本发明属于手势识别算法领域,具体涉及一种利用改进禁忌搜索优化后的bp神经网络识别手势的方法。
背景技术:
1、随着科技的飞速发展,人机交互已成为多项领域发展的新方向,手势识别作为人机交互的重要组成部分,在医疗器械、虚拟游戏、单兵作战等领域有着不可替代的作用。
2、目前国内外手势识别有两个方向:基于图像识别、基于传感器,基于图像识别多用摄像头获取图像,但这易受光照影响也易被遮挡,实时跟踪识别效果较差,所以并未被广泛使用。而基于传感器的手势识别控制就无这些限制,近年来国内外研究员大多使用肌电传感器获取肌电信号识别手势,但是用肌电传感器识别手势的准确率并不很高,其原因是人体表皮肌电信号微弱,易受外界干扰,且算法处理杂乱的肌电信号困难,识别准确率较低。
3、目前在诸多领域上手势识别都有应用,多传感器的手势识别虽具有诸多优点,但却由于算法识别的准确率较低,从而限制了多传感器手势识别的发展。
技术实现思路
1、本发明的目的是为了提高多传感器手势识别的准确率,帮助bp神经网络摆脱易陷入局部极值等问题。
2、实现本发明目的的技术解决方案为:
3、s1、初始化神经网络参数,确定网络输入、输出参数以及禁忌搜索相关参数;
4、s2、按照随机生成的算子生成领域边界解;
5、s3、计算出领域内均方误差最小点;
6、s4、移动算子至最优点,继续生成领域,直到算子的均方误差为算子领域内最小值;
7、s5、将算子存入禁忌表,随机跳跃生成初始解,继续搜索局部极值点,直到禁忌表存满后或者循环到设定次数结束搜索;否则转至步骤2;
8、s6、将禁忌表中的局部极值点循环传递给bp神经网络训练模型;
9、s7、依次训练禁忌表中的局部极值,选出均方误差最小值点即全局最小值,储存误差最小值时bp神经网络的权重与阈值,得到手势识别的bp神经网络模型。
10、本发明与现有技术相比,其显著优点是:
11、(1)本发明的改进禁忌搜索优化bp神经网络算法,在禁忌搜索部分使用算子邻域的边界解,这不需要再设置算子领域的生成规则,也不需要在领域内做复杂的计算,算子领域只需要寻找局部最优点的大致位置,这即可解决领域结构不易确定问题,又可以减少计算量提高算法运行效率。
12、(2)本发明的改进禁忌搜索优化bp神经网络算法,在禁忌搜索部分使用的跳跃准则,即判断局部最优是否已经被禁忌,若已存入禁忌表,则按原先方向跳跃固定步数,若没被禁忌跳跃是则随机跳跃,该准则提高了禁忌搜索的全局搜索能力,可以遍历所有区域,提高了算法手势识别的准确率。
13、(3)本发明的改进禁忌搜索优化bp神经网络算法,在禁忌搜索部分选择扩大禁忌表,存放搜索到的所有局部最优,这不仅解决了禁忌搜索的局部搜索能力差问题,还为接下来bp算法的搜索创造了良好的条件,能确保取得最优点,提高手势识别的准确率。
1.一种基于改进禁忌搜索优化bp神经网络的手势识别方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于改进禁忌搜索优化bp神经网络的手势识别方法,其特征在于:
3.根据权利要求1所述的基于改进禁忌搜索优化bp神经网络的手势识别方法,其特征在于:s5具体过程为:
4.根据权利要求1所述的基于改进禁忌搜索优化bp神经网络的手势识别方法,其特征在于:最小值时bp神经网络的权重与阈值计算过程为: