一种基于改进禁忌搜索优化BP神经网络的手势识别方法技术

本发明专利技术公开了一种基于改进禁忌搜索优化BP神经网络的手势识别方法，包括S1初始化神经网络参数，确定网络输入、输出参数以及禁忌搜索相关参数；S2按照随机生成的算子生成领域边界解；S3计算出领域内均方误差最小点；S4移动算子至最优点，重新生成领域，直到算子的均方误差为算子领域内最小值；S5将算子存入禁忌表，随机跳跃生成初始解，继续搜索局部极值点，直到禁忌表存满后或者循环到设定次数结束搜索；否则转至步骤2；S6将禁忌表中的局部极值点循环传递给BP神经网络训练模型；S7计算各极值点的均方误差，得到最优手势识别网络模型。本发明专利技术能够摆脱局部极值问题，加快了算法的收敛速度，在手势识别准确率上有明显提升。在手势识别准确率上有明显提升。在手势识别准确率上有明显提升。

【技术实现步骤摘要】
一种基于改进禁忌搜索优化BP神经网络的手势识别方法


[0001]本专利技术属于手势识别算法领域，具体涉及一种利用改进禁忌搜索优化后的BP神经网络识别手势的方法。

技术介绍

[0002]随着科技的飞速发展，人机交互已成为多项领域发展的新方向，手势识别作为人机交互的重要组成部分，在医疗器械、虚拟游戏、单兵作战等领域有着不可替代的作用。
[0003]目前国内外手势识别有两个方向：基于图像识别、基于传感器，基于图像识别多用摄像头获取图像，但这易受光照影响也易被遮挡，实时跟踪识别效果较差，所以并未被广泛使用。而基于传感器的手势识别控制就无这些限制，近年来国内外研究员大多使用肌电传感器获取肌电信号识别手势，但是用肌电传感器识别手势的准确率并不很高，其原因是人体表皮肌电信号微弱，易受外界干扰，且算法处理杂乱的肌电信号困难，识别准确率较低。
[0004]目前在诸多领域上手势识别都有应用，多传感器的手势识别虽具有诸多优点，但却由于算法识别的准确率较低，从而限制了多传感器手势识别的发展。

技术实现思路

[0005]本专利技术的目的是为了提高多传感器手势识别的准确率，帮助BP神经网络摆脱易陷入局部极值等问题。
[0006]实现本专利技术目的的技术解决方案为：
[0007]S1、初始化神经网络参数，确定网络输入、输出参数以及禁忌搜索相关参数；
[0008]S2、按照随机生成的算子生成领域边界解；
[0009]S3、计算出领域内均方误差最小点；
[0010]S4、移动算子至最优点，继续生成领域，直到算子的均方误差为算子领域内最小值；
[0011]S5、将算子存入禁忌表，随机跳跃生成初始解，继续搜索局部极值点，直到禁忌表存满后或者循环到设定次数结束搜索；否则转至步骤2；
[0012]S6、将禁忌表中的局部极值点循环传递给BP神经网络训练模型；
[0013]S7、依次训练禁忌表中的局部极值，选出均方误差最小值点即全局最小值，储存误差最小值时BP神经网络的权重与阈值，得到手势识别的BP神经网络模型。
[0014]本专利技术与现有技术相比，其显著优点是：
[0015](1)本专利技术的改进禁忌搜索优化BP神经网络算法，在禁忌搜索部分使用算子邻域的边界解，这不需要再设置算子领域的生成规则，也不需要在领域内做复杂的计算，算子领域只需要寻找局部最优点的大致位置，这即可解决领域结构不易确定问题，又可以减少计算量提高算法运行效率。
[0016](2)本专利技术的改进禁忌搜索优化BP神经网络算法，在禁忌搜索部分使用的跳跃准则，即判断局部最优是否已经被禁忌，若已存入禁忌表，则按原先方向跳跃固定步数，若没
被禁忌跳跃是则随机跳跃，该准则提高了禁忌搜索的全局搜索能力，可以遍历所有区域，提高了算法手势识别的准确率。
[0017](3)本专利技术的改进禁忌搜索优化BP神经网络算法，在禁忌搜索部分选择扩大禁忌表，存放搜索到的所有局部最优，这不仅解决了禁忌搜索的局部搜索能力差问题，还为接下来BP算法的搜索创造了良好的条件，能确保取得最优点，提高手势识别的准确率。
附图说明
[0018]图1是本专利技术改进禁忌搜索优化BP神经网络的算法流程图。
[0019]图2是本专利技术算子领域结构示意图。
[0020]图3是本专利
移动示意图。
[0021]图4是本专利
随机跳跃误差变化示意图。
[0022]图5是优化后神经网络各阶段的均方误差。
[0023]图6是优化后神经网络对测试集的分类结果。
[0024]图7是优化后神经网络训练参数变化图。
[0025]图8是优化后神经网络各阶段的相关性。
具体实施方式
[0026]下面结合附图及具体实施例对本专利技术做进一步的介绍。
[0027]S1、初始化神经网络参数，确定网络输入、输出参数以及禁忌搜索相关参数
[0028]构建网络模型的输入为手势运动的肌电特征与惯性特征，初始化权重与阈值，确定禁忌搜索各个参数。初始化BP算法参数，本实验使用78输入1输出的模型,隐含层的节点个数按经验公式确定，判断隐藏层神经元个数的经验公式为:
[0029][0030]其中z表示隐含层的节点数，x表示输入层的节点数，y表示输出层的节点数，β表示1到10之间的常数。
[0031]经多次实验隐含层取14层，学习率η设为0.001，期望误差设定为0.00001。
[0032]S2、按照随机生成的算子生成领域边界解，
[0033]本实验选择禁忌搜索优化BP神经网络，准确的来说禁忌搜索在实验中只起到寻找局部最优点的大致位置，所以使用算子边界解，即设定邻域范围的临界值，如图2所示，经过多次实验邻域范围取
‑
0.003到+0.003，即每个特征只计算算子前后0.003邻域边界值，若各特征的值均小于其范围的边界值，则写入禁忌表。
[0034]S3、函数评价计算均方误差，选出领域内均方误差最小值点；
[0035]评价就是在解的邻域范围内对边界解进行评价，然后选出需要的边界解与算子交换，实现领域的移动,均方误差(MSE)计算公式如下：
[0036][0037]其中设m为训练集的样本个数，Y
i
表示第i个样本神时经网络模型输出的预测值，y
i
表示第i个样本神时训练集的真实值。
[0038]S4、移动算子至最优点，继续生成领域，直到评价最小值点为算子；
[0039]移动领域就是当前算子变换到之前评价选择的边界解的过程。初始解在其邻域内找到了一个更好的邻居解，算子移动，重新计算邻域结构，如下图3所示，算子1领域中计算得右边边界值更优，算子移动到其位置变成算子2，生成新的领域边界值，重复搜索直到算子的评价函数均方误差最小。
[0040]S5、将算子存入禁忌表，随机跳跃生成初始解，继续搜索局部极值点，直到禁忌表存满后或者循环到设定次数结束搜索；
[0041]按照步骤四依次运行，如果算子领域内的边界值的均方误差大于算子评价误差，那么可认为算子为局部最优解，再判断候选解中的局部最优解是否满足特赦准则，若满足，则取消禁忌，并且连续走固定步数，跳脱这个局部最优；若不满足，则更新禁忌步长并且随机跳跃，这种跳跃在启发式算法中被称为shake，是跳出局部最优一个有效做法，因为无法判断搜索区域的好坏，一般会选择随机跳跃，与随机构造初始解相似，重新生成一个解进行后续的邻域搜索，当禁忌表存满后或者循环到设定次数结束搜索结束禁忌搜索。
[0042]S6、将禁忌表中的局部极值点循环传递给BP神经网络训练模型；
[0043]S7、依次训练禁忌表中的局部极值，选出均方误差最小值点即全局最小值，储存误差最小值时BP神经网络的权重与阈值，得到手势识别的BP神经网络模型。
[0044]更新网络模型中的权值和偏置项，输入层到隐含层的参数更新：
[0045][0046]其中η表示学习率，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进禁忌搜索优化BP神经网络的手势识别方法，其特征在于：包括以下步骤：S1、初始化神经网络参数，确定网络输入、输出参数以及禁忌搜索相关参数；S2、按照随机生成的算子生成领域边界解：选择禁忌搜索优化BP神经网络，随机生成禁忌搜索的算子，依据邻域范围生成算子领域，计算领域的临界值；S3、选出领域内最优点：计算算子和边界解的均方误差，比较均方误差选取误差最小点，即为领域内最优点；S4、移动算子至最优点，继续生成领域，直到算子的均方误差为算子领域内最小值；S5、将算子存入禁忌表，随机跳跃生成初始解，继续搜索局部极值点，直到禁忌表存满后或者循环到设定次数结束搜索；否则转至步骤2；S6、将禁忌表中的局部极值点循环传递给BP神经网络训练模型；S7、依次训练禁忌表中的局部极值，选出均方误差最小值点即全局最小值，储存误差最小值时BP神经网络的权重与阈值，得到手势识别的BP神经网络模型。2.根据权利要求1所述的基于改进禁忌搜索优化BP神经网络的手势识别方法，其特征在于：算子和边界解的均方误差计算公式为：其中设m为训练集的样本个数，Y
i
表示第i个样本神时经网络模型输出的预测值，y
i...

【专利技术属性】
技术研发人员：李忠新，王胜东，吴志林，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：