[发明专利]一种基于增量学习的电梯智能指纹识别系统

权利要求书

1.一种基于增量学习的电梯智能指纹识别系统，具体步骤如下，其特征在于：

步骤1，搭建电梯智能指纹识别系统硬件：该硬件系统由ARM处理器、指纹采集模块、采集板卡、通讯模块、存储模块和PC上位机等硬件组成；

步骤2，训练基于增量学习的指纹识别模型：构建增量学习指纹分类网络，提取指纹数据EMD特征，将采集的指纹样本用于训练增量学习网络；

步骤3，设计基于指纹识别结果的电梯控制指令：指纹识别系统通过增量学习算法实时计算出指纹数据的分类结果，并将结果发送至ARM控制器中，选择电梯控制输出指令；

步骤4，增量学习通过新出现的数据调整网络参数：在电梯指纹智能识别系统数据的不断采集下，增量学习根据所采集的数据，对算法模型和参数进行不断调整；

步骤5，获得具有鲁棒性的电梯智能指纹识别系统，并进行实际应用。

2.根据权利要求1所述的一种基于增量学习的电梯智能指纹识别系统，其特征在于：步骤1中搭建电梯智能指纹识别系统硬件的过程表示为：

电梯智能指纹识别系统硬件系统包括：ARM处理器、指纹采集模块、采集板卡、通讯模块、存储模块和PC上位机等；ARM处理器用于电梯控制，输出电梯控制指令，PC上位机通过采集卡和指纹采集模块采集指纹数据，PC上位机通过增量学习算法获得指纹分类结果，并将分类结果通过通讯模块发送至ARM处理器中。

3.根据权利要求1所述的一种基于增量学习的电梯智能指纹识别系统，其特征在于：步骤2中训练基于增量学习的指纹识别模型的过程可以表示如下：

首先提取指纹数据的EMD特征向量，指纹数据信号EMD特征提取如下：

步骤2.1，确定指纹数据信号x(t)所有的局部极大值和极小值点；

步骤2.2，分别将所有局部极大值点和极小值点连成包络曲线e_max(t)、e_min(t)，并计算上下包络曲线的均值曲线：

同时从信号中减去均值曲线，可得到IMF分量imf₁(t):

imf_i(t)＝x_i(t)-m_i(t) (2)

式中：

重复上述步骤，直到满足停止准则，迭代停止准则为：

其中SD为筛选门限值，当SD小于某个常数时，停止迭代，SD取值0.25；

分解结束后可得到n个EMD特征分量imf₁(t)，imf₂(t)，……，imf_n(t)以及余项r_n(t)，可将原始信号表示为：

再设计增量学习模型，增量学习模型包括两层：第一层网络自适应的生成网络来表示所输入的指纹数据EMD特征分量：

第二层网络将一层网络的输出作为输入，计算出第一层网络数据的类间距离和类内距离，将指纹数据分类标签作为输出，训练出指纹数据的增量学习分类模型。

4.根据权利要求1所述的一种基于增量学习的电梯智能指纹识别系统，其特征在于：步骤3中，设计基于指纹识别结果的电梯控制指令的过程可以表示如下：

PC上所连接的指纹采集器采集用户指纹信息、同时将用户居住楼层信息以及居住时效信息通过网络传送给上位机指纹识别系统，由系统预存入存储器中存储信息；用户使用电梯时，通过指纹识别传感器将指纹信息传至ARM控制器系统，系统通信将数据发送至上位机，上位机系统通过基于增量学习的指纹识别模型输出指纹分类结果，同时匹配存储器中的指纹信息，指纹吻合后发送控制信号至ARM控制器，控制电梯运行；如不吻合，语音模块将提示再次输入指纹信息，如果连续三次输入都不吻合，语音模块将发出报警信息，同时报警信息传送至PC机处理，PC机可通过监控模块监控电梯内状况。

5.根据权利要求1所述的一种基于增量学习的电梯智能指纹识别系统，其特征在于：步骤4中，增量学习通过新出现的数据调整网络参数的过程可以表示如下：

当出现新的指纹数据时，增量学习网络自动对模型进行调整，其调整步骤如下所示：

步骤4.1，初始化增量学习网络模型的神经元A＝{c₁,c₂}，并随机初始化权重W₁，W₂，并初始化连接矩阵C；

步骤4.2，输入一个指纹数据EMD特征分量I；

步骤4.3，计算出与该指纹数据EMD特征分量最接近的两个神经元s₁、s₂：

W_c是连接矩阵权重，如果数据和神经元满足||x-W_s1||大于所设置的相似度阈值，则为该数据生成一个新的节点r，且该节点的权值为x；

步骤4.4，如果神经元s₁、s₂之间无连接，则为两个最相似的节点建立连接；更新神经元和节点后，进行插入和去噪操作；

步骤4.5，如果还有数据输入则重复上述操作，否则输出神经元节点和连接矩阵C。