值或者迭代次数达到最大迭代数，则停止迭代，并将隐含层的最优输出结果输入至输出层，否则进入步骤S202继续迭代；