[发明专利]一种基于异质分层PSO和SVM的人体行为识别方法

摘要

本发明涉及一种基于异质分层PSO和SVM的人体行为识别方法，属于人体行为识别以及模式识别技术领域；首先根据输入数据建立粒子适应度函数，然后基于混合后的随机混沌映射方法对分类器中需要寻优的参数进行粒子初始化；采用动态阈值规则对粒子分层，将异质粒子作用力融入每层的粒子位置与速度更新过程，设置分层速度更新原则；最后对分类器中每一维参数进行迭代寻优，得到一个基于异质分层寻优的分类模型；并基于该模型对传感器输入的人体运动行为数据进行分类。对比现有技术，本发明的寻优算法解决了建立支持向量机分类模型时参数易陷入局部最优的问题，建立的异质分层分类模型参数寻优收敛块、抗波动干扰能力强，提高了对人体行为的识别精度。

主权项

1.一种基于异质分层PSO和SVM的人体行为识别方法，其特征在于，包括以下步骤：基于以下输入数据集进行后续识别与分类过程：其中，M是数据样本的总组数，K是每一组数据包含的属性数量；m是输入样本的序列号，m＝1,2,...,M，k是数据属性的序列号，k＝1,2,...,K；X_mk表示输入数据中第m组第k个属性的输入数据值；R为实数集，Y_m是第m组输入数据X_m的分类输出值；步骤1：构建具有局部寻优能力的输入数据判别函数；基于均方误差建立粒子群适应度评价函数；步骤2：基于输入数据集对粒子群参数进行初始化并基于Tent‑Chebyshev随机混沌映射原则对粒子的位置进行初始化；其中，粒子群参数包括粒子的初始速度V、粒子群粒子总数N、粒子维数D、当前维数序号d，最大迭代次数T_max、当前迭代次数t、自适应惯性权重ω、加速度系数c₁,c₂,c₃,c₄、初始化粒子个体位置最优值和粒子群体位置最优值D与所述判别函数需要寻优的目标参数值个数一致；步骤3：根据粒子的适应度值将D维中的第d维粒子按照从大到小的顺序组成序列，依据动态阈值规则对第d维粒子依次进行分层；步骤4：将优解粒子的吸引力与劣解粒子的排斥力引入分层粒子的更新过程，基于粒子作用力的分层速度更新原则对D维中的第d维粒子的速度依次进行更新；步骤5：对D维中的第d维速度更新后的粒子群根据粒子位置阈值进行整体缩放，得到第d维速度位置均已更新后的粒子群；步骤6：使用步骤1的适应度评价函数计算位置与速度更新后粒子的适应度值，判断是否找到第d维粒子群中的最优粒子位置，判断结果为是或当前迭代次数t大于等于迭代计数最大值T_max，将第d维的最优粒子位置作为第d维的目标参数值；判断结果为否，则转步骤7；其中，若判断结果为是或当前迭代次数t大于等于迭代计数最大值T_max，表示已找到第d维粒子群中的最优粒子位置，随后再判断当前维数序号d是否等于粒子维数D，判断结果为是，表示所有维数的粒子均已完成寻优过程，输出共D维的目标参数值，寻优过程结束，将得到的D维最优分类器参数代入支持向量机中计算分类结果；判断结果为否，则令d＝d+1，t＝1，重复步骤3至步骤6的过程继续对粒子进行寻优；步骤7：更新第d维粒子个体位置最优值与粒子群位置最优值后令t＝t+1转步骤3：对于第t次迭代第d维中的粒子x_id，比较其粒子适应度与其自身经历过的最优位置的适应度值，更新个体位置最优值随后与当前群体中最优粒子比较，更新粒子群位置最优值