CN109446763A - 一种基于神经网络的手机解锁系统及解锁方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的手机解锁系统及解锁方法，包括依次相连的检测模块、中央处理模块和显示模块，用户首先向中央处理模块预设手机解锁的模板信息，需要解锁手机时，用户敲击手机，并哼唱节拍，检测模块检测手机当前区域内的敲击节拍信息和语音节拍信息，并输入中央处理模块，中央处理模块利用神经网络对接收到的信息进行处理，判断当前敲击节拍信息和语音节拍信息与模板信息是否相符，若相符，且执行解锁操作，若不相符，则显示模块显示结果。本发明通过敲击和语音哼唱，来实现手机的快速解锁，只有当敲击节拍和哼唱节拍全部与模板信息相符时，手机才能打开，从而提高了手机解锁的安全性，且操作方便快捷，成本低廉。

Description

一种基于神经网络的手机解锁系统及解锁方法

技术领域

本发明涉及手机技术领域，尤其涉及一种基于神经网络的手机解锁系统及解锁方法。

背景技术

手机在解锁时，一般采用指纹解锁或密码解锁，但是这两种解锁方式都存在一定的弊端，指纹解锁时，如果手指有污垢，就会识别不准，同时需要特殊的硬件来实现试问解锁功能，这样又会增加手机的制造成本；密码解锁对于视力不好，或者操作技巧不熟的老年人来说十分不方便，且密码很容易被破解，从而带来了很大的安全隐患。

发明内容

本发明的目的在于提供一种基于神经网络的手机解锁系统及解锁方法，能够方便快捷地对手机进行解锁，能够保证手机解锁的安全性。

为实现上述目的，本发明采用如下技术方案：

一种基于神经网络的手机解锁系统，包括依次相连的检测模块、中央处理模块和显示模块，检测模块包括敲击单元和语音单元，敲击单元用于检测手机当前区域内的敲击信息数据，语音单元用于检测手机当前区域内的语音节拍数据，中央处理模块内储存有预设的模板信息，该模板信息是用户敲击手机加哼唱合成的，包括节拍的长短、快慢、轻重及用户的音色和音调，中央处理模块用于判断当前敲击和语音节拍数据信息与模板信息是否相符，显示模块用于显示中央处理器模块的处理结果。

优选的，所述敲击单元采用加速度传感器和压力传感器。

优选的，所述中央处理模块采用中央处理器。

基于神经网络的手机解锁方法，依次包括以下步骤：

步骤S1：用户向中央处理模块预设手机解锁的模板信息，此模板信息包括哼唱节拍和敲击节拍的长短、快慢、轻重以及用户的音色音调；

步骤S2：需要解锁手机时，用户敲击手机，并哼唱节拍，检测模块检测手机当前区域内的敲击节拍信息和语音节拍信息，并输入中央处理模块；

步骤S3：中央处理模块利用神经网络对接收到的信息进行处理，判断当前敲击节拍信息和语音节拍信息与模板信息是否相符，若相符，则进入步骤S4，若不相符，则进入步骤S5；

步骤S4：生成解锁指令，并根据该解锁指令执行相应的解锁操作；

步骤S5：显示模块显示步骤S2的评判结果。

优选的，所述步骤S1具体包括以下步骤：

S101：用户敲击手机并哼唱，向中央处理模块输入一段节拍序列数据，通过手机内的加速度传感器、压力传感器和语音模块捕捉到这段序列数据，然后设置一个标准阈值η_A，将序列数据中大于阈值的数据置为1，小于阈值的数据置为0，据此生成一段二进制数据，将此二进制数据作为模板数据储存在中央处理模块中，其中，阈值η_A根据经验设定；

S102：验证该模板数据同前一次输入的数据是否一致；

利用自适应的阈值算法，计算不同阈值下的N_matching和N，N_matching表示步骤S101中的二进制数据中1的个数，N表示敲击总次数，若N_matching＝N，则证明该数据已存在，若敲击数据和语音数据都存在，则预设过程完成，否则重新输入。

优选的，设置阈值η＝η_A/2，利用该阈值对步骤S101中的序列数据进行二进制转换，然后计算出二进制数据中1的个数N_matching，如果N_matching＝N，那么当前输入数据与开始的模板数据相同，验证结束，如果不等，那么令阈值η＝η+Δ，Δ表示误差的梯度，根据经验设定，重新计算N_matching的值，直到N_matching＝N，若一直不相等，则重新设置阈值η＝-1，然后每次令阈值η＝η-Δ，计算N_matching是否等于N，如果有满足条件的情况，那么验证成功，否则本次输入失败。

优选的，所述步骤S3具体包括以下步骤：

S301：利用样本数据对神经网络进行训练；

所述神经网络采用FAM网络，FAM网络内部映射域F^ab和两个FUZZY ART模型ART_a、ART_b组成，训练阶段的过程就是根据选择函数计算出获胜节点，也就是T_j最大的值，然后带入匹配函数，如果T_j小于警戒参数，那么重新计算获胜节点，继续判断，如果满足警戒参数的限制，那么该获胜节点就是本次输入的分类，则认为ART_a和ART_b发生共振；

其中，选择函数为：

匹配函数为：

ρ∈(0，1]为警戒参数；

根据以下公式更新权重：

β∈(0，1]为学习因子，如果，本次分类和FAM不匹配，那么就会触发一个匹配跟踪机制，FAM增加ρ的值：

重复以上步骤，直到共振发生；其中，每个ART模型为三层结构，分别为F₀层、F₁层和F₂层，F₀层的节点代表现在的输入向量，F₁层接受来自F₀的由下至上的输入和来自F₂层的由上至下的输入，F₂层的节点代表激活的分类，与每个F₂层类别节点相连的是权矢量，称为自适应权重。在监督学习的时候，ART_a接受目标模式，进行自组织学习，最终形成输入向量的自动分类，ART_b接受目标模式，进行非监督学习，并输出导师信号；Z_{Authentication}表示样本矢量数，表示补码输入矢量，D^max表示最大矢量维数，下标Authentication、上标CC和上标max均为区分作用，并非变量，α和δ为正实数，T_j表示选择函数，w_j表示F₂层j节点由顶向下的权矢量，M_ji表示匹配函数，下标i表示F₁层的节点，下标j表示F₂层的节点，以上所有公式都是FUZZY ARTMAP神经网络算法中的公式，其定义和计算过程均为现有技术；

S302：利用训练完成的神经网络对数据进行验证；

训练阶段完成以后，用数据转换方法验证N_matching＝N，然后再把输入数据带入权重公式中验证是否满足条件，满足则输出为1，否则输出为0，即，若当前输入的敲击节拍信息与模板敲击节拍信息相符，则输出为1；否则，输出为0；若当前输入的语音节拍信息与模板语音节拍信息相符，则输出为1；否则，输出为0，若输出全为1，则进入步骤S4，若有任意输出为0，则进入步骤S5。

本发明通过敲击和语音哼唱，来实现手机的快速解锁，只有当敲击节拍和哼唱节拍全部与模板信息相符时，手机才能打开，从而提高了手机解锁的安全性，且操作方便快捷，成本低廉，能够增加手机解锁的趣味性。

附图说明

图1为本发明的原理框图；

图2为本发明的流程图。

具体实施方式

以下结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明的保护范围。

如图1所示，本发明所述的一种基于神经网络的手机解锁系统，包括依次相连的检测模块、中央处理模块和显示模块，检测模块包括敲击单元和语音单元，敲击单元采用加速度传感器和压力传感器，用于检测手机当前区域内的敲击信息数据，语音单元用于检测手机当前区域内的语音节拍数据，中央处理模块采用中央处理器，中央处理器内储存有预设设定的模板数据，该模板数据是用户敲击手机加哼唱合成的，包括节拍的长短、快慢、轻重及用户的音色和音调，该模板数据由检测模块采集到，并储存于中央处理器内，中央处理器用于判断当前敲击和语音节拍数据信息与模板信息是否相符，显示模块用于显示中央处理模块的处理结果。

如图2所示，一种基于神经网络的手机解锁方法，依次包括以下步骤：

步骤S1：用户向中央处理模块预设手机解锁的模板信息，此模板信息包括哼唱节拍和敲击节拍的长短、快慢、轻重以及用户的音色音调。

S101：用户敲击手机并哼唱，向中央处理模块输入一段节拍序列数据，通过手机内的加速度传感器、压力传感器和语音模块捕捉到这段序列数据，然后设置一个标准阈值η_A，将序列数据中大于阈值的数据置为1，小于阈值的数据置为0，据此生成一段二进制数据，将此二进制数据作为模板数据储存在中央处理模块中，其中，阈值η_A根据经验设定；

S102：验证该模板数据同前一次输入的信息是否一致；

利用自适应的阈值算法，计算不同阈值下的N_matching和N，N_matching表示步骤S101中的二进制数据中1的个数，N表示敲击总次数，若N_matching＝N，则证明该数据已存在，若敲击数据和语音数据都存在，则预设过程完成，否则重新输入。

自适应的阈值算法的过程如下：设置阈值η＝η_A/2，利用该阈值对步骤S101中的序列数据进行二进制转换，然后计算出二进制数据中1的个数N_matching，如果N_matching＝N，那么当前输入数据与开始的模板数据相同，验证结束，如果不等，那么令阈值η＝η+Δ，Δ表示误差的梯度，根据经验设定，重新计算N_matching的值，直到N_matching＝N；若一直不相等，则重新设置阈值η＝-1，然后每次令阈值η＝η-Δ，计算N_matching是否等于N，如果有满足条件的情况，那么验证成功，否则本次输入失败。

步骤S2：需要解锁手机时，用户敲击手机，并哼唱节拍，检测模块检测手机当前区域内的敲击节拍信息和语音节拍信息，并输入中央处理模块。

步骤S3：中央处理模块利用神经网络对接收到的信息进行处理，判断当前敲击节拍信息和语音节拍信息与步骤1中的模板信息是否相符，若相符，则进入步骤S4，若不相符，则进入步骤S5。

S301：利用样本数据对神经网络进行训练；

本实施例中的神经网络采用FAM网络，FAM网络内部映射域F^ab和两个FUZZY ART模型ART_a、ART_b组成，训练阶段的过程就是根据选择函数计算出获胜节点，也就是T_j最大的值，然后带入匹配函数，如果T_j小于警戒参数，那么重新计算获胜节点，继续判断，如果满足警戒参数的限制，那么该获胜节点就是本次输入的分类，则认为ART_a和ART_b发生共振；

其中，选择函数为：

匹配函数为：

ρ∈(0，1]为警戒参数；

根据以下公式更新权重：

β∈(0，1]为学习因子，如果，本次分类和FAM不匹配，那么就会触发一个匹配跟踪机制，FAM增加ρ的值：

重复以上步骤，直到共振发生；

其中，每个ART模型为三层结构，分别为F₀层、F₁层和F₂层，F₀层的节点代表现在的输入向量，F₁层接受来自F₀的由下至上的输入和来自F₂层的由上至下的输入，F₂层的节点代表激活的分类，与每个F₂层类别节点相连的是权矢量，称为自适应权重。在监督学习的时候，ART_a接受目标模式，进行自组织学习，最终形成输入向量的自动分类，ART_b接受目标模式，进行非监督学习，并输出导师信号；Z_{Authentication}表示样本矢量数，表示补码输入矢量，D^max表示最大矢量维数，下标Authentication、上标CC和上标max均为区分作用，并非变量，α和δ为正实数，T_j表示选择函数，w_j表示F₂层j节点由顶向下的权矢量，表示匹配函数，下标i表示F₁层的节点，下标j表示F₂层的节点，以上所有公式都是FUZZYARTMAP神经网络算法中的公式，其定义和计算过程均为现有技术；

S302：利用训练完成的神经网络对检测模块检测到的数据进行验证；

训练阶段完成以后，用数据转换方法验证N_matching＝N，然后再把输入数据带入权重公式中验证是否满足条件，满足则输出为1，否则输出为0，即，若当前输入的敲击节拍信息与模板敲击节拍信息相符，则输出为1；否则，输出为0；若当前输入的语音节拍信息与模板语音节拍信息相符，则输出为l；否则，输出为0，若输出全为1，则进入步骤S4，若有任意输出为0，则进入步骤S5。

步骤S4：生成解锁指令，并根据该解锁指令执行相应的解锁操作；

步骤S5：显示模块显示步骤S2的评判结果。

本发明通过敲击和语音哼唱，来实现手机的快速解锁，只有当敲击节拍和哼唱节拍全部与模板信息相符时，手机才能打开，从而提高了手机解锁的安全性，且操作方便快捷，成本低廉，能够增加手机解锁的趣味性。

Claims (7)

1.一种基于神经网络的手机解锁系统，其特征在于：包括依次相连的检测模块、中央处理模块和显示模块，检测模块包括敲击单元和语音单元，敲击单元用于检测手机当前区域内的敲击信息数据，语音单元用于检测手机当前区域内的语音节拍数据，中央处理模块内储存有预设的模板信息，该模板信息是用户敲击手机加哼唱合成的，包括节拍的长短、快慢、轻重及用户的音色和音调，中央处理模块用于判断当前敲击和语音节拍数据信息与模板信息是否相符，显示模块用于显示中央处理器模块的处理结果。

2.如权利要求1所述的一种基于神经网络的手机解锁系统，其特征在于：所述敲击单元采用加速度传感器和压力传感器。

3.如权利要求1所述的一种基于神经网络的手机解锁系统，其特征在于：所述中央处理模块采用中央处理器。

4.利用权利要求1至3任一项所述的基于神经网络的手机解锁系统进行手机解锁的方法，其特征在于，依次包括以下步骤：

步骤S1：用户向中央处理模块预设手机解锁的模板信息，此模板信息包括哼唱节拍和敲击节拍的长短、快慢、轻重以及用户的音色音调；

步骤S2：需要解锁手机时，用户敲击手机，并哼唱节拍，检测模块检测手机当前区域内的敲击节拍信息和语音节拍信息，并输入中央处理模块；

步骤S3：中央处理模块利用神经网络对接收到的信息进行处理，判断当前敲击节拍信息和语音节拍信息与模板信息是否相符，若相符，则进入步骤S4，若不相符，则进入步骤S5；

步骤S4：生成解锁指令，并根据该解锁指令执行相应的解锁操作；

步骤S5：显示模块显示步骤S2的评判结果。

5.如权利要求4所述的一种手机解锁方法，其特征在于，所述步骤S1具体包括以下步骤：

S101：用户敲击手机并哼唱，向中央处理模块输入一段节拍序列数据，通过手机内的加速度传感器、压力传感器和语音模块捕捉到这段序列数据，然后设置一个标准阈值η_A，将序列数据中大于阈值的数据置为1，小于阈值的数据置为0，据此生成一段二进制数据，将此二进制数据作为模板数据储存在中央处理模块中，其中，阈值η_A根据经验设定；

S102：验证该模板数据同前一次输入的数据是否一致；

利用自适应的阈值算法，计算不同阈值下的N_matching和N，N_matching表示步骤S101中的二进制数据中1的个数，N表示敲击总次数，若N_matching＝N，则证明该数据已存在，若敲击数据和语音数据都存在，则预设过程完成，否则重新输入。

6.如权利要求5所述的一种手机解锁方法，其特征在于，所述自适应的阈值算法的过程如下：设置阈值η＝η_A/2，利用该阈值对步骤S101中的序列数据进行二进制转换，然后计算出二进制数据中1的个数N_matching，如果N_matching＝N，那么当前输入数据与开始的模板数据相同，验证结束，如果不等，那么令阈值η＝η+Δ，Δ表示误差的梯度，根据经验设定，重新计算N_matching的值，直到N_matching＝N，若一直不相等，则重新设置阈值η＝-1，然后每次令阈值η＝η-Δ，计算N_matching是否等于N，如果有满足条件的情况，那么验证成功，否则本次输入失败。

7.如权利要求4所述的一种手机解锁方法，其特征在于，所述步骤S3具体包括以下步骤：

S301：利用样本数据对神经网络进行训练；

所述神经网络采用FAM网络，FAM网络内部映射域F^ab和两个FUZZY ART模型ART_a、ART_b组成，训练阶段的过程就是根据选择函数计算出获胜节点，也就是T_j最大的值，然后带入匹配函数，如果T_j小于警戒参数，那么重新计算获胜节点，继续判断，如果满足警戒参数的限制，那么该获胜节点就是本次输入的分类，则认为ART_a和ART_b发生共振；

其中，选择函数为：

匹配函数为：

ρ∈(0,1]为警戒参数；

根据以下公式更新权重：

β∈(0,1]为学习因子，如果，本次分类和FAM不匹配，那么就会触发一个匹配跟踪机制，FAM增加ρ的值：

重复以上步骤，直到共振发生；其中，每个ART模型为三层结构，分别为F₀层、F₁层和F₂层，F₀层的节点代表现在的输入向量，F₁层接受来自F₀的由下至上的输入和来自F₂层的由上至下的输入，F₂层的节点代表激活的分类，与每个F₂层类别节点相连的是权矢量，称为自适应权重。在监督学习的时候，ART_a接受目标模式，进行自组织学习，最终形成输入向量的自动分类，ART_b接受目标模式，进行非监督学习，并输出导师信号；Z_{Authentication}表示样本矢量数，表示补码输入矢量，D^max表示最大矢量维数，下标Authentication、上标CC和上标max均为区分作用，并非变量，α和δ为正实数，T_j表示选择函数，w_j表示F₂层j节点由顶向下的权矢量，M_ji表示匹配函数，下标i表示F₁层的节点，下标j表示F₂层的节点，以上所有公式都是FUZZY ARTMAP神经网络算法中的公式，其定义和计算过程均为现有技术；

S302：利用训练完成的神经网络对数据进行验证；

训练阶段完成以后，用数据转换方法验证N_matching＝N，然后再把输入数据带入权重公式中验证是否满足条件，满足则输出为1，否则输出为0，即，若当前输入的敲击节拍信息与模板敲击节拍信息相符，则输出为1；否则，输出为0；若当前输入的语音节拍信息与模板语音节拍信息相符，则输出为1；否则，输出为0，若输出全为1，则进入步骤S4，若有任意输出为0，则进入步骤S5。