[发明专利]神经网络训练方法、人体运动识别方法及设备、存储介质

说明书

本申请公开了一种神经网络训练方法、人体运动识别方法及设备、存储介质，该神经网络训练方法包括：获取训练数据集，并对所述训练数据集中的训练数据进行预处理，得到若干训练图数据，其中，每一训练图数据为所述训练数据中一个时间片的训练图数据；将所述训练图数据输入图神经网络进行训练，其中，所述图神经网络包括依次连接的若干图卷积层；基于训练结果，获取最终图神经网络的权重矩阵，完成神经网络训练，其中，所述图神经网络的权重矩阵由所述若干图卷积层的最终权重组成。通过上述方式，本申请对训练数据集进行数据预处理，从而得到满足图神经网络输入的训练图数据，从而提高神经网络的训练效率以及训练准确性。

技术领域

本申请涉及神经网络技术领域，特别涉及一种神经网络训练方法、人体运动识别方法及设备、存储介质。

背景技术

长期以来，作为典型的模式识别问题，许多传统的机器学习算法被用于解决基于传感器的HAR(human activity recognition，人体运动行为识别)问题，包括决策树、随机森林、支持向量机、贝叶斯网络、马尔可夫模型等。在严格的控制环境和有限的输入下，传统的最大外观算法取得了良好的分类效果，但是传统的手工特征方法耗时长，提取的特征缺乏增量和无监督的学习能力和泛化能力。

发明内容

本申请主要提供一种神经网络训练方法、人体运动识别方法及设备、存储介质，以解决传统的手工特征方法耗时长，提取的特征缺乏增量和无监督的学习能力和泛化能力的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种神经网络训练方法，所述神经网络训练方法包括：

获取训练数据集，并对所述训练数据集中的训练数据进行预处理，得到若干训练图数据，其中，每一训练图数据为所述训练数据中一个时间片的训练图数据；

将所述训练图数据输入图神经网络进行训练，其中，所述图神经网络包括依次连接的若干图卷积层；

基于训练结果，获取最终图神经网络的权重矩阵，完成神经网络训练，其中，所述图神经网络的权重矩阵由所述若干图卷积层的最终权重组成。

根据本申请提供的一实施方式，所述将所述训练图数据输入图神经网络进行训练，包括：

将每一所述训练图像数据输入所述图神经网络的首个图卷积层，获取所述首个图卷积层的首个输出；

将所述首个输出输入所述首个图卷积层的下一个图卷积层，以将所述首个输出作为所述下一个图卷积层的输入进行训练，直至完成所述图神经网络的所有图卷积层的训练。

根据本申请提供的一实施方式，所述将所述首个输出输入所述首个图卷积层的下一个图卷积层，以将所述首个输出作为所述下一个图卷积层的输入进行训练，包括：

将所述首个输出以及所述训练图数据进行叠加，得到融合数据；

将所述融合数据输入所述下一个图卷积层，以将所述融合数据作为所述下一个图卷积层的输入进行训练。

根据本申请提供的一实施方式，所述首个输出由所述训练图像数据、所述首个图卷积层的训练权重计算生成；

所述首个输出通过激活函数转换为所述下一个图卷积层的输入。

根据本申请提供的一实施方式，所述将所述训练图数据输入图神经网络进行训练，包括：

利用拉普拉斯算子从所述训练图数据的节点特征中提取空间特征；

利用所述图神经网络的训练权重作为对角线元素，构建对角矩阵；

利用所述空间特征以及所述对角矩阵，形成所述图神经网络的输出进行训练。

根据本申请提供的一实施方式，所述利用所述空间特征以及所述对角矩阵，形成所述图神经网络的输出进行训练，包括：