一种基于异质分层PSO和SVM的人体行为识别方法技术

本发明专利技术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，本发明专利技术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。

A Human Behavior Recognition Method Based on Heterogeneous Hierarchical PSO and SVM

【技术实现步骤摘要】
一种基于异质分层PSO和SVM的人体行为识别方法
本专利技术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

技术介绍
人体行为识别技术能够充分反映人体的运动情况和生理机能，通过数字信息化手段对人体各种运动症状所表现的各种行为动作进行信号采集和分析，不仅能够降低医生对运动系统疾病诊断的主观性，同时能够基于运动控制病理学机制，进一步理解人体的运动规律及各种运动行为的决策和控制机理，对临床医学、康复医学与康复工程、人机工程学、体育科学以及类人机器人等领域都具有重要的指导意义。在人体行为识别过程中，对运动信号的特征提取是基础，对特征进行精确的分类是核心。支持向量机(SupportVectorMachine，SVM)的原理是将向量映射变换到一个高维空间，在高维空间中寻找输入量和输出量之间的非线性关系。SVM与神经网络方法相比，泛化能力强，训练时间短，且理论基础完善，作为行为分类器能有效解决行为运动的非线性及不确定性问题，准确的描述人体不同运动行为下的复杂行为特征。由于受到训练样本集数量的限制，支持向量机的分类性能主要依赖于核函数的选择以及决策函数中本文档来自技高网...

【技术保护点】
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：

【技术特征摘要】
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；Xmk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，Ym是第m组输入数据Xm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Tmax、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Tmax，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Tmax，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xid，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2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括以下内容：步骤1.A：构建如公式(2)所示的K维输入空间中的线性判别函数：F(X)＝wXT+b(2)其中，F(X)代表输入数据X中每一组数据对应的分类输出值，是M维行向量；w代表判别权值向量，是K维行向量，b是偏置项；在约束条件下求解权值向量w的最小化代价函数，从而求得偏置项b的最优值；其中，权值向量w的最小化代价函数如公式(3)所示：约束条件为：(wXT+b)·F(X)≥1-εm,εm＞0,m＝1,2,...M(4)其中，C是惩罚因子，代表错误样本的惩罚程度，用于控制样本的拟合和决策能力；A为K维的缩放方阵，用于调整超平面特征值分布，εm为大于零的松弛系数；步骤1.B：设置粒子适应度最优阈值fitbest，根据(5)中均方根误差计算粒子适应度fit(xi)，并依据公式(5)判断SVM模型的准确率和泛化能力：式(5)中，表示在当前粒子位置xi下构建的分类模型对输入数据集X中第m组输入数据的分类结果，Y(Xm)表示输入数据集X中第m组输入数据实际的输出值，fit(xi)是当前粒子位置xi的适应度值，表示用当前粒子位置构造的分类器输出与实际输出结果间的差异程度。3.根据权利要求1所述的方法，其特征在于，步骤2所述基于Tent-Chebyshev随机混沌映射原则对粒子的位置进行初始化，包括以下步骤：步骤2.A：生成伪随机数x0作为粒子群的首个粒子位置值：x0＝rand,rand∈(0,1)(6)其中，rand是0到1之间均匀分布的伪随机数；步骤2.B：对粒子群中的非不动点粒子采用短周期Tent混沌映射方法进行位置初始化，对不动点粒子增加随机扰动，通过公式(7)采用Chebyshev混沌映射方法使粒子位置重新进入混沌状态：其中，0、0.25、0.50和0.75是Tent映射的迭代序列中的不稳定周期点，记为不动点；其中，xi表示粒子群中第i个粒子的位置，xi+1是基于xi产生的粒子群中第i+1个粒子的位置，i＝0,1,...,N-1；{0＜xi＜0.25}∪{0.25＜xi＜0.5}表示集合{0＜xi＜0.25}和{0.25＜xi＜0.5}的并，{0.5＜xi＜0.75}∪{0.75＜xi≤1}表示集合{0.5＜xi＜0.75}和{0.75＜xi≤1}的并；cos表示余弦函数，arccos表示反余弦函数；根据Tent-Chebyshev随机混沌映射方法共产生N个粒子的初始位置；步骤2.C：根据输入数据集通过公式(8)确定粒子位置的阈值αmax和αmin：其中，max{·}与min{·}分别表示求括号中的最大值与最小值，和分别表示向上和向下取整运算，αmax和αmin分别表示输入数据集X中M个行平均值中的上下阈值；步骤2.D：通过公式(9)根据粒子位置的阈值来扩展粒子位置的初始位置：xi＝αmin+(αmax-αmin)xi(9)其中，xi表示粒子群中第i个粒子的位置；步骤2.E：根据粒子维数D重复根据步骤2.A到步骤2.D遍历地完成D维粒子群的位置初始化过程，共产生N×D个混沌序列值作为当前输入数据的粒子群初始位置。4.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括以下内容：排序后的序列中粒子的序号依次记为S＝1,2,...,N，序号越大，代表粒子的适应度数值越小，即粒子更偏向于最优解；建立如公式(10)所示的粒子分层采用的动态阈值规则：式(10)中，xid表示第d维第i个粒子的粒子...

【专利技术属性】
技术研发人员：郭树理，张祎彤，何昆仑，韩丽娜，刘宏斌，范利，王春喜，
申请(专利权)人：北京理工大学，中国人民解放军总医院，
类型：发明
国别省市：北京,11