CN104915654B - 一种基于受限玻尔兹曼机的路径点数据行为识别方法 - Google Patents

一种基于受限玻尔兹曼机的路径点数据行为识别方法 Download PDF

Info

Publication number
CN104915654B
CN104915654B CN201510318663.2A CN201510318663A CN104915654B CN 104915654 B CN104915654 B CN 104915654B CN 201510318663 A CN201510318663 A CN 201510318663A CN 104915654 B CN104915654 B CN 104915654B
Authority
CN
China
Prior art keywords
boltzmann machine
network
limited boltzmann
path point
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510318663.2A
Other languages
English (en)
Other versions
CN104915654A (zh
Inventor
蒋波
蒋一波
楼弘
盛尚浩
王万良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANDONG DONGMING PETROLEUM & CHEMICAL GROUP CO LTD
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201510318663.2A priority Critical patent/CN104915654B/zh
Publication of CN104915654A publication Critical patent/CN104915654A/zh
Application granted granted Critical
Publication of CN104915654B publication Critical patent/CN104915654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种基于受限玻尔兹曼机的路径点数据行为识别方法，包括以下步骤：(1)对一系列路径点数据进行预处理操作；(2)初始化受限玻尔兹曼机神经网络；(3)将数据输入受限玻尔兹曼机中进行预学习；(4)将受限玻尔兹曼机的预学习权重作为多层神经网络权重，使用BP算法进行微调；(5)使用神经网络判断新的路径点数据。本发明提供一种有效提高准确性的基于受限玻尔兹曼机的路径点数据行为识别方法。

Description

一种基于受限玻尔兹曼机的路径点数据行为识别方法
技术领域
本发明涉及的是一种视频传感器调度领域中的方法，具体涉及一种基于受限波尔兹曼机的路径点数据行为识别方法。
技术背景
小水电在农村社会经济发展、节能减排和应急救灾等方面发挥了重要作用，并且随着水电站远程监控系统的研究和应用，逐步实现了“无人值班、少人值守”。但是由于人为入侵、高危安全警戒不完善、视频传感器网络随机部署数量不足等原因，无法做到无死角覆盖或者目标K覆盖监控。一些小水电站安全隐患严重，事故时有发生，危及人民群众的生命和财产安全。
由于无人值班存在的人为入侵隐患等问题，需要通过视频传感器对入侵目标进行监控。对于小水电高危区域，其覆盖质量有一定的要求，需要区域中每个目标点至少被K个目标同时覆盖，以保证随时监控目标的行为并发出警报。但是由于视频传感器部署数量的限制，很难做到对入侵目标的每个时刻都有至少K个目标同时覆盖。
对于传感器无法保证K覆盖的问题，有多种不同的解决方法。一种方法是增加视频传感器的数量，这种方法可以从根本上解决传感器部署问题，但该方法的实施成本很高且部分区域传感器部署困难无法部署更多数量的传感器。为了适应覆盖需求，产生了另一种策略，通过先对目标进行危险度判定，对于不同危险度的目标，使用不同数量的传感器进行覆盖。而如何判别目标的危险程度则成为了问题的关键，判定算法的好坏决定了监控区域内安全系数的高低，设计一种好的判别算法具有意义。
发明内容
为了克服已有视频传感器路径点数据行为识别方式的准确性较低的不足，本发明提供一种有效提高准确性的基于受限玻尔兹曼机的路径点数据行为识别方法。
本发明解决其技术问题所采用的技术方案是：
一种基于受限玻尔兹曼机的路径点数据行为识别方法，所述识别方法包括以下步骤：
(1)对一系列路径点数据进行预处理操作
对于一系列由目标随时序移动产生的路径点集合{xi|i＝1，2，3...}，使用将其转化为方向向量，然后将方向向量标准化，即对于向量v(x，y) 使x2+y2＝1；
(2)初始化受限玻尔兹曼机神经网络
设神经网络层数为n，每层的神经元数量为N1,N2,N3…Nn，随机产生[0，1]之间的随机数作为神经网络的连接权值；
(3)将数据输入受限玻尔兹曼机中进行预学习；
首先，训练由第一层和第二层构成的受限玻尔兹曼机网络，即节点数量为N1的可视层，节点数量为N2的隐含层，使用RBM优化方法 (使用CD-K算法，具体可以参见 http://deeplearning.net/tutorial/rbm.html)优化网络权值，并在训练完成后计算网络输出；
然后，使用第二层和第三层构成受限玻尔兹曼机网络，并使用以上计算得到的网络输出作为该神经网络的输出，重复该过程训练除输出层外的所有两层神经网络；
(4)将受限玻尔兹曼机的预学习权重作为多层神经网络权重，使用BP算法进行微调；
(5)使用神经网络判断新的路径点数据；
对新的目标路径点数据进行步骤(1)中的预处理，输入到神经网络中判断，输出目标的行为识别结果。
进一步，所述步骤(4)中，将步骤(3)中所有两层网络合并成一个多隐层的神经网络，并使用之前训练得到的权值作为这个新网络的连接权值，使用BP算法微调网络权值，得到目标神经网络。
本发明的技术构思为：对于路径点数据行为识别来说，模型越复杂，特征数量越多，单路径的判断计算量就越大，所需的时间就越多，传感器能量消耗就越大。路径点数据的采样对于行为识别具有影响。由于采样频率的关系，往往一条简单的数据路径由许多的路径点构成，而路径数据点具有的地理位置相关等特性对于行为识别没有意义。
首先通过将数据输入到受限玻尔兹曼机中进行预学习，使网络能够提取路径点数据的低维特征，然后使用受限玻尔兹曼机的权重作为神经网络的权重，使用梯度下降法微调权值，直到算法收敛。最后将新的路径点数据输入网络中判断路径的危险程度，输出行为识别结果。
本发明的有益效果主要表现在：以有效的对数据进行降维，去除路径点数据中的脏数据和异常数据，能够将整条路径的有效特征提取出来作为分类依据，从而提高路径点数据行为识别方法的准确性。
附图说明
图1是一种基于受限玻尔兹曼机的路径点数据行为识别方法的流程图；
图2是基于本发明算法实现的视频传感器动态K覆盖监控系统的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于受限玻尔兹曼机的路径点数据行为识别方法，所述识别方法包括以下步骤：
(1)对一系列路径点数据进行预处理操作
对于一系列由目标随时序移动产生的路径点集合{xi|i＝1，2，3...}，使用将其转化为方向向量，然后将方向向量标准化，即对于向量v(x，y) 使x2+y2＝1；
(2)初始化受限玻尔兹曼机神经网络
设神经网络层数为n，每层的神经元数量为N1,N2,N3…Nn，随机产生[0，1]之间的随机数作为神经网络的连接权值；
(3)将数据输入受限玻尔兹曼机中进行预学习；
首先，训练由第一层和第二层构成的受限玻尔兹曼机网络，即节点数量为N1的可视层，节点数量为N2的隐含层，使用RBM优化方法 (使用CD-K算法，具体可以参见 http://deeplearning.net/tutorial/rbm.html)优化网络权值，并在训练完成后计算网络输出；
然后，使用第二层和第三层构成受限玻尔兹曼机网络，并使用以上计算得到的网络输出作为该神经网络的输出，重复该过程训练除输出层外的所有两层神经网络；
(4)将受限玻尔兹曼机的预学习权重作为多层神经网络权重，使用BP算法进行微调；
(5)使用神经网络判断新的路径点数据；
对新的目标路径点数据进行步骤(1)中的预处理，输入到神经网络中判断，输出目标的行为识别结果。
进一步，所述步骤(4)中，将步骤(3)中所有两层网络合并成一个多隐层的神经网络，并使用之前训练得到的权值作为这个新网络的连接权值，使用BP算法微调网络权值，得到目标神经网络。
本实施例的神经网络以4层为例进行说明，基于受限玻尔兹曼机的路径点数据行为识别方法包括以下步骤：
(1)从数据库中获取n组路径点数据，每组数据包括600个数据点。路径点集合为{xi|i＝1，2，3...}。
(2)使用后一个点减去前一个点的方式将数据转化为方向向量。
(3)将方向向量标准化，即对于向量v(x，y)使x2+y2＝1。
(4)构造一个包含4个隐含层的神经网络，输入层的节点个数为 600，各隐含层的节点数量分别为，800,500,150,30，记为N。随机产生[0，1]之间的随机数作为神经网络的连接权值。
(5)使用N的输入层和第一个隐层构建受限玻尔兹曼机神经网络，即该网络的可视层节点数为600，隐含层节点数为800。使用RBM优化算法优化网络权值。
(6)计算受限玻尔兹曼机网络输出，记为O1。
(7)使用N的第一个隐层和第二个隐层构建受限玻尔兹曼机神经网络，即该网络可视层节点数为800，隐含层节点数为500，将O1作为网络输入优化网络权值。
(8)计算受限玻尔兹曼机网络输出，记为O2。
(9)使用N的第二个隐层和第三个隐层构建受限玻尔兹曼机神经网络，即该网络可视层节点数为500，隐含层节点数为150，将O2作为网络输入优化网络权值。
(10)计算受限玻尔兹曼机网络输出，记为O3。
(11)使用N的第三个隐层和第四个隐层构建受限玻尔兹曼机神经网络，即该网络可视层节点数为150，隐含层节点数为30，将O3 作为网络输入优化网络权值。
(12)使用BP算法微调神经网络N的权值，直至收敛。
(13)输入新的路径点数据，按照步骤(1)至(3)的方法初始化，输入到神经网络中识别行为。
如图2所示，本发明还设计一种基于上述算法实现的视频传感器动态K覆盖监控系统，该优化系统包括人机交互子系统和调度运算子系统。
所述的调度运算子系统包括实时入侵数据处理模块和行为-覆盖质量映射模块两部分。所述的实时入侵数据处理模块，用于处理来自数据源的实时数据并根据区域划分和管理。所述的行为-覆盖映射模块，用于计算路径点数据行为并将行为映射到具体的视频传感器覆盖数量。
所述的人机交互子系统包括调度结果动态演示模块和调度优化结果统计模块。所述的调度结果动态演示模块，用于动态演示监控范围内所有视频传感器的位置、方向状态供操作员观察。所述的调度优化结果统计模块，用于统计调度过程中的各种数据，如移动角度和，覆盖质量等等。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (2)

1.一种基于受限玻尔兹曼机的路径点数据行为识别方法，其特征在于：所述识别方法包括以下步骤：
(1)对一系列路径点数据进行预处理操作
对于一系列由目标随时序移动产生的路径点集合{xi|i＝1，2，3…}，使用将其转化为方向向量，然后将方向向量标准化，即对于向量v(x，y)使x2+y2＝1；
(2)初始化受限玻尔兹曼机神经网络
设神经网络层数为n，每层的神经元数量为N1,N2,N3…Nn，随机产生[0，1]之间的随机数作为神经网络的连接权值；
(3)将数据输入受限玻尔兹曼机中进行预学习；
首先，训练由第一层和第二层构成的受限玻尔兹曼机网络，即节点数量为N1的可视层，节点数量为N2的隐含层，使用RBM优化方法优化网络权值，并在训练完成后计算网络输出；
然后，使用第二层和第三层构成受限玻尔兹曼机网络，并使用以上计算得到的网络输出作为该神经网络的输出，重复该过程训练除输出层外的所有两层神经网络；
(4)将受限玻尔兹曼机的预学习权重作为多层神经网络权重，使用BP算法进行微调；
(5)使用神经网络判断新的路径点数据；
对新的目标路径点数据进行步骤(1)中的预处理，输入到神经网络中判断，输出目标的行为识别结果。
2.如权利要求1所述的一种基于受限玻尔兹曼机的路径点数据行为识别方法，其特征在于：所述步骤(4)中，将步骤(3)中所有两层网络合并成一个多隐层的神经网络，并使用之前训练得到的权值作为这个新网络的连接权值，使用BP算法微调网络权值，得到目标神经网络。
CN201510318663.2A 2015-06-11 2015-06-11 一种基于受限玻尔兹曼机的路径点数据行为识别方法 Active CN104915654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510318663.2A CN104915654B (zh) 2015-06-11 2015-06-11 一种基于受限玻尔兹曼机的路径点数据行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510318663.2A CN104915654B (zh) 2015-06-11 2015-06-11 一种基于受限玻尔兹曼机的路径点数据行为识别方法

Publications (2)

Publication Number Publication Date
CN104915654A CN104915654A (zh) 2015-09-16
CN104915654B true CN104915654B (zh) 2018-06-01

Family

ID=54084704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510318663.2A Active CN104915654B (zh) 2015-06-11 2015-06-11 一种基于受限玻尔兹曼机的路径点数据行为识别方法

Country Status (1)

Country Link
CN (1) CN104915654B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10909451B2 (en) 2016-09-01 2021-02-02 International Business Machines Corporation Apparatus and method for learning a model corresponding to time-series input data
CN106248368B (zh) * 2016-09-21 2019-12-31 哈尔滨工程大学 一种基于深度学习的燃机涡轮叶片故障检测方法
CN107730040B (zh) * 2017-09-30 2021-03-16 国网山东省电力公司电力科学研究院 基于rbm的电力信息系统日志信息综合特征提取方法和装置
CN108701250B (zh) * 2017-10-16 2022-03-04 深圳市大疆创新科技有限公司 数据定点化方法和装置
CN107884749B (zh) * 2017-10-16 2020-06-16 电子科技大学 一种低空无人机被动声探测定位装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A fast learning algorithm for deep belief nets;Hinton G E等;《Neural Computation》;20061231;第18卷(第7期);第1527-1554页 *
受限玻尔兹曼机;张春霞等;《工程数学学报》;20150430;第32卷(第2期);第159-173页 *
基于T_RBM算法的DBN分类网络的研究;鲁铮;《中国优秀硕士学位论文全文数据库信息科技辑》;20141015(第10期);I140-58 *
基于视频的城市快速路车辆异常行为检测;蔡英凤等;《现代交通技术》;20120229;第9卷(第1期);第60-63页 *

Also Published As

Publication number Publication date
CN104915654A (zh) 2015-09-16

Similar Documents

Publication Publication Date Title
CN104915654B (zh) 一种基于受限玻尔兹曼机的路径点数据行为识别方法
CN106611169B (zh) 一种基于深度学习的危险驾驶行为实时检测方法
CN106219367B (zh) 一种基于智能视觉光幕的电梯运维监控方法
CN103323749B (zh) 多分类器信息融合的局部放电诊断方法
CN106022229B (zh) 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法
CN103886344B (zh) 一种图像型火灾火焰识别方法
CN103871029B (zh) 一种图像增强及分割方法
CN103914735B (zh) 一种基于神经网络自学习的故障识别方法及系统
CN109063728A (zh) 一种火灾图像深度学习模式识别方法
CN108509897A (zh) 一种人体姿态识别方法和系统
CN106372799B (zh) 一种电网安全风险预测方法
CN109034020A (zh) 一种基于物联网与深度学习的社区风险监测和防范方法
CN110298265A (zh) 一种基于yolo神经网络的电梯中特定目标检测方法
CN107992904A (zh) 基于多源信息融合的林业生态环境人机交互方法
CN102163286B (zh) 一种色情图像评价方法
CN107320115A (zh) 一种自适应的精神疲劳评估装置及方法
CN107976934B (zh) 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统
CN108154256A (zh) 预测风险值的确定方法及装置、存储介质
CN115695025B (zh) 网络安全态势预测模型的训练方法及装置
CN102880870B (zh) 人脸特征的提取方法及系统
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统
CN101980314B (zh) 公交专座智能提示装置与方法
CN112084240A (zh) 一种群租房智能识别、联动治理方法及系统
CN106384129A (zh) 一种基于闭环驾驶模型的驾驶员驾驶状态辨识方法
CN106644035B (zh) 一种基于时频变换特性的振动源识别方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201116

Address after: 11th floor, donglecheng international, Shuguang Road, Chengguan Street, Dongming County, Heze City, Shandong Province

Patentee after: Heze Jianshu Intelligent Technology Co.,Ltd.

Address before: The city Zhaohui six districts Chao Wang Road Hangzhou city Zhejiang province Zhejiang University of Technology No. 18 310014

Patentee before: ZHEJIANG University OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230816

Address after: 274500 the Yellow River Road, Dongming County, Heze, Shandong Province, No. 27

Patentee after: SHANDONG DONGMING PETROLEUM & CHEMICAL GROUP CO.,LTD.

Address before: 11 / F, donglecheng international, Shuguang Road, Chengguan Street, Dongming County, Heze City, Shandong Province 274000

Patentee before: Heze Jianshu Intelligent Technology Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Behavior Recognition Method for Path Point Data Based on Constrained Boltzmann Machine

Effective date of registration: 20231106

Granted publication date: 20180601

Pledgee: Industrial and Commercial Bank of China Limited Dongming sub branch

Pledgor: SHANDONG DONGMING PETROLEUM & CHEMICAL GROUP CO.,LTD.

Registration number: Y2023980064180