CN107707657B - 基于多传感器的安全监护系统 - Google Patents

Abstract

本公开涉及一种基于多传感器的安全监护系统。该系统包括：传感设备端，用于采集目标用户的环境信息，将所述环境信息发送给本地服务器；本地服务器，用于将所述环境信息作为训练样本输入到人工神经网络模型中进行自学习训练，以更新所述人工神经网络模型的参数；云端服务器，用于将更新后的参数发送至传感设备端，接收来自传感设备端的根据更新后的参数返回的对目标用户的安全监护状态，并将目标用户的安全监护状态推送给客户端；客户端，用于接收所述目标用户的安全监护状态。本公开采用多维度传感技术以及基于大数据的自学习算法，学习和理解目标用户例如老人的起居习惯，以达到预测潜在风险的能力。

Description

基于多传感器的安全监护系统

技术领域

本公开涉及人工智能领域，尤其涉及物联网大数据技术中的一种基于多传感器的安全监护系统。

背景技术

目前监测老人在家的潜在风险的技术和产品具有以下特点和缺陷：

1.产品功能单一和方法简单：比如在老人厕所里安置红外探测器以探测老人如厕时间是否过长。

2.穿戴式设备可以监测老人的某些物理量比如：心率或摔倒等特征。但是在实际使用情况来看，老人不愿意24小时使用穿戴式设备，这使得穿戴式设备的普及率到目前为止相当低。

3.感知家中场景的传感技术和算法很复杂、不成熟，即使利用深度学习也需要价格昂贵的硬件设置。因此，用户的使用成本高。

4.感知维度单一，并不能全面的反映和预测家中老人可能存在的风险。例如，只能对有限范围内对日常活动的行为进行一些简单判断，对超出范围的区域无法进行监控，而且硬件设置也非常复杂和昂贵，实用性差。

5.现有的所以技术方案都在于感知老人已经发生的情况，并不能预测潜在的风险。

发明内容

有鉴于此，本公开提出了一种基于多传感器的安全监护系统，采用多维度传感技术以及基于大数据的自学习算法，学习和理解目标用户例如老人的起居习惯，利用获取的家庭大数据进行家庭模式的深度学习和匹配，如果出现的异常事件和知识库的不匹配，系统将在第一时间推送预测信息，以达到预测潜在风险的能力。

本公开提供了一种基于多传感器的安全监护系统，包括：

传感设备端，包括两种以上的传感器，用于采集目标用户的环境信息，将所述环境信息发送给本地服务器；

本地服务器，用于将所述环境信息作为训练样本输入到人工神经网络模型中进行自学习训练，以更新所述人工神经网络模型的参数，将更新后的参数上传到云端服务器；

云端服务器，用于将更新后的参数发送至传感设备端，接收来自传感设备端的根据更新后的参数返回的对目标用户的安全监护状态，并将目标用户的安全监护状态推送给客户端；

客户端，用于接收所述目标用户的安全监护状态。

在一种可能实现方式中，所述传感设备端包括红外传感器、视觉传感器、温度传感器、湿度传感器、声音传感器、光强传感器中的至少两种。

在一种可能实现方式中，所述本地服务器还用于从传感设备端获取目标用户的地理位置信息和时间维度信息。

在一种可能实现方式中，所述人工神经网络模型为基于径向基函数RBF神经网络的模型，所述RBF神经网络包括输入层、隐层和输出层。

在一种可能实现方式中，所述RBF为：

其中，R_i为第i个隐节点的输出，x为输入模式，c_i为第i个隐节点高斯函数的中心，表示第i个隐节点的权矢量；σ_i ²为第i个隐节点的归一化参数，N_r为隐层的节点数。

在一种可能实现方式中，所述本地服务器还用于执行以下步骤：

步骤1、对从传感设备端获取的信息进行预处理：在训练之前，对网络的输入样本和输出样本进行归一化处理，将输入样本归一化到[-1,1]，将输出样本归一化到[0.1，0.9]；

步骤2、将归一化后的数据分为两部分，一部分用于训练神经网络，另一部分用于预测；

步骤3、训练RBF神经网络，在训练过程中不断调整各参数，并对预测结果进行比较；

步骤4、当已经建立一个RBF神经网络时，用预测样本数据对已建立的RBF神经网络进行融合；

步骤5、对融合结果进行反归一化处理，用于与实际数据进行比较。

在一种可能实现方式中，所述本地服务器还用于采用以下步骤来执行所述步骤3：

步骤3.1、利用一组归一化的径向基函数来构造映射f_r，

其中，

参数c_i和σ_i分别是第i个隐节点响应函数的中心和宽度，λ_i是从第i个隐节点到输出节点的连接权；

步骤3.2、确定输入空间中的聚类中心c_i；

步骤3.3、确定每个聚类中心的散布宽度σ_i，并求得归一化参数σ_i ²；

步骤3.4、利用一组输入矢量{x_i,i＝1,…,N}及映射{y_i,i＝1,…,N}训练权向量W_i，使价值函数满足式(6)：

其中，d_i为训练过程的理想输出或目标值。

在一种可能实现方式中，所述本地服务器还用于采用以下步骤来执行所述步骤3.2：

步骤3.2.1、初始化聚类中心c_i；

步骤3.2.2、对所有的训练样本按最近的聚类中心分组，当D_i＝min||x_j-c_i||时，x_j属于第i个子集；

步骤3.2.3、采用式(4)重新调整聚类中心，

式(4)中n_i为第i个子集中的训练样本数；

步骤3.2.4、重复步骤3.2.2、步骤3.2.2，直到聚类中心的分配不再变化。

在一种可能实现方式中，所述本地服务器还用于采用最速下降梯度法对权向量的权值进行更新，具体包括：

给出RBF神经网络训练的性能指标：

根据式(7)可以得到式(8)：

其中,

是期望的输出样本，p＝1,...,P是训练的样本数；

根据式(7)和式(8)可以得到式(9)：

根据式(9)得到RBF神经网络满足式(10)：

采用最速下降法更新RBF神经网络的权值，得到每个节点的权值w满足式(11)：

其中，选取η的范围为：

本发明的有益效果是：采用自学式方式，为每个家庭建立专家模型，并不断优化，适应不同家庭场景的感知；通过多传感器数据融合，准确的推断老人的起居习惯，判别异常模式，实现风险预测和实时报警。

采用RBF人工神经网络来适应目前智能硬件没有很强大的计算能力的需求，该优化算法具有训练速度快的优势，整个过程在设备端只用了一分钟左右的时间，精度就达到了要求10^-5，而用常见的人工神经网络训练要达到相同的精度可能要花上几个到十几个小时的时间，无法实际应用到智能硬件中，且采取这种优化结构的RBF网络的学习和记忆具有稳定性，这一点使RBF神经网络容易在硬件上实现。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

图1a示出本发明一实施例的基于多传感器的安全监护系统的结构示意图；

图1b示出本发明一实施例的基于多传感器的安全监护系统的应用场景的示意图；

图2示出本发明一实施例的基于多传感器的安全监护系统中人工神经网络的算法示意图；

图3示出一实施例的基于多传感器的安全监护系统中优化的RBF人工神经网络结构图；

图4示出一实施例的基于多传感器的安全监护系统中自学式训练方法的流程图。

图5示出一实施例的基于多传感器的安全监护系统中自学式算法检测到老人起居习惯结果图。

图6示出一实施例的基于多传感器的安全监护系统中试验区家庭起居习惯统计分布图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1a示出本发明一实施例的基于多传感器的安全监护系统的结构示意图。图1b示出本发明一实施例的基于多传感器的安全监护系统的应用场景的示意图。如图1a和图1b所示，该基于多传感器的安全监护系统，包括：

传感设备端11，包括两种以上的传感器，用于采集目标用户的环境信息，将所述环境信息发送给本地服务器；

本地服务器13，用于将所述环境信息作为训练样本输入到人工神经网络模型中进行自学习训练，以更新所述人工神经网络模型的参数，将更新后的参数上传到云端服务器；

云端服务器15，用于将更新后的参数发送至传感设备端，接收来自传感设备端的根据更新后的参数返回的对目标用户的安全监护状态，并将目标用户的安全监护状态推送给客户端；

客户端17，用于接收所述目标用户的安全监护状态。

举例而言，如图1b所示，通过学习建立每个家庭模型的过程包括：在SENS8本地服务器中可以设置专家系统。在专家系统中建立专家模型(即人工神经网络模型)。SENS8(传感设备端的示例)对某个家庭的参数进行采集，本地服务器从SENS8获取传感器采集数据后，可以将这些数据输入到专家模型中进行训练，以更新该专家模型的参数。然后，将更新后的参数上传SENS8云服务(云端服务器的示例)。再由SENS8云服务向设备端下发这些更新后的参数。在设备端，对专家模型的参数进行更新，更新后的专家模型的参数会更加符合这个家庭自身的特点，采用更新后的专家模型对这个家庭进行安全监护。

在一种可能实现方式中，所述传感设备端11包括红外传感器、视觉传感器、温度传感器、湿度传感器、声音传感器、光强传感器中的至少两种。

在一种可能实现方式中，所述本地服务器13还用于从传感设备端11获取目标用户的地理位置信息和时间维度信息。

参考图2所示，所述人工神经网络算法为基于径向基函数RBF人工神经网络算法，所述径向基函数RBF由输入层、隐含层和输出层构成，所述输入层将输入信号传输到隐含层，隐含层中的作用函数对输入信号将在局部产生响应。也就是说，当输入信号靠近基函数的中央范围时，隐含层节点将产生较大的输出。由此看出这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络，所述输出层对隐节点的输出进行线性加权。

参见图4所示，所述本地服务器对神经网络各个神经元节点阈值和权重进行自学式再训练和调优方法步骤如下：

步骤1、对从传感设备端获取的信息进行预处理：在训练之前，对网络的输入和输出样本进行归一化处理，将输入样本归一化到[-1,1]，输出样本归一化到[0.1，0.9]；

步骤2、将归一化后的数据分为两部分，一部分用于训练神经网络，另一部分用于预测。例如，可以将归一化的数据大部分用于训练神经网络，另一小部分用于预测。

步骤3、训练RBF网络，在训练过程中不断调整各参数，并对预测结果进行比较，例如：调整误差和径向基函数的宽度等，都会对预测结果产生较大的影响；

步骤4、当已经建立一个RBF神经网络时，用预测样本数据对已建立的RBF神经网络进行融合；

步骤5、对融合结果进行反归一化处理，用于与实际数据进行比较。

在一种可能实现方式中，所述本地服务器还用于采用以下步骤来执行所述步骤3：

步骤3.1、利用一组归一化的径向基函数来构造映射f_r，

其中，

参数c_i和σ_i分别是第i个隐节点响应函数的中心和宽度，λ_i是从第i个隐节点到输出节点的连接权；

步骤3.2、确定输入空间中的聚类中心c_i；

步骤3.3、确定每个聚类中心的散布宽度σ_i，并求得归一化参数σ_i ²；

步骤3.4、利用一组输入矢量{x_i,i＝1,…,N}及映射{y_i,i＝1,…,N}训练权向量W_i(权向量W_i的权值为w)，使价值函数满足式(6)：

其中，d_i为训练过程的理想输出或目标值。

在一种可能实现方式中，所述本地服务器还用于采用以下步骤来执行所述步骤3.2：

步骤3.2.1、初始化聚类中心c_i；

步骤3.2.2、对所有的训练样本按最近的聚类中心分组，当D_i＝min||x_j-c_i||时，x_j属于第i个子集；

步骤3.2.3、采用式(4)重新调整聚类中心，

式(4)中n_i为第i个子集中的训练样本数；

步骤3.2.4、重复步骤3.2.2、步骤3.2.2，直到聚类中心的分配不再变化。

在一种可能实现方式中，所述本地服务器还用于采用最速下降梯度法对权向量的权值进行更新，具体包括：

给出RBF神经网络训练的性能指标：

根据式(7)可以得到式(8)：

其中,

是期望的输出样本，p＝1,...,P是训练的样本数；

根据式(7)和式(8)可以得到式(9)：

根据式(9)得到RBF神经网络满足式(10)：

采用最速下降法更新RBF神经网络的权值，得到每个节点的权值w满足式(11)：

其中，选取η的范围为：

目前制约深度学习应用到各种智能硬件的一个问题是自学习算法需要耗费非常大的硬件资源，随之带来的即是硬件成本的巨大上升，这限制了各种智能硬件的普及和使用。针对这个问题，本公开中设计并优化的专门适合智能硬件的径向基函数(Radial BasisFuncton，RBF)人工神经网络算法，使得训练次数大幅降低，节省了计算资源和所需相应硬件成本。

本公开基于多传感器的安全监护系统采用了优化的基于RBF的人工神经网络。其中，RBF神经网络由三层组成。但输入层节点只传递输入信号到隐层，隐层节点由像高斯函数那样的辐射状作用函数构成，而输出节点通常是简单的线性函数。隐层节点中的作用函数对输入信号将在局部产生响应，也就是说，当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。

下面描述一种具体RBF神经网络的示例，假设径向基函数RBF为式(1)：

式中，R_i为隐层第i个隐节点(也可以称为隐单元)的输出，x为输入模式，c_i为隐层第i个隐节点的高斯函数的中心，也可以看作该隐节点的权矢量。σ_i ²为第i个隐节点的归一化参数，N_r为隐层中的节点数。隐节点的输出值范围在0～1之间，输入与高斯函数中心的距离越近，隐节点的响应就越大。

输出单元对隐节点的输出进行线性加权，整个网络执行的是通过非线性基函数的线性组合来实现非线性变化。RBF神经网络的作用函数则是局部的。RBF神经网络的训练是靠不断增加隐层神经元直到网络达到规定误差，所以网络的训练次数就是隐层的神经元数。

举例而言，一种径向基网络的优化学习算法包括以下步骤：

步骤3.1、利用一组归一化的径向基函数来构造映射f_r。

式中,

参数c_i和σ_i分别是第i个隐单元响应函数的中心和宽度，λ_i是从第i个隐单元到输出单元的连接权。将式(2)右边的分母移入分子的求和项中，可以发现第i个隐单元的响应函数为式(3)：

式(2)中的参数c_i、σ_i和λ_i可以分成三步来计算。首先利用一组输入矢量来计算N_r个c_i，使c_i尽可能均匀地对输入数据抽样。为此，我们使用K均值聚类算法。

步骤3.2、确定输入空间中的聚类中心，具体可以用K均值聚类算法估计聚类中心，并将训练数据划分为不同的子集。例如：

(i)初始化聚类中心c_i；

(ii)对所有的训练样本按最近的聚类中心分组，即当D_i＝min||x_j-c_i||时，x_j属于第i个子集；

(iii)重新调整聚类中心

式中n_i为第i个子集中的训练样本数；

(iv)重复(ii)、(iii)过程，直到聚类中心的分配不再变化。

步骤3.3、确定每个聚类中心的散布宽度，聚类算法完成以后，可以求得归一化参数σ_i ²，参见式(5)。

步骤3.4、计算权向量。

基函数的参数确定后，输出层的学习是很简单的。利用一组输入矢量{x_i,i＝1,…,N}及映射{y_i,i＝1,…,N}训练权向量W_i，使价值函数满足式(6)中的关系：

式中,d_i为训练过程的理想输出或目标值。

此外，径向基函数网络优化权值更新算法包括：

RBF网络权值更新可采用最速下降梯度法，首先给出网络训练的性能指标：

根据式(7)可以得到式(8)：

其中,

是期望的输出样本，p＝1,...,P是训练的样本数，根据式(7)和式(8)可以得到式(9)：

根据式(9)得到RBF神经网络满足式(10)：

采用最速下降法更新网络的权值，得到得到每个节点的权值w满足式(11)：

其中，输入层到隐含层由于

是高斯函数，因而对任意x均有

从而失去局部调整权值的优点。而事实上当x远离c_i时，

已经非常小，因而可作为0对待。因此实际中只有

大于某一数值时才对相应的权值进行修正。经过这样的处理之后RBF网络也同样具备局部逼近学习收敛快的优点。式(11)中可以选取η的范围为：

这样的选取可保证迭代学习算法的收敛性。

如果两个星期后，设备产生了24192个家庭大数据，可将这些数据作为RBF人工神经网络的训练样本，参见图4来建立适合每个家庭独立的模型：

(1)首先对6种高精度的传感器的数据进行预处理。在训练之前，要对网络的输入和输出样本进行归一化处理。对输入样本归一化到[-1,1]，对输出样本归一化到[0.1，0.9]。

(2)将归一化后的数据分为两部分，大部分用于训练神经网络，另一小部分用来预测。

(3)开始训练RBF网络，在训练过程中可不断调整各参数，对预测结果进行比较。例如：调整误差和径向基函数的宽度等，都会对预测结果产生较大的影响。而对具体的实际问题，只能通过不断地反复试验才能找到最合适的参数值。

(4)当一个RBF网络已经建立时，可以对它用预测样本数据进行融合。

(5)最后对融合结果进行反归一化处理，以便于与实际数据进行比较。

这种优化算法的RBF网络的最大特点是训练速度快，整个过程在设备端只用了一分钟左右的时间，精度就达到了要求10^-5，而用常见的人工神经网络训练要达到相同的精度可能要花上几个到十几个小时的时间，无法实际应用到智能硬件中。而且，采取这种优化结构的RBF网络的学习和记忆具有稳定性，这一点使RBF神经网络容易在硬件上实现。

我们的试验表明，经过RBF的人工神经网络可以通过对温度，湿度，光强，和声音传感器的信息采集和训练，可以得到家庭正常模式和异常事件的判别和预测，实时进行异常事件报警。

参考图5所示，通过自学习式的算法所监测到的老人起居习惯，并将其推送到用户手机上的效果图。

参考图6所示，通过学习，系统及时分析出老人的起居习惯出现了异常时间，并及时推动报警信息给老人亲属，这可以有效的防止由于老人发生的异常事故没有及时被发现所发生悲剧。

本公开可以将家中的异常事件，在第一时间，准确无误的推送报警信息给用户。采用人工神经网络算法利用获取的家庭大数据进行家庭模式的自学习和匹配，如果出现的异常事件和知识库的不匹配，系统将在第一时间推送预测信息。

在一种示例中，本公开可以在硬件上集成例如1080p夜视功能的网络摄像头，并集成红外、温度、湿度、光强、声音等6种高精度的定制化传感器，可以在第一时间捕获家中的异常事件，实时向客户端例如手机进行推送报警信息。

本公开使用人工神经网络对设备端的多传感器模块(视觉、光强、温度、湿度、声音)进行学习和训练，以了解家里的起居习惯，自动判别和预测家中异常情况。根据6种高精度的传感器信息，系统会根据专家库系统给定一个家庭通用的专家模型(简称通用模型)。然后，系统会将每个家庭的实际家庭大数据输入到通用模型，进行神经网络各个神经元节点阈值和权重的再训练和调优。输入层的信息是6种高精度传感器的数据加上地理和时间纬度信息，输出层的信息是异常事件的判断信息。试验表明，经过RBF人工神经网络的优化算法可以通过对温度、湿度、光强和声音传感器等进行信息采集和训练，一般两个星期后，获取的24192个训练样本就可以对通用专家模型进行很好的训练调优到收敛，基本得到家庭正常模式和异常事件的判别和预测，实时进行异常事件报警。各个设备首先将传感器信息上传到云端，云端再将这些参数传递到本地服务器，自学习训练算法运行在本地服务器端以节省云资源和带宽，训练后的结果通过云端服务器下传到各个设备端，更新神经网络的参数以反映每个家庭的不同。决策结果将及时传输到云端服务器端。如有异常事情，系统会在第一时间推送用户。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种基于多传感器的安全监护系统，其特征在于，包括：

传感设备端，包括两种以上的传感器，用于采集目标用户的环境信息，将所述环境信息发送给本地服务器，所述环境信息包括下述中的至少一种：视觉信息、光强信息、湿度信息和声音信息；

本地服务器，用于将所述环境信息作为训练样本输入到人工神经网络模型中进行自学习训练，以更新所述人工神经网络模型的参数，将更新后的参数上传到云端服务器，其中，所述人工神经网络模型为基于径向基函数RBF神经网络的模型，所述RBF为：

其中，R_i为第i个隐节点的输出，x为输入模式，c_i为第i个隐节点高斯函数的中心，表示第i个隐节点的权矢量；σ_i为每个聚类中心的散布宽度，σ_i ²为第i个隐节点的归一化参数；N_r为隐层的节点数；

云端服务器，用于将更新后的参数发送至传感设备端，接收来自传感设备端的根据更新后的参数返回的对目标用户的安全监护状态，并将目标用户的安全监护状态推送给客户端，所述安全监护状态包括异常事件的预测；

客户端，用于接收所述目标用户的安全监护状态。

2.根据权利要求1所述的系统，其特征在于：所述传感设备端包括红外传感器、视觉传感器、温度传感器、湿度传感器、声音传感器、光强传感器中的至少两种。

3.根据权利要求1或2所述的系统，其特征在于：所述本地服务器还用于从传感设备端获取目标用户的地理位置信息和时间维度信息。

4.根据权利要求1所述的系统，其特征在于：所述RBF神经网络包括输入层、隐层和输出层。

5.根据权利要求1所述的系统，其特征在于：所述本地服务器还用于执行以下步骤：

步骤1、对从传感设备端获取的信息进行预处理：在训练之前，对网络的输入样本和输出样本进行归一化处理，将输入样本归一化到[-1,1]，将输出样本归一化到[0.1，0.9]；

步骤2、将归一化后的数据分为两部分，一部分用于训练神经网络，另一部分用于预测；

步骤3、训练RBF神经网络，在训练过程中不断调整各参数，并对预测结果进行比较；

步骤4、当已经建立一个RBF神经网络时，用预测样本数据对已建立的RBF神经网络进行融合；

步骤5、对融合结果进行反归一化处理，用于与实际数据进行比较。

6.根据权利要求5所述的系统，其特征在于，所述本地服务器还用于采用以下步骤来执行所述步骤3：

步骤3.1、利用一组归一化的径向基函数来构造映射f_r，

其中，R_i为所述第i个隐节点的输出，λ_i是从第i个隐节点到输出节点的连接权，N_r为所述隐层的节点数；

步骤3.2、确定输入空间中的所述第i个隐节点高斯函数的中心c_i；

步骤3.3、确定所述每个聚类中心的散布宽度σ_i，并求得所述第i个隐节点的归一化参数σ_i ²；

其中，n_i为第i个子集中的训练样本数，x为所述输入模式，c_i为所述第i个隐节点高斯函数的中心；

步骤3.4、利用一组输入矢量{x_i,i＝1,…,N}及映射{y_i,i＝1,…,N}训练权向量W_i，使价值函数满足式(6)：

其中，N为输入层的节点数目，x_i为输入矢量，y_i为映射矢量，d_i为训练过程的目标值，N_r为所述隐层的节点数，e为所述价值函数。

7.根据权利要求6所述的系统，其特征在于，所述本地服务器还用于采用以下步骤来执行所述步骤3.2：

步骤3.2.1、初始化所述第i个隐节点高斯函数的中心c_i；

步骤3.2.2、对所有的训练样本按最近的所述高斯函数的中心c_i分组，当D_i＝min||x_j-c_i||时，x_j为输入矢量，属于第i个子集，其中，D_i为所述输入矢量x_j距离所述高斯函数的中心c_i的最小距离；

步骤3.2.3、采用式(4)重新调整所述高斯函数的中心c_i，

式(4)中x_j为所述输入矢量，n_i为第i个子集中的训练样本数；

步骤3.2.4、重复步骤3.2.2、步骤3.2.3，直到所述高斯函数的中心c_i的分配不再变化。

8.根据权利要求6所述的系统，其特征在于，所述本地服务器还用于采用最速下降梯度法对权向量的权值进行更新，具体包括：

给出RBF神经网络训练的性能指标：

其中，p＝1,...,P是训练的样本数，P为样本数的总数；r与N_r相同，均为所述隐层的节点数；y_i为所述映射矢量，

为第d个期望的输出样本；E_p为针对第p个样本的性能指标；E为所述RBF神经网络训练的性能指标；

根据式(7)可以得到式(8)：

其中,r与N_r相同，均为所述隐层的节点数；y_i为所述映射矢量，

是所述第d个期望的输出样本，p是所述训练的样本数，E_p为所述针对第p个样本的性能指标；

根据式(7)和式(8)可以得到式(9)：

其中，E_p为所述针对第p个样本的性能指标；E为所述RBF神经网络训练的性能指标；p是所述训练的样本数；w_ij为权重矩阵中第i行j列的元素；

根据式(8)得到RBF神经网络满足式(10)：

其中，k为当前迭代次数，α_j(k)为第k次迭代产生的梯度，y_i为所述映射矢量，

是第d个期望的输出样本；E_p为所述针对第p个样本的性能指标；

采用最速下降法更新RBF神经网络的权值，得到每个节点的权值w满足式(11)：

其中，k为所述当前迭代次数，w(k)为第k次迭代的权值，选取η的范围为：

Images