[发明专利]一种适用于基于热释电传感人体移动路径识别的建模方法

摘要

本发明涉及一种适用于基于热释电人体移动路径识别的建模方法，包括如下步骤：(1)研究了区间灰关联度在多特征指标条件下的识别机理，提出一种新的基于综合区间灰关联度的人体移动路径识别方法，揭示综合区间灰关联度形成的原理，推理出不同路径的人体特征信息与综合灰关联度之间定量的描述；(2)设计实验并结合多种识别算法，定量计算人体行走时的五种特征指标，对不同路径下的算法支持率和总支持度进行比较，并比较算法对异常数据的处理性能，从而验证步骤(1)所提出的观点。本发明解决了人体移动路径识别的问题，本发明可靠性高，容错性强，计算简单，易于实现，并为今后利用热释电技术进行实时跟踪提供一种依据。

主权项

一种适用于基于热释电人体移动路径识别的建模方法，包括如下步骤：(1)设实验区域的路径间隔为S＝{s₁,…,s_m}，每个识别节点上有两个热释电传感器，人体目标T在热释电探测区域按指定路线进行移动，不同热释电传感器在不同路径上感应的特征波将有所不同，从特征波中分离出5种能区分不同路径的特征指标，分别为电压峰值，电压谷值，电压差，峰值到谷值的时间差，电压差与时间差的比值；令M＝{1,…,m}，N＝{1,…,n}，不同的路径间隔中分离出相同的特征指标集Ω＝{θ₁,…,θ_n}，对于路径间隔s_i按属性θ_j进行测度，得到s_i关于特征指标θ_j的特征指标区间为构成特征指标矩阵设传感器测得的各特征指标区间集向量为把观测值区间集向量作为行向量合并到特征指标矩阵的最后一行，得到增广特征指标矩阵$\stackrel{\‾}{A}=\left[\begin{array}{cccc}[a_{11}^l,a_{11}^u]& [a_{12}^l,a_{12}^u]& \·\·\·& [a_{1n}^l,a_{1n}^u]\\ [a_{21}^l,a_{21}^u]& [a_{22}^l,a_{22}^u]& \·\·\·& [a_{2n}^l,a_{2n}^u]\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ [a_{m1}^l,a_{m1}^u]& [a_{m2}^l,a_{m2}^u]& \·\·\·& [a_{\mathrm{mn}}^l,a_{\mathrm{mn}}^u]\\ [a_{\mathrm{\μ}1}^l,a_{\mathrm{\μ}1}^u]& [a_{\mathrm{\μ}2}^l,a_{\mathrm{\μ}2}^u]& \·\·\·& [a_{\mathrm{\μn}}^l,a_{\mathrm{\μn}}^u]\end{array}\right];$采用现有的规范化方法，对增广特征指标矩阵进行处理，得到规范化增广特征指标矩阵其中且$\left.\begin{array}{c}{r}_{\mathrm{ij}}^l=a_{\mathrm{ij}}^l/\sqrt{\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{\left(a_{\mathrm{ij}}^u\right)}^2}\\ r_{\mathrm{ij}}^u=a_{\mathrm{ij}}^u/\sqrt{\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{\left(a_{\mathrm{ij}}^l\right)}^2}\end{array}\right\},i\∈\stackrel{\‾}{M},j\∈N;$设待识路径特征指标与已规划路径特征指标的距离矩阵为D＝(d_ij)_m×n，设规划路径间隔类型s_i与人体移动的待识路径X关于特征指标θ_j的区间灰关联系数为：${\mathrm{\ξ}}_{\mathrm{ij}}=\frac{\underset{i}{\min }\underset{j}{\underset{j}{\min }\left\{d_{\mathrm{ij}}\right\}+\mathrm{\β}\underset{i}{\max }\underset{j}{\max }\left\{d_{\mathrm{ij}}\right\}}}{d_{\mathrm{ij}}+\mathrm{\β}\underset{i}{\max }\underset{j}{\max }\left\{d_{\mathrm{ij}}\right\}}$i＝1,…,m；j＝1,…,n其中，β∈[0,1]为分辨系数，取值为0.5；区间灰关联系数矩阵为：$\mathrm{\ξ}=\left[\begin{array}{cccc}{\mathrm{\ξ}}_{11}& {\mathrm{\ξ}}_{12}& \·\·\·& {\mathrm{\ξ}}_{1n}\\ {\mathrm{\ξ}}_{21}& {\mathrm{\ξ}}_{22}& \·\·\·& {\mathrm{\ξ}}_{2n}\\ \·& \·& & \·\\ \·& \·& \·\·\·& \·\\ \·& \·& & \·\\ {\mathrm{\ξ}}_{m1}& {\mathrm{\ξ}}_{m2}& \·\·\·& {\mathrm{\ξ}}_{\mathrm{mn}}\end{array}\right];$描述客观权重：客观权重由客观商权表示，所谓熵权就是根据各指标传递给决策者信息量大小决定相应指标的权重，它反映了不同特征指标在决策中所起作用的大小，如果某个特征指标对识别所起的作用越大，表示该特征携带和传输的信息越多，则它的熵值就越小，熵权越大；对关联系数矩阵，特征j的熵定义为其中，k＝1/Inm，当f_ij＝0时，设f_ijInf_ij＝0，定义特征j的客观熵权即客观权重为$w_j=(1-H_j)/(n-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{H}_j),j=1,\·\·\·,n;$描述主观权重：主观权重是根据决策者对各项指标的主观重视程度来赋权的一种方法，设特征指标个数为n，由q名专家采用主观赋权给出了q个权重组合，其权重矩阵为：W＝[W¹,W²,…,W^q]^T，k＝1,2,…,q；q≥2计算权重矩阵的相关系数，可得权重相关系统矩阵T，相关系数在一定程度上能代表专家的权威程度：$T=\left[\begin{array}{cccc}{t}_{11}& t_{12}& \·\·\·& t_{1q}\\ t_{21}& t_{22}& \·\·\·& t_{2q}\\ \·& \·& & \·\\ \·& \·& \·\·\·& \·\\ \·& \·& & \·\\ t_{q1}& t_{q2}& \·\·\·& t_{\mathrm{qq}}\end{array}\right],$$t_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\ω}}_k^i-{\stackrel{\‾}{\mathrm{\ω}}}^i)({\mathrm{\ω}}_k^j-{\stackrel{\‾}{\mathrm{\ω}}}^j)}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\ω}}_k^i-{\stackrel{\‾}{\mathrm{\ω}}}^i)}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}}{({\mathrm{\ω}}_k^j-{\stackrel{\‾}{\mathrm{\ω}}}^j)}^2},$$\stackrel{\‾}{\mathrm{\ω}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_k/n;$给出综合权重：定义专家加权权重矩阵ψ＝[ψ₁,ψ₁,…,ψ_q]^T，对T做归一化处理得T'，即可表示为ψ：ψ＝T'*W。如果ψ不收敛需要对ψ进行循环计算，直到它收敛为止；定义综合权重由主观权重和客观权重组成，其综合权重Δ＝(Λ₁,Λ₂,…,Λ_j,…Λ_n)，满足如下关系：$\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ψ}}_j=1,$且${\mathrm{\Λ}}_j=\frac{w_j{\mathrm{\ψ}}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j{\mathrm{\ψ}}_j}(j=\mathrm{1,2,3},\·\·\·,n)$若指标综合权重向量Δ＝(Λ₁,Λ₂,…,Λ_j,…Λ_n)'已知，则规划路径类型s_i与人体移动的待识别路径X综合区间灰关联度为：$Z_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i\mathrm{\ξ},i=1,\·\·\·,m$Z_i反映了X与s_i的相似程度，Z_i越大，表明X与s_i越相似，即人体移动的未知路径X属于路径类型s_i的可能性越大；由特征矩阵得到增广的特征指标矩阵；规范化增广特征指标矩阵；计算距离矩阵；计算区间灰关联系数矩阵；计算属性客观权重向量；计算属性主观权重向量；计算综合权重向量；得到各段路径与目标移动的未知路径X的综合区间灰关联度；路径识别规则如下：如果存在k₀使得则判别该未知路径X为路径类型