[发明专利]基于门控的独立循环神经网络及骨架动作识别方法

权利要求书

1.一种基于门控的独立循环神经网络，其特征在于，由基于门控的独立循环神经元构成，所述基于门控的独立循环神经元是在独立循环神经元的基础上，加入门控单元；

门控单元的输入信息包括使用当前时刻的输入信息或者是使用当前的输入信息和循环输入信息，具体为：i_t＝σ(W_ix_t+b_i)或者是i_t＝σ(W_ix_t+u_i⊙h_t-1+b_i)，其中，σ是激活函数，W_i和b_i分别为权重和偏移，x为当前输入信息，u_i为该门的循环权重，h为循环输入，t为当前时刻；

基于门控的独立循环神经元的整体公式为h_t＝g(i_t⊙f(Wx_t+b)+u⊙h_t-1+b_o)，其中，f和g分别为输入信息和输出信息的激活函数，W、b、u、b_o分别为输入权重、输入偏移、循环权重和输出偏移；门的输出信息对网络的输入信息进行点乘处理，即i_t⊙f(Wx_t+b)。

2.根据权利要求1所述的基于门控的独立循环神经网络，其特征在于，激活函数σ使用sigmoid函数，激活函数f和激活函数g使用ReLU函数。

3.根据权利要求1所述的基于门控的独立循环神经网络，其特征在于，由基于门控的独立循环神经元进行组合得到基于门控的独立循环神经网络，组合方式为单层组合和多层组合；单层组合是将多个基于门控的独立循环神经元组合在一层网络中，多层组合是在单层组合网络的基础上，使用包括直接连接、短路连接及密集连接方式，组成多层网络。

4.一种采用权利要求1所述神经网络进行骨架动作识别的方法，其特征在于，包括以下步骤：

步骤1：获取骨架动作数据集并进行预处理；

步骤2：构建多层基于门控的独立循环神经网络及输出层作为分类网络；

步骤3：将步骤1得到的数据集输入到步骤2构建的基于门控的独立循环神经网络中进行训练；

步骤4：采用步骤3训练得到的基于门控的独立循环神经网络进行骨架动作识别。

5.根据权利要求4所述的骨架动作识别方法，其特征在于，在步骤2中，使用6层基于门控的独立循环神经网络，输出层为全连接操作和softmax函数。

6.根据权利要求5所述的骨架动作识别方法，其特征在于，在步骤2中，每层基于门控的循环神经网络的神经元数目为512，每两层基于门控的循环神经网络之间具有随机失活和批归一化。

7.根据权利要求4至6任一项所述的骨架动作识别方法，其特征在于，在所述步骤3训练中，采用交叉熵函数作为损失函数，并采用Adam优化器对网络的参数进行优化。