CN108280393A - 一种智能天花板的人机交互系统及其工作方法 - Google Patents

Abstract

本发明公开一种智能天花板的人机交互系统，包括微控制器、输入装置、输出装置、控制终端、供电箱，所述微控制器分别与所述输入装置、所述输出装置、所述控制终端、所述供电箱相连接，所述输入装置包括摄像头、数字拾音器、环境传感器，所述摄像头与所述微控制器之间连接设置有开发板FPGA1，所述开发板FPGA1上设置有人脸识别模块，所述数字拾音器与所述微控制器之间连接设置有开发板FPGA2，所述开发板FPGA2上设置有语音识别模块。本发明改变了传统的家电控制方式；本发明利用人脸识别和语音识别技术实现人机交互；本发明打造了一个完整的、多功能的智能家居系统，本发明采用的改进型蛙跳算法很好地解决了语音识别模块和人脸识别模块的特征训练功能。

Description

一种智能天花板的人机交互系统及其工作方法

技术领域

本发明涉及基于人脸识别与语音识别的一种智能天花板的人机交互系统及其工作方法，属于智能家居技术领域。

背景技术

现如今人们对智能家居的要求越来越高，人工智能已经渗透人类生活的方方面面，顺应时代潮流。

目前市场上只有单一的家用电器控制、远程监控等方面的技术，并没有完整的智能家居系统方案。且市场上大多数采用硬件设备实现智能家居，缺乏使用人脸识别、语音识别、虹膜识别、指纹识别等算法的应用，实现软硬件的结合，令智能家具更加智能，方便使用。

另一方面，随着人们居住环境的升级，人们越来越重视自己的个人安全和财产安全，对人、家庭以及住宅的小区的安全方面提出了更高的要求；智能安防已成为当前的发展趋势。

发明内容

现有技术存在如下缺点：其一，目前已公开关于智能家居方面的技术，多数是以传感技术或硬件控制家电，缺乏将智能家居与智能控制结合，实现真正的智能化；其二，目前已公开关于智能家居的技术，多数单方面控制某一模块，没有完整、系统的智能家居体系；其三，随着人工智能技术的发展，基于生物特征的识别技术，如：语音识别、指纹识别、虹膜识别、人脸识别等，正在快速的融入人们的生活，在智能家居领域中尚未得到很好的利用；其四，市场上多数微控制器在实际应用中速度往往达不到理想效果。其五，在人脸识别与语音识别中，很难选择到最优的算法进行模型训练。

本发明要解决的技术问题是：改变传统的、手动控制开关的家电控制方式，实现就地控制、多点控制、远程控制；利用人脸识别和语音识别技术，改变传统的安保措施，实现户主自动或手动报警；FPGA开发板的运行速度及效率要远高于单片机，且可进行二次开发，使用灵活，因此本发明使用FPGA开发板实现快速生成逻辑门结构，实现算法上的加速，使得智能控制更加快捷；根据环境及用户需求的变化，只需做软件修改设置就可以实现家电控制的改变和功能扩充；利用人脸识别和语音识别技术实现户主与家电实时的人机交互；在人脸识别与语音识别中，使用基于改进的混合蛙跳优化算法的支持向量机模型，加快人脸及语音识别速度，使得智能家居更加快捷方便。通过软硬件的结合，打造一个完整的、多功能的、可扩展的智能家居系统；同时该发明具有利用移动设备实现远程控制。

本发明采用如下技术方案：一种智能天花板的人机交互系统，其特征在于，包括微控制器、输入装置、输出装置、控制终端、供电箱，所述微控制器分别与所述输入装置、所述输出装置、所述控制终端、所述供电箱相连接，所述输入装置包括摄像头、数字拾音器、环境传感器，所述摄像头与所述微控制器之间连接设置有开发板FPGA1，所述开发板FPGA1上设置有人脸识别模块，所述人脸识别模块用于对来自所述摄像头的人脸特征信息进行融合分类并确认户主身份，然后发出信号给所述微控制器，所述数字拾音器与所述微控制器之间连接设置有开发板FPGA2，所述开发板FPGA2上设置有语音识别模块，所述语音识别模块用于对来自所述数字拾音器的声音信息进行语音情感分析并调整对话模式，然后发出信号给所述微控制器。

作为一种较佳的实施例，所述环境传感器包括温湿传感器、光强传感器、火灾烟雾传感器，分别用来采集空气温湿信息、光照强度信息、烟雾密度信息并传输给所述微控制器。

作为一种较佳的实施例，所述微控制器为香蕉派BPI-M3的开发板。

作为一种较佳的实施例，所述输出装置包括空调、电视、信号灯、扬声器、智能窗帘、照明灯，所述微控制器分别与所述空调、所述电视、所述信号灯、所述扬声器、所述智能窗帘、所述照明灯相连接。

作为一种较佳的实施例，所述控制终端包括电脑、手机、ipad，所述电脑、所述手机、所述ipad分别通过WIFI无线网络与所述微控制器相连接。

本发明还提出一种智能天花板的人机交互系统的工作方法，其特征在于，具体包括如下步骤：

步骤SS1：所述摄像头采集人脸信息发送给所述人脸识别模块识别户主身份，若判断为户主，则进入户主模式，转入步骤SS2，否则判断为警报模式，转入步骤SS3；

步骤SS2：户主发出唤醒指令，所述语音识别模块识别唤醒词，所述信号灯闪烁提示户主输入语音指令，所述语音识别模块对户主输入的语音指令进行识别，若判断识别成功，转入步骤SS4，否则所述信号灯闪烁提示户主重新输入语音指令；

步骤SS3：所述微控制器通过WIFI无线网络自动接通户主的所述控制终端进行远程视频监控，由户主通过所述控制终端发送指令进行手动报警或者通过WIFI无线网络启动户主模式，转入步骤SS2；

步骤SS4：所述微控制器发出控制指令，执行户主要求。

作为一种较佳的实施例，所述步骤SS1还包括：首先，采集户主的人脸图像数据库进行特征训练获得人脸特征数据库；然后，所述摄像头实时采集图像或者视频进行人脸检测，采集人脸图像进行特征提取，再与所述人脸特征数据库进行特征匹配，最后输出匹配结果。

作为一种较佳的实施例，所述步骤SS2还包括如下步骤：

步骤SS21：输入语音到所述数字拾音器进行预处理，然后进行特征提取，进行特征训练建立参考模式库；

步骤SS22：输入语音到所述数字拾音器进行预处理，然后进行特征提取，与所述步骤SS21建立的所述参考模式库进行模式匹配，输出识别结果。

作为一种较佳的实施例，所述特征训练采用结合SFLA特性形成改进的跳跃算法，具体包括如下步骤：

步骤S1：确定最好蛙的周围感知区域：

newX_b＝X_b+r₁W(w₁,w₂,L,w_s) (7)

其中，W为最好蛙的感知向量，R为最好蛙的感知半径，X_w为最差个体，X_b为最好个体，newX_b为适应度函数，L为个体维数，w_s代表第S维感知向量；

步骤S2：确定具备减弱趋势学习因子的最差蛙更新策略：

newD＝ω(D+r₂(P_w-X_w))+r₃(newX_b-X_w) (9)

r₁、r₂和r₃均为[0,1]之间的随机数，决定了蛙跳跃的不确定性；ω为蛙的学习因子；P_w为最差蛙经过的最好位置；I为局部迭代次数；J为全局混合迭代次数；α为[1,30]之间的整数；

步骤S3：训练支持向量机，支持向量机训练用来求解支持向量^a _i，进而求出权值w和阈值b，获取分类面。

作为一种较佳的实施例，所述步骤S3具体包括：

步骤S31：初始化语音数据a_i，初始语音数据a_i为[0,C]之间的随机数，语音数据群个体总数为M，子种群数为N，个体维数为L，子种群局部搜索次数为I，全局混合迭代次数为J；

步骤S32：计算每个个体的适应度值，适应度函数为：

若个体不满足约束条件则将该个体的适应度值设置为1e8，满足约束条件的，保持适应度值不变。式中，K(x_i，x)为核函数，x_i∈X＝Rⁿ,y_i＝{1,-1}；

步骤S33：适应度值低的个体为优，将所有个体的适应度值按递增方式进行排列，依次划分到各个子种群；

步骤S34：确定种群参数X_w、X_b和X_g；用公式(9)中的newD代替D；

newD＝ω(D+r₂(P_w-X_w))+r₃(newX_b-X_w) (9)

对最差个体X_w按照公式(2)进行更新；

newX_w＝X_w+D(-D_max≤D≤D_max) (2)

若newX_w没有改进，则按照公式(3)(2)进行更新，即：

D＝rand()(X_g-X_w) (3)

newX_w＝X_w+D(-D_max≤D≤D_max) (2)

若依旧没有改进，则随机生成一个新的X_w，不断更新，直至满足局部更新迭代次数I；

步骤S35：当所有子种群更新完成后，重复步骤S33-步骤S35，直至满足全局混合迭代次数J，进而求出权值X_w和阈值X_b。

本发明所达到的有益效果：本发明改变了传统的家电控制方式；同时改变传统的安保措施，结合人脸识别和语音识别算法控制实现自动报警；本发明利用人脸识别和语音识别技术实现人机交互；本发明打造了一个完整的、多功能的智能家居系统，利用移动设备(即智能手机)实现远程控制；此外本发明还可以设置灯光模式、音乐模式、温度控制模式、远程控制模式等，适合不同的灯光控制、音乐控制、温度控制以及远程控制场景，满足用户的需求；本发明采用的改进型蛙跳算法很好地解决了语音识别模块和人脸识别模块的特征训练功能。

附图说明

图1是本发明的一种智能天花板的人机交互系统的结构原理框图。

图2是本发明的一种智能天花板的人机交互系统的工作方法流程图。

图3是本发明的人脸识别流程图。

图4是本发明的语音识别流程图。

图5是传统蛙跳规则的线性示意图。

图6是本发明的改进蛙跳规则的线性示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1是本发明的一种智能天花板的人机交互系统的结构原理框图。本发明提出一种智能天花板的人机交互系统，图中的两块FPGA开发板分别与拾音器和摄像头相连接，将采集到的语音及人脸信息传输到FPGA板上。另一方面，使用硬件描述语言Verilog HDL完成本专利使用的基于改进的混合蛙跳算法(ISFLA)训练支持向量机(SVM)模型的电路设计，经过综合与布局，快速的烧录至FPGA上。传输到FPGA1与FPGA2开发板上的语音及人脸信息经过处理得到两个特征库。传送到微控制器中，微控制器使用的是香蕉派BPI-M3的开发板。在微控制器中完成特征融合与分类器的功能。和所述微控制器相连接的输入装置还有若干传感器和供电箱，传感器对空气温度、湿度、烟雾等进行检测并输出到液晶显示屏上同时发出控制信号，对空调、加湿器等家用电器进行控制调整。供电箱对整个系统装置进行供电。输出装置包括扬声器与信号灯，扬声器用于语音输出，信号灯用于警告(显示红色)或语音输入提示(显示绿色)。所述通讯模块外接户主智能手机，户主可通过手机实现对家居的实时监控并可随时随地对家具电器进行控制。

作为一种较佳的实施例，所述拾音器可以在天花板上吸顶安装，也可以在墙面侧挂安装。我们选择安装在每个房间的天花板中央。所述摄像头，我们采取在入门处安装一个，便于快速识别户主身份，另外每个房间的四个拐角各一个摄像头，尽可能做到全方位无死角的采集图像，如有外来人员进入且无法识别人脸与声音，依然会触发报警系统连接到户主手机。

图2是本发明的一种智能天花板的人机交互系统的工作方法流程图。本发明还提出一种智能天花板的人机交互系统的工作方法，其特征在于，具体包括如下步骤：

步骤SS1：所述摄像头采集人脸信息发送给所述人脸识别模块识别户主身份，若判断为户主，则进入户主模式，转入步骤SS2，否则判断为警报模式，转入步骤SS3；

步骤SS2：户主发出唤醒指令，所述语音识别模块识别唤醒词，所述信号灯闪烁提示户主输入语音指令，所述语音识别模块对户主输入的语音指令进行识别，若判断识别成功，转入步骤SS4，否则所述信号灯闪烁提示户主重新输入语音指令；

步骤SS3：所述微控制器通过所述通讯模块自动接通户主智能手机进行远程视频监控，由户主通过智能手机发送指令进行手动报警或者通过所述通讯模块启动户主模式，转入步骤SS2；

步骤SS4：所述微控制器模块发出控制指令，执行户主要求。

图3是本发明的人脸识别流程图。作为一种较佳的实施例，所述步骤SS1还包括：首先，采集户主的人脸图像数据库进行特征训练获得人脸特征数据库；然后，人脸采集器实时采集图像或者视频进行人脸检测，采集人脸图像进行特征提取，再与所述人脸特征数据库进行特征匹配，最后输出匹配结果。

图4是本发明的语音识别流程图。作为一种较佳的实施例，所述步骤SS2还包括如下步骤：

步骤SS21：输入语音到所述声音采集器进行预处理，然后进行特征提取，进行特征训练建立参考模式库；

步骤SS22：输入语音到所述声音采集器进行预处理，然后进行特征提取，与所述参考模式库进行模式匹配，输出识别结果。

本专利的特征训练采用一种改进的支持向量机(SVM)模型。基于传统的混合蛙跳算法(SFLA)，我们引入感知区域和学习因子来扩大SFLA的搜索区域和调整它的搜索速度，并利用改进的混合蛙跳算法(ISFLA)来训练SVM参数，在语音识别和人脸识别中，得到了较好的识别效果。

传统的混合蛙跳算法，包括：随机生成P只青蛙的初始群体(X1,X2,…,XP)，在S维空间中，第i只青蛙表示问题的解Xi＝(xi1,x-i2,…,xiS)。青蛙个体按照适应度优劣进行排列，整个青蛙群体分成M个子群体。将第1只青蛙放入第1子群体，第2只青蛙放入第2子群体，一直到第M只青蛙放入第M子群体。接着，将第M+1只青蛙放入第1子群体，第M+2只青蛙分入第2子群体，依次类推，直到所有青蛙分配完毕。

首先，青蛙的每个子群体进行局部搜索。在每次迭代中确定当前迭代中子群体的最差个体X_w、最好个体X_b和全局最好个体X_g；更新最差个体X_w：

D＝rand()(X_b-X_w) (1)

newX_w＝X_w+D(-D_max≤D≤D_max) (2)

式中：rand()表示在[0,1]之间的随机数；D表示蛙跳步长；D_max表示青蛙所允许更新的最大步长。若当前的newX_w的适应度优于上一次X_w，那么取代X_w；否则

D＝rand()(X_g-X_w) (3)

若当前的newX_w的适应度依旧没有改进，那么将随机产生一个新的X_w，重复以上的更新操作，直至满足子群体的更新次数。

其次，青蛙群体之间进行全局信息交换。将局部搜索完成后的所有青蛙个体重新计算适应度值，按照适应度的优劣依次排列，并按照之前的分配规则划分到各个子群体，进行局部搜索，不断循环，直到满足全局混合迭代次数。

本发明提出的改进混合蛙跳算法，原理是：在青蛙群的觅食过程中，最差位置的青蛙向较好位置的青蛙处跳跃，以此来寻求更多的食物。可以发现，最差蛙的跳跃位置被限定在当前值与最好蛙的线段上。这种跳跃规则限制了蛙群的搜索区域，降低了收敛速度，容易使算法早熟收敛。为解决这种问题2008年Huynh提出了一种改进的蛙跳规则SFLA，并在多变量PID控制器参数调节问题中得到了较好的应用效果。其改进算法如下：

D＝r·c·(X_b-X_w)+W (4)

W＝[r₁w_1,max,r₂w_2,max,L,r_sw_s,max] (5)

式中：r为[0,1]之间的随机数，c为[1,2]之间的一个常数，r_i(1≤i≤S)为[-1,1]之间的随机数，w_i,max(1≤i≤S)为第i维搜索空间的最大感知和运动的不确定性。这种改进的混合蛙跳算法，扩大了搜索空间，保证了种群的多样性。

蛙的跳跃过程具有一定的惯性，在个体的不断更新搜索中，学习因子呈减弱趋势。本发明结合SFLA的特性，提出了一种新的蛙跳规则，使得在扩大搜索空间的同时，具有一定的记忆功能，提高了搜索能力，最终最优解向着最好蛙的方向不断更新。改进的跳跃规则如图6所示，改进算法如下：

首先，确定最好蛙的周围感知区域：

newX_b＝X_b+r₁·W(w₁,w₂,L,w_s) (7)

w₁ ²+w₂ ²+Lw_s ²＝R² (8)

其次，具备减弱趋势学习因子的最差蛙更新策略：

newD＝ω(D+r₂(P_w-X_w))+r₃(newX_b-X_w) (9)

式中：W为最好蛙的感知向量；R为最好蛙的感知半径；r₁、r₂和r₃均为[0,1]之间的随机数，决定了蛙跳跃的不确定性；ω为蛙的学习因子；P_w为最差蛙经过的最好位置；I为局部迭代次数；J为全局混合迭代次数；α为[1,30]之间的整数。为了不失一般性，蛙的位置向量采用上式(2)进行更新。

最后，改进混合蛙跳算法训练支持向量机。支持向量机(SVM)训练主要是求解支持向量a_i，进而求出权值w和阈值b，获取分类面。由于支持向量a_i＝[a₁,a₂,La_L]是一个L维向量，因此可以采用ISFLA算法来求解。语音识别的具体算法流程如下：

步骤1：初始化语音数据a_i，初始语音数据a_i为[0,C]之间的随机数，语音数据群个体总数为M，子种群数为N，个体维数为L，子种群局部搜索次数为I，全局混合迭代次数为J。

步骤2：计算每个个体的适应度值，适应度函数为：

若个体不满足约束条件则将该个体的适应度值设置为1e8，满足约束条件的，保持适应度值不变。式中，K(x_i，x)为核函数，x_i∈X＝Rⁿ,y_i＝{1,-1}。

步骤3：适应度值低的个体为优，将所有个体的适应度值按递增方式进行排列，依次划分到各个子种群；

步骤4：确定种群参数X_w、X_b和X_g；用公式(9)中的newD代替D；对最差个体X_w按照公式(2)进行更新；若newX_w没有改进，则按照公式(3)(2)进行更新；若依旧没有改进，则随机生成一个新的X_w，不断更新，直至满足局部更新迭代次数I；

步骤5：当所有子种群更新完成后，重复步骤3-步骤5，直至满足全局混合迭代次数J，进而求出权值X_w和阈值X_b。

人脸识别的具体算法流程如下：

步骤1：初始化人脸数据a_i，初始人脸数据a_i为[0,C]之间的随机数，人脸数据群个体总数为M，子种群数为N，个体维数为L，子种群局部搜索次数为I，全局混合迭代次数为J。

步骤2：计算每个个体的适应度值，适应度函数为：

若个体不满足约束条件则将该个体的适应度值设置为1e8，满足约束条件的，保持适应度值不变。式中，K(x_i，x)为核函数，x_i∈X＝Rⁿ,y_i＝{1,-1}。

步骤3：适应度值低的个体为优，将所有个体的适应度值按递增方式进行排列，依次划分到各个子种群；

步骤4：确定种群参数X_w、X_b和X_g；用公式(9)中的newD代替D；对最差个体X_w按照公式(2)进行更新；若newX_w没有改进，则按照公式(3)(2)进行更新；若依旧没有改进，则随机生成一个新的X_w，不断更新，直至满足局部更新迭代次数I；

步骤5：当所有子种群更新完成后，重复步骤3-步骤5，直至满足全局混合迭代次数J，进而求出权值X_w和阈值X_b。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种智能天花板的人机交互系统，其特征在于，包括微控制器、输入装置、输出装置、控制终端、供电箱，所述微控制器分别与所述输入装置、所述输出装置、所述控制终端、所述供电箱相连接，所述输入装置包括摄像头、数字拾音器、环境传感器，所述摄像头与所述微控制器之间连接设置有开发板FPGA1，所述开发板FPGA1上设置有人脸识别模块，所述人脸识别模块用于对来自所述摄像头的人脸特征信息进行融合分类并确认户主身份，然后发出信号给所述微控制器，所述数字拾音器与所述微控制器之间连接设置有开发板FPGA2，所述开发板FPGA2上设置有语音识别模块，所述语音识别模块用于对来自所述数字拾音器的声音信息进行语音情感分析并调整对话模式，然后发出信号给所述微控制器。

2.根据权利要求1所述的一种智能天花板的人机交互系统，其特征在于，所述环境传感器包括温湿传感器、光强传感器、火灾烟雾传感器，分别用来采集空气温湿信息、光照强度信息、烟雾密度信息并传输给所述微控制器。

3.根据权利要求1所述的一种智能天花板的人机交互系统，其特征在于，所述微控制器为香蕉派BPI-M3的开发板。

4.根据权利要求1所述的一种智能天花板的人机交互系统，其特征在于，所述输出装置包括空调、电视、信号灯、扬声器、智能窗帘、照明灯，所述微控制器分别与所述空调、所述电视、所述信号灯、所述扬声器、所述智能窗帘、所述照明灯相连接。

5.根据权利要求1所述的一种智能天花板的人机交互系统，其特征在于，所述控制终端包括电脑、手机、ipad，所述电脑、所述手机、所述ipad分别通过WIFI无线网络与所述微控制器相连接。

6.一种基于权利要求1所述的智能天花板的人机交互系统的工作方法，其特征在于，具体包括如下步骤：

步骤SS1：所述摄像头采集人脸信息发送给所述人脸识别模块识别户主身份，若判断为户主，则进入户主模式，转入步骤SS2，否则判断为警报模式，转入步骤SS3；

步骤SS2：户主发出唤醒指令，所述语音识别模块识别唤醒词，所述信号灯闪烁提示户主输入语音指令，所述语音识别模块对户主输入的语音指令进行识别，若判断识别成功，转入步骤SS4，否则所述信号灯闪烁提示户主重新输入语音指令；

步骤SS3：所述微控制器通过WIFI无线网络自动接通户主的所述控制终端进行远程视频监控，由户主通过所述控制终端发送指令进行手动报警或者通过WIFI无线网络启动户主模式，转入步骤SS2；

步骤SS4：所述微控制器发出控制指令，执行户主要求。

7.根据权利要求6所述的一种智能天花板的人机交互系统的工作方法，其特征在于，所述步骤SS1还包括：首先，采集户主的人脸图像数据库进行特征训练获得人脸特征数据库；然后，所述摄像头实时采集图像或者视频进行人脸检测，采集人脸图像进行特征提取，再与所述人脸特征数据库进行特征匹配，最后输出匹配结果。

8.根据权利要求6所述的一种智能天花板的人机交互系统的工作方法，其特征在于，所述步骤SS2还包括如下步骤：

步骤SS21：输入语音到所述数字拾音器进行预处理，然后进行特征提取，进行特征训练建立参考模式库；

步骤SS22：输入语音到所述数字拾音器进行预处理，然后进行特征提取，与所述步骤SS21建立的所述参考模式库进行模式匹配，输出识别结果。

9.根据权利要求8所述的一种智能天花板的人机交互系统的工作方法，其特征在于，所述特征训练采用结合SFLA特性形成改进的跳跃算法，具体包括如下步骤：

步骤S1：确定最好蛙的周围感知区域：

newX_b＝X_b+r₁·W(w₁,w₂,L,w_s) (7)

w₁ ²+w₂ ²+L w_s ²＝R² (8)

其中，W为最好蛙的感知向量，R为最好蛙的感知半径，X_w为最差个体，X_b为最好个体，newX_b为适应度函数，L为个体维数，w_s代表第S维感知向量；

步骤S2：确定具备减弱趋势学习因子的最差蛙更新策略：

newD＝ω(D+r₂(P_w-X_w))+r₃(newX_b-X_w) (9)

r₁、r₂和r₃均为[0,1]之间的随机数，决定了蛙跳跃的不确定性；ω为蛙的学习因子；P_w为最差蛙经过的最好位置；I为局部迭代次数；J为全局混合迭代次数；α为[1,30]之间的整数；

步骤S3：训练支持向量机，支持向量机训练用来求解支持向量a_i，进而求出权值w和阈值b，获取分类面。

10.根据权利要求9所述的一种智能天花板的人机交互系统的工作方法，其特征在于，所述步骤S3具体包括：

步骤S31：初始化语音数据a_i，初始语音数据a_i为[0,C]之间的随机数，语音数据群个体总数为M，子种群数为N，个体维数为L，子种群局部搜索次数为I，全局混合迭代次数为J；

步骤S32：计算每个个体的适应度值，适应度函数为：

若个体不满足约束条件则将该个体的适应度值设置为1e8，满足约束条件的，保持适应度值不变；式中，K(x_i,x)为核函数，x_i∈X＝Rⁿ,y_i＝{1,-1}；

步骤S33：适应度值低的个体为优，将所有个体的适应度值按递增方式进行排列，依次划分到各个子种群；

步骤S34：确定种群参数X_w、X_b和X_g；用公式(9)中的newD代替D；

newD＝ω(D+r₂(P_w-X_w))+r₃(newX_b-X_w) (9)

对最差个体X_w按照公式(2)进行更新；

newX_w＝X_w+D(-D_max≤D≤D_max) (2)

若newX_w没有改进，则按照公式(3)(2)进行更新，即：

D＝rand()(X_g-X_w) (3)

newX_w＝X_w+D(-D_max≤D≤D_max) (2)

若依旧没有改进，则随机生成一个新的X_w，不断更新，直至满足局部更新迭代次数I；

步骤S35：当所有子种群更新完成后，重复步骤S33-步骤S35，直至满足全局混合迭代次数J，进而求出权值X_w和阈值X_b。