[发明专利]基于深度残差网络的移动终端人类情境识别方法

权利要求书

1.一种基于深度残差网络的移动终端人类情境识别方法，其特征在于，包括以下步骤：

步骤1，初始化移动终端系统参数；

步骤2，初始化深度残差网络参数；

步骤3，对传感器数据进行预处理；

步骤4，对深度残差网络进行训练优化；

步骤5，利用优化后的深度残差网络识别人类情境。

2.根据权利要求1所述的基于深度残差网络的移动终端人类情境识别方法，其特征在于，步骤1所述初始化移动终端系统参数，具体包括：

初始化移动终端系统参数，包括：总任务时长T、传感器参数、预先设定可被识别的人类情境种类，包括行走、坐立；其中，传感器参数包括传感器采样频率、占空比。

3.根据权利要求1所述的基于深度残差网络的移动终端人类情境识别方法，其特征在于，步骤2所述初始化深度残差网络参数，具体包括：

初始化深度残差网络参数，包括网络层数、每层神经元的个数、激活函数、池化函数和池化窗、卷积核。

4.根据权利要求1所述的基于深度残差网络的移动终端人类情境识别方法，其特征在于，步骤3所述对传感器数据进行预处理，具体为：

将人体佩戴式、基于物体和环境的传感器的信号量即固定时间段内收集数据包的数量调整至相同数目，并且作归一化处理，同时去除掉噪声和失真值；接着进行窗口的划分，将总任务时长T划分为多个短的时间窗口。

5.根据权利要求1所述的基于深度残差网络的移动终端人类情境识别方法，其特征在于，步骤4所述对深度残差网络进行训练优化，具体包括：

步骤4-1，将收集到的传感器数据预处理后的数据集，再按10:1的比例分为训练集和测试集；

步骤4-2，从数据集批量抽取样本用来进行深度残差网络的训练，按照类别进行抽取，类别即用来情境识别的传感器种类；

步骤4-3，将抽取的样本输入深度残差网络，进行一次池化操作；

步骤4-4，经过多层残差单元的计算，多层残差单元即残差单元的输出是将输入和卷积后的结果相加，在通过多层残差单元后得到32个特征平面，再进行一次池化操作；

步骤4-5，将池化后的输出结果输入到全连接层，最后输出为所识别的用户情境结果；

步骤4-6，利用梯度下降法优化深度残差网络的参数，即通过寻找最小值，在一个方向上更新和调整模型的参数，来最小化损失函数；

步骤4-7，若训练轮次未达到预设值，则采取设定的样本抽取规则保留部分样本，返回步骤4-2。

6.根据权利要求5所述的基于深度残差网络的移动终端人类情境识别方法，其特征在于，步骤4-7所述采取设定的样本抽取规则保留部分样本，具体为：

在每一个样本被输入网络训练后，求取每一个样本对应的预测误差值，即神经网络的LOSS值，之后根据误差值对所有样本进行升序排列，获得样本序列(j₁,…j_d,j_d+1,…,j_minib)，并保留该经验样本序列的前d个样本，d的取值小于minib。

7.根据权利要求1所述的基于深度残差网络的移动终端人类情境识别方法，其特征在于，步骤5所述利用优化后的深度残差网络识别人类情境，具体如下：

步骤5-1，移动终端收集各个传感器的数据，并进行预处理；

步骤5-2，将预处理后的传感器数据输入到优化后的深度残差网络中，输出所识别的人类情境。