CN110287896A - 一种基于异质分层pso和svm的人体行为识别方法 - Google Patents

Abstract

本发明涉及一种基于异质分层PSO和SVM的人体行为识别方法，属于人体行为识别以及模式识别技术领域；首先根据输入数据建立粒子适应度函数，然后基于混合后的随机混沌映射方法对分类器中需要寻优的参数进行粒子初始化；采用动态阈值规则对粒子分层，将异质粒子作用力融入每层的粒子位置与速度更新过程，设置分层速度更新原则；最后对分类器中每一维参数进行迭代寻优，得到一个基于异质分层寻优的分类模型；并基于该模型对传感器输入的人体运动行为数据进行分类。对比现有技术，本发明的寻优算法解决了建立支持向量机分类模型时参数易陷入局部最优的问题，建立的异质分层分类模型参数寻优收敛块、抗波动干扰能力强，提高了对人体行为的识别精度。

Description

一种基于异质分层PSO和SVM的人体行为识别方法

技术领域

本发明涉及一种基于异质分层PSO和SVM的人体行为识别方法，属于人体行为识别以及模式识别技术领域。

背景技术

人体行为识别技术能够充分反映人体的运动情况和生理机能，通过数字信息化手段对人体各种运动症状所表现的各种行为动作进行信号采集和分析，不仅能够降低医生对运动系统疾病诊断的主观性，同时能够基于运动控制病理学机制，进一步理解人体的运动规律及各种运动行为的决策和控制机理，对临床医学、康复医学与康复工程、人机工程学、体育科学以及类人机器人等领域都具有重要的指导意义。

在人体行为识别过程中，对运动信号的特征提取是基础，对特征进行精确的分类是核心。支持向量机(Support Vector Machine，SVM)的原理是将向量映射变换到一个高维空间，在高维空间中寻找输入量和输出量之间的非线性关系。SVM与神经网络方法相比，泛化能力强，训练时间短，且理论基础完善，作为行为分类器能有效解决行为运动的非线性及不确定性问题，准确的描述人体不同运动行为下的复杂行为特征。

由于受到训练样本集数量的限制，支持向量机的分类性能主要依赖于核函数的选择以及决策函数中惩罚参数和偏置项参数的选取。粒子群优化算法(Particle SwarmOptimization，PSO)是由Kennedy和Eberhart在1995年基于鸟群捕食思想提出的一粒子群智能优化算法，适用于求解大量非线性、不可微和多峰值的复杂优化问题。群体中的粒子在迭代过程中不断更新自身的速度和位置，整个粒子群不断向适应度函数最优点移动，直到满足收敛条件并确定最优解。将PSO与SVM算法进行融合，在建立分类回归模型后，将行为训练样本的行为类别与训练结果的均方差作为适应度函数，对SVM中的惩罚参数和偏置项参数进行PSO迭代，获取SVM模型的最优参数值。但PSO算法中存在着以下缺陷：

(1)用伪随机数进行粒子群初始化缺乏空间遍历性和随机性，导致群体中产生大量劣解，降低了粒子的全局搜索能力。

(2)各粒子间的适应度差异大，寻优能力不同，对整个粒子群采取完全相同的速度位置更新规则丧失了粒子多样性，导致算法早熟收敛。在速度位置更新规则中仅依据粒子自身和群体最优值进行更新，易陷入局部最优值的束缚。

(3)对于更新过程中超出边界限制的粒子，吸收边界算法会导致大量粒子聚集在边界处，造成粒子堆积；反射边界算法会破坏原始粒子的更新轨迹，产生新的初始化粒子，增加了粒子群寻优时间。

针对粒子群初始化过程的伪随机性问题，目前多采用Tent映射或Logistic映射对粒子群进行位置初始化来提高初始解的分布质量；但Logistic映射在经过多次迭代后分布并不均匀，有大量的初始解分布在值域的两端；Tent映射的迭代序列中存在0,0.25,0.50.75四个不稳定周期点，导致初始解陷入不动点0，完全丧失粒子的随机性，上述单一混沌映射算法均在增强遍历性的同时丧失了分布的随机性，进一步影响准确的寻优过程。针对粒子更新中的多样性丧失、早熟收敛问题，目前已提出了自适应学习、免疫克隆算法、空间多维旋转等多种粒子迭代机制与分段更新算法，但所有的粒子更新机制仍将个体极值为全局极值作为最优解，导致粒子群所有粒子更新趋势相同，在复杂度较高的求解任务中极易聚集到局部极值，陷入局部最优解。

本发明针对上述存在的缺陷，致力于提升人体行为的识别准确度。

发明内容

本发明的目的在于针对现有基于PSO和SVM用于识别人体运动行为准确率低、寻优能力差的技术缺陷，提出了一种基于异质分层PSO和SVM的人体行为识别方法。

所述人体行为识别方法的核心思想为：1)使用混合混沌映射对粒子群进行空间遍历初始化，基于Tent混沌映射，在不动点处增加随机扰动与切比雪夫(Chebyshev)切换机制；有效提高了初始粒子群的遍历性与随机性，降低了局部最优值对初始粒子的束缚；2)在粒子群速度与位置更新过程中对粒子根据适应度进行动态分层，基于社会力模型将优解粒子的吸引力与劣解粒子的排斥力引入更新过程，为各层设置不同的作用力系数并建立相应的迭代更新规则，在降低了局部最优解对粒子约束的同时增加了粒子群的全局搜索能力，有效的丰富了粒子群多样性；3)在粒子位置越界处理时，提出粒子位置缩放更新原则，对粒子整体位置进行等比例缩放，在不改变粒子群整体结构的前提下解决了粒子飞出边界的问题，保持了粒子的原有结构关系，同时避免了迭代过程中大量粒子堆积在边界而造成局部最优的问题，加快了收敛速度，避免算法的早熟收敛。

一种基于异质分层PSO和SVM的人体行为识别方法，包括如下的步骤：

基于以下输入数据集进行后续识别与分类过程：

其中，1≤m≤M,1≤k≤K，M是数据样本的总组数，K是每一组数据包含的属性数量；m是输入样本的序列号，m＝1,2,...,M，k是数据属性的序列号，k＝1,2,...,K；X_mk表示输入数据中第m组第k个属性的输入数据值；R为实数集，Y_m是第m组输入数据X_m的分类输出值；

步骤1：构建具有局部寻优能力的输入数据判别函数；基于均方误差建立粒子群适应度评价函数；

作为优选，本步骤具体包括以下内容：

步骤1.A：构建如公式(2)所示的K维输入空间中的线性判别函数：

F(X)＝wX^T+b (2)

其中，F(X)代表输入数据X中每一组数据对应的分类输出值，是M维行向量；w代表判别权值向量，是K维行向量，b是偏置项；

在约束条件下求解权值向量w的最小化代价函数，从而求得偏置项b的最优值；

其中，权值向量w的最小化代价函数如公式(3)所示：

约束条件为：(wX^T+b)·F(X)≥1-ε_m,ε_m＞0,m＝1,2,...M (4)

其中，C是惩罚因子，代表错误样本的惩罚程度，用于控制样本的拟合和决策能力；A为K维的缩放方阵，用于调整超平面特征值分布，ε_m为大于零的松弛系数；

步骤1.B：设置粒子适应度最优阈值fit_best，根据(5)中均方根误差计算粒子适应度fit(x_i)，并依据公式(5)判断SVM模型的准确率和泛化能力：

式(5)中，表示在当前粒子位置x_i下构建的分类模型对输入数据集X中第m组输入数据的分类结果，Y(X_m)表示输入数据集X中第m组输入数据实际的输出值，fit(x_i)是当前粒子位置x_i的适应度值，表示用当前粒子位置构造的分类器输出与实际输出结果间的差异程度。

步骤2：基于输入数据集对粒子群参数进行初始化并基于Tent-Chebyshev随机混沌映射原则对粒子的位置进行初始化；

其中，粒子群参数包括粒子的初始速度V、粒子群粒子总数N、粒子维数D、当前维数序号d，最大迭代次数T_max、当前迭代次数t、自适应惯性权重ω、加速度系数c₁,c₂,c₃,c₄、初始化粒子个体位置最优值和粒子群体位置最优值D与所述判别函数需要寻优的目标参数值个数一致；

作为优选，基于Tent-Chebyshev随机混沌映射原则对粒子的位置进行初始化，包括以下步骤：

步骤2.A：生成伪随机数x₀作为粒子群的首个粒子位置值：

x₀＝rand,rand∈(0,1) (6)

其中，rand是0到1之间均匀分布的伪随机数；

步骤2.B：对粒子群中的非不动点粒子采用短周期Tent混沌映射方法进行位置初始化，对不动点粒子增加随机扰动，通过公式(7)采用Chebyshev混沌映射方法使粒子位置重新进入混沌状态：

其中，0、0.25、0.50和0.75是Tent映射的迭代序列中的不稳定周期点，记为不动点；

其中，x_i表示粒子群中第i个粒子的位置，x_i+1是基于x_i产生的粒子群中第i+1个粒子的位置，i＝0,1,...,N-1；{0＜x_i＜0.25}∪{0.25＜x_i＜0.5}表示集合{0＜x_i＜0.25}和{0.25＜x_i＜0.5}的并，{0.5＜x_i＜0.75}∪{0.75＜x_i≤1}表示集合{0.5＜x_i＜0.75}和{0.75＜x_i≤1}的并；cos表示余弦函数，arccos表示反余弦函数；根据Tent-Chebyshev随机混沌映射方法共产生N个粒子的初始位置；

步骤2.C：根据输入数据集通过公式(8)确定粒子位置的阈值α_max和α_min：

其中，max{·}与min{·}分别表示求括号中的最大值与最小值，和分别表示向上和向下取整运算，α_max和α_min分别表示输入数据集X中M个行平均值中的上下阈值；

步骤2.D：通过公式(9)根据粒子位置的阈值来扩展粒子位置的初始位置：

x_i＝α_min+(α_max-α_min)x_i (9)

其中，x_i表示粒子群中第i个粒子的位置；

步骤2.E：根据粒子维数D重复根据步骤2.A到步骤2.D遍历地完成D维粒子群的位置初始化过程，共产生N×D个混沌序列值作为当前输入数据的粒子群初始位置；

其中，粒子维数D表示当前输入数据分类器所需寻优的参数个数；

步骤3：根据粒子的适应度值将D维中的第d维粒子按照从大到小的顺序组成序列，依据动态阈值规则对第d维粒子依次进行分层；

作为优选，本步骤包括以下内容：

排序后的序列中粒子的序号依次记为S＝1,2,...,N，序号越大，代表粒子的适应度数值越小，即粒子更偏向于最优解；

建立如公式(10)所示的粒子分层采用的动态阈值规则：

式(10)中，x_id表示第d维第i个粒子的粒子位置，N^H,N^M,N^L分别表示上层、中层和下层的粒子集合，T_high和T_low分别为上层粒子阈值和下层粒子阈值；

在迭代初期，粒子距离最优解普遍较远，设置较大的下层粒子阈值使大部分粒子处于下层与中层；在迭代后期，粒子普遍靠近优解粒子，设置较小的上层粒子阈值以增加上层粒子的数量；T_high和T_low的阈值定义为：

式(11)中，t为当前迭代次数，T_max为迭代最大次数，和分别表示向下和向上取整运算；

步骤4：将优解粒子的吸引力与劣解粒子的排斥力引入分层粒子的更新过程，基于粒子作用力的分层速度更新原则对D维中的第d维粒子的速度依次进行更新；

作为优选，所述基于粒子作用力的分层速度更新原则对粒子的速度进行更新包括以下步骤：

步骤4.A：在上层粒子中引入优解层内粒子吸引力，针对第d维的上层粒子(x_id∈N^H)的速度更新公式为(12)：

式(12)中，ω是自适应惯性权重，c₁和c₂是加速度系数，r₁是[0,1]之间的随机数，是第d维中粒子i的个体粒子最优值；是第t次迭代时第d维中粒子i的位置，是第t次迭代时第d维中上层粒子h的位置，是第t次迭代时第d维中粒子i的速度，第t+1次迭代时第d维上层粒子i的速度；H是上层粒子的总数，是第t次迭代时第d维中上层粒子h对粒子i的层内吸引力权重；

其中，由于上层粒子的适应度值差异较小，将上层粒子间的距离作为优解吸引力的主要衡量因素，上层粒子h与粒子i之间的距离越大则层内粒子间的吸引力越小，因此设置第d维上层层内吸引力权重为(13)：

式(13)中，和分别表示第t次迭代时第d维中上层粒子与目标粒子i间距离的最大值与最小值，表示第t次迭代时第d维中上层粒子h与粒子i之间的距离；

步骤4.B：在中层粒子中引入上层优解粒子的层间吸引力和下层劣解粒子的层间排斥力，针对第d维的中层粒子(x_id∈N^M)的速度更新公式为(14)：

式(14)中，ω是自适应惯性权重，c₁,c₃,c₄是加速度系数，是第d维中粒子i的个体粒子最优值；是第t次迭代时第d维中粒子i的位置，是第t次迭代时第d维中上层粒子h的位置，是第t次迭代时第d维中下层粒子l的位置，是第t次迭代时第d维中粒子i的速度，第t+1次迭代时第d维中粒子i的速度；H是上层粒子的总数，L是下层粒子的总数；是第t次迭代时第d维中上层粒子h对粒子i的层间吸引力权重，是第t次迭代时第d维中下层粒子l对粒子i的层间排斥力权重；

其中，上层层间吸引力权重由上层粒子的适应度值和粒子间的距离共同决定，适应度值越小表示该粒子能获得更好的寻优结果，对目标粒子的吸引力越大；吸引力也随着粒子间距离的增大而相应的减小，第t次迭代时第d维中的上层层间吸引力权重为(15)：

式(15)中，和分别表示第d维中层间粒子作用力权重的上下阈值，和分别表示第t次迭代时第d维中的上层粒子中的适应度最大值与最小值，表示第t次迭代时第d维中上层粒子h的适应度值；

其中，下层层间排斥力权重由下层粒子的适应度值和粒子间的距离共同决定，适应度值越大表示该粒子的寻优能力越差，对目标粒子的排斥力越大；排斥力也会随着粒子间距离的增大而相应的减小，第t次迭代时第d维中的下层层间排斥力权重为(16)：

式(16)中，和分别表示第t次迭代时第d维中的下层粒子中的适应度最大值与最小值，和分别表示第t次迭代时第d维中的下层粒子与目标粒子i间距离的最大值与最小值，表示第t次迭代时第d维中下层粒子l的适应度值，表示第t次迭代时第d维中下层粒子l与粒子i间的距离；

步骤4.C：下层中存在大量远离最优解的劣解粒子，使用(17)中变速粒子群更新规则对第d维的下层粒子进行速度更新：

式(17)中，ω是自适应惯性权重，c₁和c₂是加速度系数，λ₁和λ₂是更新速度控制因子，是第d维中粒子i的个体粒子最优值，是第d维粒子群位置最优值，r₁和r₂是[0,1]之间的随机数；是第t次迭代时第d维中粒子i的位置，是第t次迭代时第d维中粒子i的速度，是第t+1次迭代时第d维下层粒子i的速度。

步骤5：对D维中的第d维速度更新后的粒子群根据粒子位置阈值进行整体缩放，得到第d维速度位置均已更新后的粒子群；进行整体缩放是为保持粒子的原有结构关系，避免迭代过程中大量粒子堆积在边界而造成局部最优；

作为优选，所述缩放的计算公式为：

式(18)中，表示第t次更新后第d维中粒子i的位置，为第t次更新后第d维中粒子位置的最大值，α_max和α_min分别表示输入数据集X中M个行平均值中的上下阈值。

步骤6：使用步骤1的适应度评价函数计算位置与速度更新后粒子的适应度值，判断是否找到第d维粒子群中的最优粒子位置，判断结果为是或当前迭代次数t大于等于迭代计数最大值T_max，将第d维的最优粒子位置作为第d维的目标参数值；判断结果为否，则转步骤7；

其中，若判断结果为是或当前迭代次数t大于等于迭代计数最大值T_max，表示已找到第d维粒子群中的最优粒子位置，随后再判断当前维数序号d是否等于粒子维数D，判断结果为是，表示所有维数的粒子均已完成寻优过程，输出共D维的目标参数值，寻优过程结束，将得到的D维最优分类器参数代入支持向量机中计算分类结果；判断结果为否，则令d＝d+1，t＝1，重复步骤3至步骤6的过程继续对粒子进行寻优；

作为优选，本步骤通过以下过程实现：

步骤6.A：若第d维更新后的粒子适应度fit(x_id)小于等于适应度最优阈值fit_best，则表示第d维当前解的适应度值已经达到设置要求，则将第d维的最优粒子位置作为第d维的分类器目标参数值，第d维的迭代过程结束，转步骤6.D；

步骤6.B：若第d维更新后的粒子适应度fit(x_id)大于适应度最优阈值fit_best，且当前迭代次数t大于等于迭代计数最大值T_max，表示第d维当前解的适应度值未达到设置要求，但迭代次数达到上限，则将第d维的最优粒子位置作为第d维的分类器目标参数值，第d维的迭代过程结束，转步骤6.D；；

步骤6.C：若第d维更新后的粒子适应度fit(x_id)大于适应度最优阈值fit_best，且当前迭代次数t小于迭代计数最大值T_max，则不进行操作，表示第d维当前解的适应度值未达到设置要求，且迭代次数未达到上限，分类器并未取得当前输入数据X的最佳分类结果，进入步骤7对粒子位置进行更新。

步骤6.D：若当前维数序号d小于粒子维数D，表示还未完成所有维数D的粒子寻优过程，则令d＝d+1，t＝1并重复步骤3至步骤6的过程继续对粒子进行寻优；

步骤6.E：若当前维数序号d大于等于粒子维数D，表示所有维数D的粒子均已完成寻优过程，将得到的D维最优分类器参数代入支持向量机中计算分类结果；

步骤7：更新第d维粒子个体位置最优值与粒子群位置最优值后令t＝t+1转步骤3：对于第t次迭代第d维中的粒子x_id，比较其粒子适应度与其自身经历过的最优位置的适应度值，更新个体位置最优值随后与当前群体中最优粒子比较，更新粒子群位置最优值

作为优选，本步骤通过以下过程实现：

步骤7.A：若第t次迭代后第d维中的粒子适应度fit(x_id)小于个体位置最优值适应度则更新第d维中粒子个体位置的最优值：

步骤7.B：若第t次迭代后第d维中的粒子个体位置最优值适应度小于粒子群位置最优值适应度则更新粒子群位置最优值

步骤7.C：增加迭代次数t＝t+1，返回步骤3，重复步骤3到步骤6过程。

至此，由步骤1到步骤7，完成了一种基于异构分层粒子群优化和支持向量机的人体行为识别的过程。

有益效果

一种基于异构分层粒子群优化和支持向量机的人体行为识别方法，相比于现有技术，本方法有如下有益效果：

1、本方法使用Tent-Chebyshev融合的混沌映射方法对粒子群位置进行空间遍历初始化，有效提高了初始粒子群的遍历性与随机性，避免了初始化序列陷入不动点周期；

2、本方法设定动态阈值规则对粒子群进行动态分层，基于社会力模型将上层优解粒子的吸引力与下层劣解粒子的排斥力引入粒子群位置的更新过程，为各层设置不同的作用力系数并建立相应的迭代更新规则。在降低了局部最优解对粒子约束的同时增加了粒子群的全局搜索能力，有效的丰富了粒子群多样性，解决了使用粒子群优化算法求解支持向量机中最优参数时容易陷入局部最优解的问题；

3、本方法基于粒子位置缩放更新原则在不改变粒子群整体结构的前提下解决了粒子越出边界的问题，保持粒子群的原有结构关系，同时避免了迭代过程中大量粒子堆积在边界而造成局部最优的问题，加快了收敛速度，提高了最优解质量；

4、本方法适用于人体在各种速度下的行走、跑步、蹲起、上下楼梯等不同日常行为活动，提高了对人体各种形式行为活动的识别精度，极大地减小了原始数据波动、外界活动干扰、运动行为相似性等问题对识别分类结果造成的误差，应用广泛，实用性强，易于推广。

附图说明

图1为本发明一种基于异构分层粒子群优化和支持向量机的人体行为识别方法流程图；

图2为在“基于Logistic混沌映射规则”与本发明中提出的“基于Tent-Chebyshev融合随机混沌映射规则”下初始化位置的数据迭代分布图；

图3为本发明提出的基于动态阈值规则粒子划分示意图；

图4为本发明提出的分层速度更新规则示意图；

图5为采集到的匀速上下楼梯、匀速行走、匀速慢跑、随机速度行走与蹲下起立动作等人体行为活动的三轴加速度数据图；

图6为传统PSO算法与本申请提出算法在匀速上下楼梯、匀速行走、匀速慢跑与随机速度行走的行为活动下迭代效果对比示意图，其中，(a)为匀速上下楼梯迭代效果对比示意图；(b)为匀速行走迭代效果对比示意图；(c)为匀速慢跑迭代效果对比示意图；(d)为随机速度行走迭代效果对比示意图。

具体实施方式

下面根据附图及实施例对本发明进行详细说明，但本发明的具体实施形式并不局限于此。

实施例1

本实施例阐述了将本发明“一种基于异构分层粒子群优化和支持向量机的人体行为识别方法”应用于人体运动行为分类场景下的流程。

图1为本方法的算法流程图以及本实施例的流程图。从图中可以看出，本方法包含如下步骤：

具体到本实施例，输入数据为三轴惯性传感器采集的人体行为运动数据集，通过三轴惯性传感器依次采集人体在匀速上下楼梯、匀速行走、匀速慢跑、随机速度行走与蹲下起立动作等不同行为运动下的三轴加速度、角速度数据信号，并依次输入传感器运动数据的输入序列数据集用于构造可识别多运动行为的分类器：

其中P₁是训练样本数据集，P₂是无标签测试样本数据集，R为实数集；X'_qk表示第q组第k个属性的无标签输入数据值，X_mk表示输入数据中第m组第k个属性的输入数据值，即1≤m≤M,1≤k≤K，Y_m是第m组输入数据X_m的分类输出值；M是训练数据样本的总组数，Q是无标签测试数据样本的总组数，K是每一组数据包含的属性数量，k是数据属性的序列号，k＝1,2,...,K；m是P₁样本的序列号，m＝1,2,...,M，q是P₂样本的序列号，q＝1,2,...,Q；

具体到本实施例中，传感器输入数据属性分别为X、Y、Z轴的加速度计和陀螺仪的数据，每组数据包含的属性数量K＝6，训练数据样本的总组数M＝400，测试数据样本的总组数Q＝160；

步骤A：构建具有局部寻优能力的输入数据判别函数；基于均方误差建立粒子群适应度评价函数。

粒子群适应度评价函数的建立方法与步骤1相同，具体到本实施例，通过公式(2)～(4)构建判别函数，通过公式(5)建立粒子适应度评价函数，缩放矩阵A为6维的单位矩阵。

步骤B：初始化粒子的速度为V，设置粒子群粒子总数为N，粒子维数为D，当前维数序号d，最大迭代次数为T_max，当前迭代次数t，自适应惯性权重ω，加速度系数c₁,c₂,c₃,c₄，初始化粒子个体位置最优值和粒子群体位置最优值通过公式(8)确定粒子位置的阈值α_max和α_min，通过公式(6)～(9)对粒子的位置进行初始化。

具体到本实施例，要寻优的参数为支持向量机中的惩罚因子C和偏置项b两个，因此设置粒子维数D为2，当前维数序号d＝1，初始化粒子速度V为[-0.2,0.2]间的随机数；粒子总数N为128，最大迭代次数为T_max为100，当前迭代次数t为1，自适应惯性权重为ω＝(T_max+3t)/5T_max，加速度系数c₁和c₂为2，c₃和c₄为3，粒子个体位置最优值和粒子群体位置最优值均为[-3,3]间的随机数；

通过公式(8)确定粒子位置的阈值α_max和α_min，通过公式(6)～(9)基于传感器输入数据集X对粒子位置进行初始化，基于Tent-Chebyshev随机混沌映射规则与步骤2的计算方法相同，具体到本实施例，根据传感器的输入数据集X共产生128×2个混沌序列值作为当前传感器输入数据粒子群的初始位置。

图2为本方法和本实施例中“基于Tent-Chebyshev融合随机混沌映射规则”与“基于Logistic混沌映射规则”下的初始化位置数据迭代分布图。可以看出基于Logistic混沌映射规则下的迭代数据大量集中在值域的两端，不符合随机遍历的映射要求，所提出的基于Tent-Chebyshev融合随机混沌映射规则能获得分布更加随机，遍历性更强的迭代数据。

步骤C：根据粒子的适应度值将第d维粒子按照从大到小的顺序组成序列，依据动态阈值规则将粒子划分层级。

根据步骤A的适应度评价函数计算粒子适应度值对粒子从大到小依次进行排序，动态阈值规则的设置方法与步骤3相同，通过公式(11)计算出上下层的动态阈值，具体到本实施例，迭代最大次数T_max为100，t为当前迭代次数。

图3为本实施例中基于动态阈值规则粒子划分层级的原理示意图。

步骤D：通过公式(12)～(17)为不同层粒子设置速度更新规则，基于分层速度更新原则对第d维粒子的速度进行更新，具体包含以下操作：

D.1由步骤C得到上层粒子总数H，对上层粒子通过公式(12)进行速度的更新，通过公式(13)对第d维中的上层层内吸引力权重进行设置；

D.2由步骤C得到下层粒子总数L，对中层粒子通过公式(14)进行速度的更新，通过公式(15)和(16)对第d维中的上层层间吸引力权重和第d维中的下层层间排斥力权重进行设置。具体到本实施例，每一维的层间粒子作用力权重的上阈值均为0.8，下阈值均为0.2；

D.3对下层粒子通过公式(17)进行速度的更新，具体到本实施例，r₁和r₂是[0,1]之间的随机数，更新速度控制因子λ₁为1.5，λ₂为1.5。

图4为本实施例中引入优解粒子的吸引力与劣解粒子的排斥力的分层速度更新原则原理示意图。

步骤E：使用公式(18)对速度更新后的第d维粒子位置进行更新。

具体到本实施例，粒子位置的阈值α_max和α_min由公式(8)确定；

步骤F：判断是否找到第d维的最优粒子位置，并进行相应的操作：

F.1若第d维更新后的粒子适应度fit(x_id)小于等于适应度最优阈值fit_best，对应图1中的“fit(x_id)≤fit_best”输出的是，则表示当前粒子的适应度值已经达到设置要求，迭代过程结束，将第d维的最优粒子位置作为第d维的分类器目标参数值，第d维的迭代过程结束，转步骤F.4；

F.2若第d维更新后的粒子适应度fit(x_id)大于适应度最优阈值fit_best，且当前迭代次数t大于等于迭代计数最大值T_max，对应图1中的“t≥T_max”输出的是，则表示迭代次数达到上限，第d维的迭代过程结束，将第d维的最优粒子位置作为第d维的分类器目标参数值，转步骤F.4；

F.3若第d维更新后的粒子适应度fit(x_id)大于适应度最优阈值fit_best，且当前迭代次数t小于等于迭代计数最大值T_max，对应图1中的“t≥T_max”输出的否，则不进行操作，表示第d维当前解的适应度值未达到设置要求，且迭代次数未达到上限，分类器并未取得当前输入数据X的最佳分类结果，进入步骤G对粒子位置进行更新；

F.4若当前维数序号d小于粒子维数D，表示还未完成所有维数粒子的寻优过程，则令d＝d+1并重复步骤C至步骤F的过程继续对粒子进行寻优；

F.5若当前维数序号d大于等于粒子维数D，表示所有维数粒子均已完成寻优过程，将第1维的最优粒子位置作为分类器目标参数惩罚因子C的值，将第2维的最优粒子位置作为分类器目标参数偏置项b的值，即转至步骤H。

步骤G：判断是否更新第d维的粒子个体位置最优值和群体位置最优值，并进行相应的操作：

G.1若第t次迭代后第d维中的粒子适应度fit(x_id)小于粒子个体位置最优值适应度对应图1中的输出的是，则更新个体位置最优值跳至步骤G.3；

G.2若第t次迭代后第d维中的粒子适应度fit(x_id)大于等于粒子个体位置最优值适应度对应图1中的输出的否，则保持个体位置最优值不变；

G.3若第t次迭代后第d维中的粒子个体位置最优值适应度小于粒子群位置最优值对应图1中的输出的是，则更新粒子群体位置最优值增加迭代次数t＝t+1，并返回步骤C，重复步骤C到步骤G过程；

G.4若第t次迭代后第d维中的粒子个体位置最优值大于等于粒子群体位置最优值对应图1中的输出的否，则增加迭代次数t＝t+1，并返回步骤C，重复步骤C到步骤G过程。

步骤H：将得到的最优惩罚因子C和最优偏置项b代入支持向量机公式(2)～(5)中构建最优行为识别分类器，对无标签测试样本数据集P₂中的无标签输入数据X'_qk计算分类输出值。首先基于构造的最优行为识别分类器对输入数据X'_qk是否属于匀速上下楼梯进行分类，并根据分类结果再依次对是否属于匀速行走、是否属于匀速慢跑与是否属于随机速度行走的行为活动进行分类，得到最终的人体运动行为分类结果。

至此，从步骤A到H，完成了本实施例一种基于异构分层粒子群优化和支持向量机的人体行为识别方法。

图5为采集到的匀速上下楼梯、匀速行走、匀速慢跑、随机速度行走与蹲下起立动作等人体行为活动的三轴加速度数据图；

图6为传统PSO算法与本申请提出算法在匀速上下楼梯、匀速行走、匀速慢跑与随机速度行走的行为活动下迭代效果对比示意图，其中，(a)为匀速上下楼梯迭代效果对比示意图；(b)为匀速行走迭代效果对比示意图；(c)为匀速慢跑迭代效果对比示意图；(d)为随机速度行走迭代效果对比示意图。可以看出相较于传统PSO算法，本方法能更快的获取分类器的最优参数，在相似性较强的行为中能获得更准确的识别与分类结果；在图6(d)的结果中，传统PSO算法参数始终未收敛，无法获得准确的分类模型，而本方法能快速寻找并收敛至分类器的最优参数，提高了分类器对人体各种形式行为活动的识别精度，极大地减小了原始数据波动、外界活动干扰、运动行为相似性等问题对识别分类结果造成的误差。

具体到本实施例中，首先根据传感器输入数据来建立粒子适应度函数，根据输入数据的数据特征通过公式(8)来确定粒子位置的上阈值和下阈值，并基于传感器输入数据X的属性数量K对粒子群进行动态分层。

X是包含6个属性的传感器行为输入数据值，每一组数据有三轴加速度和三轴角速度6个属性，一共有M组数据。Y_m是第m组输入数据X_m的分类输出值，即训练样本标签；将该样本标签作为建立适应度函数时，每一组传感器输入数据分类是否准确的评价指标。因此，粒子群寻优的迭代过程与最优人体行为分类器的建立过程均是建立在传感器实时输入的行为数据上来展开计算的。

本发明针对现有技术存在的缺陷，使用混合混沌映射方法对粒子群进行空间遍历初始化，基于Tent混沌映射，在不动点处增加随机扰动与Chebyshev切换机制，提出一种基于Tent-Chebyshev融合的随机混沌映射方法，有效提高了初始粒子群的遍历性与随机性，降低了局部最优值对初始粒子的束缚。受外界噪声和运动抖动的影响，在人体运动数据中每个运动周期内往往存在多个峰值与谷值点，难以准确识别完整的运动周期，增加了行为识别与分类的难度。单一的以种群最优粒子进行速度与位置的更新过程极大程度地受限于最优解粒子的质量，若陷入局部最优点则会导致整个种群向错误的目标点更新，从而导致分类器参数错误无法得到正确的行为识别分类结果。本发明针对上述问题，在粒子群速度与位置更新过程中对粒子根据适应度进行动态分层，并给当前最优粒子和次优粒子设置不同的作用力系数并建立相应的迭代更新规则，基于社会力模型将优解粒子的吸引力与劣解粒子的排斥力引入更新过程，让上层优解粒子共同影响种群的速度位置更新过程，在降低了局部最优解对粒子约束的同时增加了粒子群的全局搜索能力，降低了伪峰值和伪谷值等局部最优点对参数寻优结果的影响，提高构建的分类器识别能力。在粒子位置越界处理时，本发明提出粒子位置缩放更新原则，对粒子整体位置进行等比例缩放，在不改变粒子群整体结构的前提下解决了粒子飞出边界的问题，保持了粒子的原有结构关系，同时避免了迭代过程中大量粒子堆积在边界而造成局部最优的问题，加快了收敛速度，避免算法的早熟收敛。改进后的PSO算法能够准确的寻找到SVM中惩罚参数和偏置项参数的全局最优解，优化后的SVM能明显提高对人体行为的识别分类效果。本发明方法可用于人体运动行为识别、分类等方面，也可用于人体异常行为检测与分析的软件方面。

需要说明的是，本说明书所述的仅为本发明的较佳实施例而已，以上实施例仅用于说明本发明的技术方案而非对本发明的限制。凡本领域技术人员依本发明的构思通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在本发明的范围之内。

Claims (8)

1.一种基于异质分层PSO和SVM的人体行为识别方法，其特征在于，包括以下步骤：

基于以下输入数据集进行后续识别与分类过程：

其中，M是数据样本的总组数，K是每一组数据包含的属性数量；m是输入样本的序列号，m＝1,2,...,M，k是数据属性的序列号，k＝1,2,...,K；X_mk表示输入数据中第m组第k个属性的输入数据值；R为实数集，Y_m是第m组输入数据X_m的分类输出值；

步骤1：构建具有局部寻优能力的输入数据判别函数；基于均方误差建立粒子群适应度评价函数；

步骤2：基于输入数据集对粒子群参数进行初始化并基于Tent-Chebyshev随机混沌映射原则对粒子的位置进行初始化；

其中，粒子群参数包括粒子的初始速度V、粒子群粒子总数N、粒子维数D、当前维数序号d，最大迭代次数T_max、当前迭代次数t、自适应惯性权重ω、加速度系数c₁,c₂,c₃,c₄、初始化粒子个体位置最优值和粒子群体位置最优值D与所述判别函数需要寻优的目标参数值个数一致；

步骤3：根据粒子的适应度值将D维中的第d维粒子按照从大到小的顺序组成序列，依据动态阈值规则对第d维粒子依次进行分层；

步骤4：将优解粒子的吸引力与劣解粒子的排斥力引入分层粒子的更新过程，基于粒子作用力的分层速度更新原则对D维中的第d维粒子的速度依次进行更新；

步骤5：对D维中的第d维速度更新后的粒子群根据粒子位置阈值进行整体缩放，得到第d维速度位置均已更新后的粒子群；

步骤6：使用步骤1的适应度评价函数计算位置与速度更新后粒子的适应度值，判断是否找到第d维粒子群中的最优粒子位置，判断结果为是或当前迭代次数t大于等于迭代计数最大值T_max，将第d维的最优粒子位置作为第d维的目标参数值；判断结果为否，则转步骤7；

其中，若判断结果为是或当前迭代次数t大于等于迭代计数最大值T_max，表示已找到第d维粒子群中的最优粒子位置，随后再判断当前维数序号d是否等于粒子维数D，判断结果为是，表示所有维数的粒子均已完成寻优过程，输出共D维的目标参数值，寻优过程结束，将得到的D维最优分类器参数代入支持向量机中计算分类结果；判断结果为否，则令d＝d+1，t＝1，重复步骤3至步骤6的过程继续对粒子进行寻优；

步骤7：更新第d维粒子个体位置最优值与粒子群位置最优值后令t＝t+1转步骤3：对于第t次迭代第d维中的粒子x_id，比较其粒子适应度与其自身经历过的最优位置的适应度值，更新个体位置最优值随后与当前群体中最优粒子比较，更新粒子群位置最优值

2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括以下内容：

步骤1.A：构建如公式(2)所示的K维输入空间中的线性判别函数：

F(X)＝wX^T+b (2)

其中，F(X)代表输入数据X中每一组数据对应的分类输出值，是M维行向量；w代表判别权值向量，是K维行向量，b是偏置项；

在约束条件下求解权值向量w的最小化代价函数，从而求得偏置项b的最优值；

其中，权值向量w的最小化代价函数如公式(3)所示：

约束条件为：(wX^T+b)·F(X)≥1-ε_m,ε_m＞0,m＝1,2,...M (4)

其中，C是惩罚因子，代表错误样本的惩罚程度，用于控制样本的拟合和决策能力；A为K维的缩放方阵，用于调整超平面特征值分布，ε_m为大于零的松弛系数；

步骤1.B：设置粒子适应度最优阈值fit_best，根据(5)中均方根误差计算粒子适应度fit(x_i)，并依据公式(5)判断SVM模型的准确率和泛化能力：

式(5)中，表示在当前粒子位置x_i下构建的分类模型对输入数据集X中第m组输入数据的分类结果，Y(X_m)表示输入数据集X中第m组输入数据实际的输出值，fit(x_i)是当前粒子位置x_i的适应度值，表示用当前粒子位置构造的分类器输出与实际输出结果间的差异程度。

3.根据权利要求1所述的方法，其特征在于，步骤2所述基于Tent-Chebyshev随机混沌映射原则对粒子的位置进行初始化，包括以下步骤：

步骤2.A：生成伪随机数x₀作为粒子群的首个粒子位置值：

x₀＝rand,rand∈(0,1) (6)

其中，rand是0到1之间均匀分布的伪随机数；

步骤2.B：对粒子群中的非不动点粒子采用短周期Tent混沌映射方法进行位置初始化，对不动点粒子增加随机扰动，通过公式(7)采用Chebyshev混沌映射方法使粒子位置重新进入混沌状态：

其中，0、0.25、0.50和0.75是Tent映射的迭代序列中的不稳定周期点，记为不动点；

其中，x_i表示粒子群中第i个粒子的位置，x_i+1是基于x_i产生的粒子群中第i+1个粒子的位置，i＝0,1,...,N-1；{0＜x_i＜0.25}∪{0.25＜x_i＜0.5}表示集合{0＜x_i＜0.25}和{0.25＜x_i＜0.5}的并，{0.5＜x_i＜0.75}∪{0.75＜x_i≤1}表示集合{0.5＜x_i＜0.75}和{0.75＜x_i≤1}的并；cos表示余弦函数，arccos表示反余弦函数；根据Tent-Chebyshev随机混沌映射方法共产生N个粒子的初始位置；

步骤2.C：根据输入数据集通过公式(8)确定粒子位置的阈值α_max和α_min：

其中，max{·}与min{·}分别表示求括号中的最大值与最小值，和分别表示向上和向下取整运算，α_max和α_min分别表示输入数据集X中M个行平均值中的上下阈值；

步骤2.D：通过公式(9)根据粒子位置的阈值来扩展粒子位置的初始位置：

x_i＝α_min+(α_max-α_min)x_i (9)

其中，x_i表示粒子群中第i个粒子的位置；

步骤2.E：根据粒子维数D重复根据步骤2.A到步骤2.D遍历地完成D维粒子群的位置初始化过程，共产生N×D个混沌序列值作为当前输入数据的粒子群初始位置。

4.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括以下内容：

排序后的序列中粒子的序号依次记为S＝1,2,...,N，序号越大，代表粒子的适应度数值越小，即粒子更偏向于最优解；

建立如公式(10)所示的粒子分层采用的动态阈值规则：

式(10)中，x_id表示第d维第i个粒子的粒子位置，N^H,N^M,N^L分别表示上层、中层和下层的粒子集合，T_high和T_low分别为上层粒子阈值和下层粒子阈值；

在迭代初期，粒子距离最优解普遍较远，设置较大的下层粒子阈值使大部分粒子处于下层与中层；在迭代后期，粒子普遍靠近优解粒子，设置较小的上层粒子阈值以增加上层粒子的数量；T_high和T_low的阈值定义为：

式(11)中，t为当前迭代次数，T_max为迭代最大次数，和分别表示向下和向上取整运算。

5.根据权利要求1所述的方法，其特征在于，步骤4所述基于粒子作用力的分层速度更新原则对粒子的速度进行更新包括以下步骤：

步骤4.A：在上层粒子中引入优解层内粒子吸引力，针对第d维的上层粒子(x_id∈N^H)的速度更新公式为(12)：

式(12)中，ω是自适应惯性权重，c₁和c₂是加速度系数，r₁是[0,1]之间的随机数，是第d维中粒子i的个体粒子最优值；是第t次迭代时第d维中粒子i的位置，是第t次迭代时第d维中上层粒子h的位置，是第t次迭代时第d维中粒子i的速度，第t+1次迭代时第d维上层粒子i的速度；H是上层粒子的总数，是第t次迭代时第d维中上层粒子h对粒子i的层内吸引力权重；

其中，由于上层粒子的适应度值差异较小，将上层粒子间的距离作为优解吸引力的主要衡量因素，上层粒子h与粒子i之间的距离越大则层内粒子间的吸引力越小，因此设置第d维上层层内吸引力权重为(13)：

式(13)中，和分别表示第t次迭代时第d维中上层粒子与目标粒子i间距离的最大值与最小值，表示第t次迭代时第d维中上层粒子h与粒子i之间的距离；

步骤4.B：在中层粒子中引入上层优解粒子的层间吸引力和下层劣解粒子的层间排斥力，针对第d维的中层粒子(x_id∈N^M)的速度更新公式为(14)：

式(14)中，ω是自适应惯性权重，c₁,c₃,c₄是加速度系数，是第d维中粒子i的个体粒子最优值；是第t次迭代时第d维中粒子i的位置，是第t次迭代时第d维中上层粒子h的位置，是第t次迭代时第d维中下层粒子l的位置，是第t次迭代时第d维中粒子i的速度，第t+1次迭代时第d维中粒子i的速度；H是上层粒子的总数，L是下层粒子的总数；是第t次迭代时第d维中上层粒子h对粒子i的层间吸引力权重，是第t次迭代时第d维中下层粒子l对粒子i的层间排斥力权重；

其中，上层层间吸引力权重由上层粒子的适应度值和粒子间的距离共同决定，适应度值越小表示该粒子能获得更好的寻优结果，对目标粒子的吸引力越大；吸引力也随着粒子间距离的增大而相应的减小，第t次迭代时第d维中的上层层间吸引力权重为(15)：

式(15)中，和分别表示第d维中层间粒子作用力权重的上下阈值，和分别表示第t次迭代时第d维中的上层粒子中的适应度最大值与最小值，表示第t次迭代时第d维中上层粒子h的适应度值；

其中，下层层间排斥力权重由下层粒子的适应度值和粒子间的距离共同决定，适应度值越大表示该粒子的寻优能力越差，对目标粒子的排斥力越大；排斥力也会随着粒子间距离的增大而相应的减小，第t次迭代时第d维中的下层层间排斥力权重为(16)：

式(16)中，和分别表示第t次迭代时第d维中的下层粒子中的适应度最大值与最小值，和分别表示第t次迭代时第d维中的下层粒子与目标粒子i间距离的最大值与最小值，表示第t次迭代时第d维中下层粒子l的适应度值，表示第t次迭代时第d维中下层粒子l与粒子i间的距离；

步骤4.C：下层中存在大量远离最优解的劣解粒子，使用(17)中变速粒子群更新规则对第d维的下层粒子进行速度更新：

式(17)中，ω是自适应惯性权重，c₁和c₂是加速度系数，λ₁和λ₂是更新速度控制因子，是第d维中粒子i的个体粒子最优值，是第d维粒子群位置最优值，r₁和r₂是[0,1]之间的随机数；是第t次迭代时第d维中粒子i的位置，是第t次迭代时第d维中粒子i的速度，是第t+1次迭代时第d维下层粒子i的速度。

6.根据权利要求1所述的方法，其特征在于，步骤5所述缩放的计算公式为：

式(18)中，表示第t次更新后第d维中粒子i的位置，为第t次更新后第d维中粒子位置的最大值，α_max和α_min分别表示输入数据集X中M个行平均值中的上下阈值。

7.根据权利要求1所述的方法，其特征在于，所述步骤6具体包括以下内容：

步骤6.A：若第d维更新后的粒子适应度fit(x_id)小于等于适应度最优阈值fit_best，则表示第d维当前解的适应度值已经达到设置要求，则将第d维的最优粒子位置作为第d维的分类器目标参数值，第d维的迭代过程结束，转步骤6.D；

步骤6.B：若第d维更新后的粒子适应度fit(x_id)大于适应度最优阈值fit_best，且当前迭代次数t大于等于迭代计数最大值T_max，表示第d维当前解的适应度值未达到设置要求，但迭代次数达到上限，则将第d维的最优粒子位置作为第d维的分类器目标参数值，第d维的迭代过程结束，转步骤6.D；；

步骤6.C：若第d维更新后的粒子适应度fit(x_id)大于适应度最优阈值fit_best，且当前迭代次数t小于迭代计数最大值T_max，则不进行操作，表示第d维当前解的适应度值未达到设置要求，且迭代次数未达到上限，分类器并未取得当前输入数据X的最佳分类结果，进入步骤7对粒子位置进行更新。

步骤6.D：若当前维数序号d小于粒子维数D，表示还未完成所有维数D的粒子寻优过程，则令d＝d+1，t＝1并重复步骤3至步骤6的过程继续对粒子进行寻优；

步骤6.E：若当前维数序号d大于等于粒子维数D，表示所有维数D的粒子均已完成寻优过程，将得到的D维最优分类器参数代入支持向量机中计算分类结果。

8.根据权利要求1-7任一所述的方法，其特征在于，所述步骤7具体包括以下内容：

步骤7.A：若第t次迭代后第d维中的粒子适应度fit(x_id)小于个体位置最优值适应度则更新第d维中粒子个体位置的最优值：

步骤7.B：若第t次迭代后第d维中的粒子个体位置最优值适应度小于粒子群位置最优值适应度则更新粒子群位置最优值

步骤7.C：增加迭代次数t＝t+1，返回步骤3，重复步骤3到步骤6过程。