买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学(威海)

摘要：本发明属于雷达目标识别技术领域，公开了一种自适应权重决策融合行人步态识别方法及系统。该方法包括：获取行人微多普勒雷达回波，对行人微多普勒雷达回波进行信号处理，对行人步态时频图进行多包络提取；将行人步态时频图多包络、行人步态时频图和行人微多普勒回波功率谱数据随机分为训练集和测试集；使用训练集数据对行人步态识别神经网络模型进行训练；进行自适应权重决策融合。本发明通过三个特征神经网络模型进行决策融合，根据它们识别准确度动态地调整权重，从而降低单个特征分类器的误识别率，提高整个系统的准确性和鲁棒性。

主权项：1.一种自适应权重决策融合行人步态识别方法，其特征在于，该方法基于多包络的全连接神经网络、时频图的卷积神经网络和功率谱的全连接神经网络进行自适应权重决策融合，进行雷达步态识别；具体包括以下步骤：S1，获取行人微多普勒雷达回波，使用毫米波雷达传感器面向行人发射电磁波，采集并保存行人的雷达反射回波；S2，对行人微多普勒雷达回波进行信号处理，对雷达回波进行功率谱估计和时频分析；S3，对行人步态时频图进行多包络提取；S4，将行人步态时频图多包络、行人步态时频图和行人微多普勒回波功率谱数据随机分为训练集和测试集；S5，使用训练集数据对行人步态识别神经网络模型进行训练；S6，进行自适应权重决策融合，根据三个神经网络训练过程中各个步态的识别率，自适应改变决策融合的权重，对每个神经网络的判决结果进行加权；将测试集数据输入到训练好的神经网络模型中进行分类识别，分类结果根据权重进行比较，得到最终决策；在步骤S5中，所述使用训练集数据对行人步态识别神经网络模型进行训练包括：将训练集数据再次分为训练集1和测试集1，使用所述训练集1的数据对行人步态识别神经网络模型进行训练，基于多包络的全连接神经网络、基于时频图的卷积神经网络和基于功率谱的全连接神经网络对行人步态进行训练，使用测试集1的数据对神经网络模型进行测试并计算识别准确率，将训练好的神经网络模型保存到本地；具体包括以下步骤：S501，基于多包络的全连接神经网络，将提取的多包络曲线通过拼接组成一个一维向量作为输入，输入格式为一维向量，通过全连接神经网络进行训练，隐藏层神经元数量为10，最大迭代次数为100，输出层的激活函数为softmax，得到训练好的全连接神经网络；S502，基于时频图的卷积神经网络，将时频分析得到的微多普勒时频图作为输入，输入格式为图像，通过卷积神经网络进行训练，使用sgdm作为优化函数，设置最大训练轮数为10，每个小批次的大小为10，初始学习率为0.0001，得到训练好的卷积神经网络模型；S503，基于功率谱的全连接神经网络将得到的微多普勒回波信号功率谱作为输入，输入格式为一维向量，通过全连接神经网络进行训练，隐藏层神经元数量为10，最大迭代次数为100，输出层的激活函数为softmax，得到训练好的全连接神经网络；在步骤S6中，所述将测试集数据输入到训练好的神经网络模型中进行分类识别，分类结果根据权重进行比较，得到最终决策包括：S601，针对三个神经网络分类器，计算在训练过程中测试集的数据在步态1、步态2和步态3上的识别准确率；表达式为： 式中，P为识别准确率，P11为分类器1在步态1的识别准确率，P12为分类器1在步态2的识别准确率，P13为分类器1在步态3的识别准确率；P21为分类器2在步态1的识别准确率，P22为分类器2在步态2的识别准确率，P23为分类器2在步态3的识别准确率；P31为分类器3在步态1的识别准确率，P32为分类器3在步态2的识别准确率，P33为分类器3在步态3的识别准确率；S602，计算每个神经网络分类器在步态1、步态2和步态3上的相对权重，表达式为： 式中，wij为分类器i在步态j的相对权重，Pij为分类器i在步态j的识别准确率，∑iPij为步态j在所有分类器的识别准确率之和；S603，计算归一化权重，将每个神经网络分类器在每个步态上的相对权重进行归一化处理，使得和等于1，并进行归一化处理，表达式为： 式中，为分类器i在步态j的归一化权重，∑i∑jwij为每个神经网络分类器、每个步态的相对权重之和；S604，根据自适应权重决策融合的归一化权重来进行步态识别，计算每个识别样本三个神经网络分类器的输出结果对应的归一化权重，计算每个步态的归一化权重之和，最大值对应的步态为自适应权重决策融合的输出结果；在步骤S604中，所述计算每个步态的归一化权重之和包括：S6041，将测试集输入到三个神经网络中，将分类结果组合成一个投票矩阵，每一列为一个神经网络的识别结果，每一行为同一样本三个神经网络的识别结果；S6042，将投票矩阵第一列中1替换为其中，1代表神经网络识别结果为步态1，代表前一阶段计算的第一个神经网络识别步态1归一化权重；将投票矩阵第一列中2替换为其中，2代表神经网络识别结果为步态2，代表前一阶段计算的第一个神经网络识别步态2归一化权重；将投票矩阵第一列中3替换为其中，3代表神经网络识别结果为步态3，代表前一阶段计算的第一个神经网络识别步态3归一化权重；对投票矩阵第二列、第三列进行相同的操作得到权重矩阵；S6043，计算投票矩阵中每一行相同值对应位置的权重矩阵之和；S6044，求权重矩阵之和每一行的最大值，最大值位置对应的投票矩阵中的分类结果即为最终输出结果。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学(威海) 一种自适应权重决策融合行人步态识别方法及系统