CN112364922A - 一种机房环境中人体骨架运动的预测方法及系统 - Google Patents
一种机房环境中人体骨架运动的预测方法及系统 Download PDFInfo
- Publication number
- CN112364922A CN112364922A CN202011266594.2A CN202011266594A CN112364922A CN 112364922 A CN112364922 A CN 112364922A CN 202011266594 A CN202011266594 A CN 202011266594A CN 112364922 A CN112364922 A CN 112364922A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- new
- lstm neural
- skeleton motion
- 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.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000009471 action Effects 0.000 claims abstract description 40
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 45
- 230000009467 reduction Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000036544 posture Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 210000000629 knee joint Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种机房环境中人体骨架运动的预测方法及系统，该方法包括：采集机房运维动作，并将机房运维动作转化为人体骨架运动数据；对人体骨架运动数据进行预处理；采用K‑means算法对输入数据进行分类，获取多个预测分组；利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。该系统包括：数据采集模块、预处理模块、预测分组模块和运动预测模块。通过本申请，能够提高预测结果的精度，提高预测效率。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种机房环境中人体骨架运动的预测方法及系统。
背景技术
在服务器机房环境中，运维人员对机器的操作是否规范，是一项重要的安全指标。对运维人员的操作进行监控，从而对非正常操作及时发出警告，有利于提高机房设备的安全系数。另外，对机房运维人员的人体运动进行预测，能够提前识别违规操作并进行告警，有利于进一步降低非正规操作发生的概率，因此，对机房运维人员的人体骨架运动进行预测，是维护机房安全指标的一项关键技术。
采用3D骨架来简化描述人体的运动，是行业内常用的人体骨架运动描述方法，人体3D骨架是通过部分人体关键点的位置和关节角度来表征人体姿态的方法。
目前，对机房运维人员的人体骨架运动进行预测的方法，通常采用LSTM(LongShort Term Memory，长短时记忆神经网络)神经网络的方法。具体地，将某时刻的人体骨架运动数据整理为一维的输入向量，将该输入向量输入到LSTM神经网络中进行预测，从而获取预测结果。
然而，目前的人体骨架运动预测方法中，由于服务器机房环境操作比较精微，不同关节的运动所产生的操作后果差别较大，不进行不同人体部位的区分或者不同关节运动特点的区分，直接使用LSTM网络对所有人体骨架运动进行处理，会导致预测精度不够高。
发明内容
本申请提供了一种机房环境中人体骨架运动的预测方法及系统，以解决现有技术中对机房运维人员的人体骨架运动预测精度不够高的问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种机房环境中人体骨架运动的预测方法，所述方法包括：
采集机房运维动作，并将所述机房运维动作转化为人体骨架运动数据，其中，所述机房运维动作包括：电源插拔动作、网卡插拔动作和硬盘插拔动作；
对所述人体骨架运动数据进行预处理，获取输入数据和标签数据；
采用K-means算法对所述输入数据进行分类，获取多个预测分组；
利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。
可选地，对所述人体骨架运动数据进行预处理，获取输入数据和标签数据，包括：
对所述人体骨架运动数据进行降维处理，获取降维后的人体骨架运动数据；
利用最大-最小值归一化方法，将降维后的人体骨架运动数据归一化至[0,1]区间内；
按照时间窗口，将归一化后的数据划分为输入数据和标签数据。
可选地，对所述人体骨架运动数据进行降维处理，获取降维后的人体骨架运动数据，具体为：
根据不同的人体关节及其运动特征，删除人体骨架运动数据中的不相关数据，获取降维后的人体骨架运动数据。
可选地，所述按照时间窗口，将归一化后的数据划分为输入数据和标签数据，包括：
设定时间窗口大小为n；
选取长度为n+1的连续的归一化后数据
将
保存为输入数据，将{Xi+n}保存为标签数据；
设定i＝i+1，重新选取长度为n+1的连续的归一化后数据，直到所有归一化后的数据划分完毕为止。
可选地，所述采用K-means算法对所述输入数据进行分类，获取多个预测分组，包括：
获取输入数据集合；
根据设定的聚类中心个数K，从输入数据集合中随机选择K条数据作为初始聚类中心；
利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有初始聚类中心的欧式距离，其中，x,k分别表示数据点和聚类中心，n为时间窗口大小，Xinput为输入数据集合；
根据所述欧式距离，将K条数据之外的任一数据划分至距离最近的初始聚类中心所在集合中，获取K个数据集合；
根据任一所述数据集合中数据的平均值，重新确定任一所述数据集合的聚类中心，生成K个新的聚类中心；
对于任一所述数据集合，判断新的聚类中心是否与初始聚类中心一致；
如果是，对聚类后的输入数据集合及其对应的标签数据集合生成聚类索引；
如果否，重新利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有新的聚类中心的欧式距离，直到下一个聚类中心和上一个聚类中心一致为止。
可选地，所述利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态，包括：
定义任一预测分组对应一个LSTM神经网络；
利用多个LSTM神经网络分别在其所对应的预测分组上进行单独训练，获取每个LSTM神经网络的参数集合，所述参数集合包括：权重矩阵集合与偏置集合；
删除每个LSTM神经网络中的映射层参数，并将多个LSTM神经网络提取的时序特征拼接为新的时序特征，其中，所述映射层参数包括：权重矩阵和偏置；
利用新的时序特征获取新的映射层参数；
利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合；
根据所述最终参数集合，生成未来某一时刻的人体骨架运动姿态。
可选地，所述利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合，包括：
利用新的映射层参数，对单独训练获取的参数集合采用第一学习率进行微调；
对新的映射层参数，利用第二学习率进行训练，其中，第二学习率大于第一学习率。
一种机房环境中人体骨架运动的预测系统，所述系统包括：
数据采集模块，用于采集机房运维动作，并将所述机房运维动作转化为人体骨架运动数据，其中，所述机房运维动作包括：电源插拔动作、网卡插拔动作和硬盘插拔动作；
预处理模块，用于对所述人体骨架运动数据进行预处理，获取输入数据和标签数据；
预测分组模块，用于采用K-means算法对所述输入数据进行分类，获取多个预测分组；
运动预测模块，用于利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。
可选地，所述预测分组模块包括：
输入数据获取单元，用于获取输入数据集合；
初始聚类中心确定单元，用于根据设定的聚类中心个数K，从输入数据集合中随机选择K条数据作为初始聚类中心；
距离计算单元，用于利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有初始聚类中心的欧式距离，其中，x,k分别表示数据点和聚类中心，n为时间窗口大小，Xinput为输入数据集合；
数据集合获取单元，用于根据所述欧式距离，将K条数据之外的任一数据划分至距离最近的初始聚类中心所在集合中，获取K个数据集合；
新聚类中心确定单元，用于根据任一所述数据集合中数据的平均值，重新确定任一所述数据集合的聚类中心，生成K个新的聚类中心；
判断单元，用于对于任一所述数据集合，判断新的聚类中心是否与初始聚类中心一致，如果是，启动聚类索引生成单元，如果否，重新启动距离计算单元、数据集合获取单元和新聚类中心确定单元，直到下一个聚类中心和上一个聚类中心一致为止；
所述聚类索引生成单元，用于当新的聚类中心与初始聚类中心一致时，对聚类后的输入数据集合及其对应的标签数据集合生成聚类索引。
可选地，所述运动预测模块包括：
定义单元，用于定义任一预测分组对应一个LSTM神经网络；
单独训练单元，用于利用多个LSTM神经网络分别在其所对应的预测分组上进行单独训练，获取每个LSTM神经网络的参数集合，所述参数集合包括：权重矩阵集合与偏置集合；
删除和拼接单元，用于删除每个LSTM神经网络中的映射层参数，并将多个LSTM神经网络提取的时序特征拼接为新的时序特征，其中，所述映射层参数包括：权重矩阵和偏置；
新的映射层参数获取单元，用于利用新的时序特征获取新的映射层参数；
整体训练单元，用于利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合；
人体骨架运动姿态生成单元，用于根据所述最终参数集合，生成未来某一时刻的人体骨架运动姿态。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请提供一种机房环境中人体骨架运动的预测方法，该方法首先采集机房运维动作，并将机房运维动作转化为人体骨架运动数据，然后对人体骨架运动数据进行预处理，获取输入数据和标签数据，再采用K-means算法对输入数据进行分类，获取多个预测分组；最后利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。本实施例结合K-means算法和LSTM神经网络对机房环境中的人体骨架运动进行预测，通过K-means算法能够实现分组，基于分组进行后续的神经网络训练，这种分组方法，能够根据不同的人体骨架运动场景进行分组，相比于现有技术按照人体对称性进行分组更加贴合实际动作，有利于提高预测结果的准确性。而且，将K-means算法应用于本方案中，由于该算法能够将输入数据按照相似性程度划分成不同的预测组，而同一个预测分组内的数据存在一定的相似性，在后续使用LSTM网络进行训练时，有利于网络收敛，从而进一步提高预测结果的准确性。
本实施例中采用LSTM神经网络时，每个预测分组匹配一个LSTM神经网络，训练时，首先将多个LSTM网络在各自对应的分组数据上进行训练，训练完成后删除各LSTM网络中的映射层参数，对剩余参数采用较小的第一学习率进行微调，并添加新的映射层对所有LSTM网络进行整体训练，新的映射层具有较大的第二学习率，这种对预测分组首先单独训练，然后再整体训练的方法，能够对分组预测结果进行关联，使得预测结果更接近人体的真实运动，有利于进一步提高预测结果的准确性。
本申请还提供一种机房环境中人体骨架运动的预测系统，该系统主要包括：数据采集模块、预处理模块、预测分组模块和运动预测模块。通过预处理模块对采集到的人体骨架运动数据进行降维、归一化等处理，获取到输入数据和标签数据。预测分组模块的设置，能够利用K-means算法对输入数据进行分类，获取多个预测分组，由于同一个预测分组内的数据存在一定的相似性，通过将输入数据按照相似性程度划分成不同的预测组，在后续使用LSTM网络进行训练时，有利于网络收敛，从而有利于提高预测结果的准确性。本实施例的运动预测模块采用LSTM神经网络，而且利用多个LSTM神经网络对多个预测分组进行训练，首先对预测分组进行单独训练，然后整体训练，从而对每个预测分组进行关联，使得预测结果更接近人体的真实运动，有利于进一步提高预测结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种机房环境中人体骨架运动的预测方法的流程示意图；
图2为本申请实施例所提供的一种机房环境中人体骨架运动的预测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
为了更好地理解本申请，下面结合附图来详细解释本申请的实施方式。
实施例一
参见图1，图1为本申请实施例所提供的一种机房环境中人体骨架运动的预测方法的流程示意图。由图1可知，本实施例机房环境中人体骨架运动的预测方法，主要包括如下过程：
S1：采集机房运维动作，并将机房运维动作转化为人体骨架运动数据。
其中，机房运维动作包括：电源插拔动作、网卡插拔动作和硬盘插拔动作。采集方式为：根据机房条件使用传感器设备或者现有的摄像头进行采集，并转化为人体骨架运动数据。
S2：对人体骨架运动数据进行预处理，获取输入数据和标签数据。
具体地，步骤S2包括如下过程：
S21：对人体骨架运动数据进行降维处理，获取降维后的人体骨架运动数据。
也就是，根据不同的人体关节及其运动特征，删除人体骨架运动数据中的不相关数据，获取降维后的人体骨架运动数据。
对数据进行数据预处理，删除数据中的不相关数据并对数据进行归一化处理，降低后续处理难度，提高数据处理效率。记人体骨架运动数据为：X＝{Xlkx,Xlky,Xlkz,Xrkx,Xrky,Xrkz,…,Xrhx,Xrhy,Xrhz}，其中“lkx”表示数据序号，分别表示左腿l、膝关节k、x轴角度x,
记t时刻人体骨架运动数据为：
由于输入数据中包含所有关节x、y、z轴三个方向的角度数据，对于部分关节来说存在数据冗余，例如：膝关节只能在矢状面进行屈曲运动，x轴数据和z轴数据对预测贡献不大。对于这些冗余关节角度，分别计算关节角度序列的方法，当方差近似于0时对该关节进行删除,以左腿膝关节x轴数据Xlkx为例方法计算方式如下：
获取降维后的人体骨架运动数据之后，执行步骤S22：利用最大-最小值归一化方法，将降维后的人体骨架运动数据归一化至[0,1]区间内。
S23：按照时间窗口，将归一化后的数据划分为输入数据和标签数据。
具体地，步骤S23包括如下过程：
S231：设定时间窗口大小为n。
S232：选取长度为n+1的连续的归一化后数据
S233：将
保存为输入数据，将{Xi+n}保存为标签数据。
S234：设定i＝i+1，重新选取长度为n+1的连续的归一化后数据，直到所有归一化后的数据划分完毕为止。
继续参见图1可知，对人体骨架运动数据进行预处理后，执行步骤S3：采用K-means算法对输入数据进行分类，获取多个预测分组。
根据机房场景限制，不同关节的运动特点区别比较明显，由于环境所限，运维人员很难进行大幅度的运动，运动集中在某个或某几个运动关节中，数据相似性程度差异较大。例如在进行插拔连线时，运动集中在手部，其余关节虽然从数据层面上运动幅度较小，但起到支撑平衡的作用，其运动不能忽视。划分后的数据相似性程度差异较大，本实施例通过采用K-means算法对输入数据进行分类和聚类处理，获取多个预测分组，同一个预测分组内的数据会存在一定的相似性，在后续使用LSTM网络进行训练时，有利于网络收敛，提高预测精度，提高预测结果的准确性，优化预测效果。
具体地步骤S3包括如下过程：
S31：获取输入数据集合。
定义输入数据集合为Xinput,标签数据集合为Ylabel，本实施例中输入数据和标签数据存在一一对应关系。
S32：根据设定的聚类中心个数K，从输入数据集合中随机选择K条数据作为初始聚类中心。
S33：利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有初始聚类中心的欧式距离。
其中，x,k分别表示数据点和聚类中心，n为时间窗口大小，Xinput为输入数据集合。
S34：根据欧式距离，将K条数据之外的任一数据划分至距离最近的初始聚类中心所在集合中，获取K个数据集合。
S35：根据任一数据集合中数据的平均值，重新确定任一数据集合的聚类中心，生成K个新的聚类中心。
本实施例中计算任一数据集合中数据的平均值，以此平均值作为该数据集合新的聚类中心。
S36：对于任一数据集合，判断新的聚类中心是否与初始聚类中心一致。
如果新的聚类中心是否与初始聚类中心一致，执行步骤S37：对聚类后的输入数据集合及其对应的标签数据集合生成聚类索引。
聚类索引表明数据所属集合，生成聚类索引后还需要保存最终的聚类中心。
新的聚类中心与初始聚类中心不一致，返回步骤S33：重新利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有新的聚类中心的欧式距离，直到下一个聚类中心和上一个聚类中心一致为止。
也就是新的聚类中心与初始聚类中心不一致时，重新执行步骤S33-S36。当然，后续的循环执行中，所判断的是：下一个聚类中心是否与上一个聚类中心一致，且步骤S33中所计算的聚类中心的欧式距离也相应调整。
继续参见图1可知，获取多个预测分组之后，执行步骤S4：利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。
具体地，步骤S4包括如下过程：
S41：定义任一预测分组对应一个LSTM神经网络。
S42：利用多个LSTM神经网络分别在其所对应的预测分组上进行单独训练，获取每个LSTM神经网络的参数集合，参数集合包括：权重矩阵集合与偏置集合。
S43：删除每个LSTM神经网络中的映射层参数，并将多个LSTM神经网络提取的时序特征拼接为新的时序特征。其中，映射层参数包括：权重矩阵和偏置。
S44：利用新的时序特征获取新的映射层参数。
S45：利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合。
根据网络参数的不同，所采用的学习率不同，本实施例中整体训练的方法包括如下过程：
S451：利用新的映射层参数，对单独训练获取的参数集合采用第一学习率进行微调。
S452：对新的映射层参数，利用第二学习率进行训练，其中，第二学习率大于第一学习率。
S46：根据最终参数集合，生成未来某一时刻的人体骨架运动姿态。
由以上步骤S41-S46可知，本实施例首先在分组后的数集合在分组后的数集合Di上对LSTMi网络进行单独训练，保存网络的参数集合W*,b*；其次，删除各个LSTM网络中的映射层Wout,bout,将各个网络提取的时序特征ht拼接为新的特征序列Ht，
其中
然后，使用新的映射层Y＝WoutHt+bout对所有的LSTM网络进行重新训练，在训练时网络的参数进行分组，对于步骤1)中保存的参数W*,b*使用较小的学习率进行微调，对步骤3)中新添加的映射层参数Wout,bout使用较大的学习率进行训练；最后，保存最终的参数集合。
综上所述，本实施例中的方法在实际应用中，需要导入所保存的K-means聚类中心、LSTM网络以及映射层的参数，使用传感器设备获取监控个体的运动数据，通过数据预处理将贡献较低的关节轴向角度置零或设定初始值，设定长度为n的时间窗数据队列，当队列满时，使用队列中的所有数据进行运动预测。进行预测时，首先计算队列中关节轴向角度数据到K-means聚类中心的距离，将数据标记为其最近聚类中心所在预测分组，输入到该预测分组对应的LSTM网络中，得到该关节轴向角度数据对应的时序特征。当时间窗队列中所有数据的时序特征提取完毕后，使用映射层将时序特征映射为未来时刻的人体运动。预测结束后，将时间窗数据队列清空或者将队首数据出列，当获取到新的运动数据后进行下一轮的预测。由于网络的预测结果提前于人体的运动，因此可以根据预测结果对人体的运动进行评估，采取相应的策略，从而规范机房运维人员的操作，提高机房安全指标。
实施例二
在图1所示实施例的基础之上参见图2，图2为本申请实施例所提供的一种机房环境中人体骨架运动的预测系统的结构示意图。由图2可知，本实施例机房环境中人体骨架运动的预测系统，主要包括：数据采集模块、预处理模块、预测分组模块和运动预测模块。数据采集模块，用于采集机房运维动作，并将机房运维动作转化为人体骨架运动数据，其中，机房运维动作包括：电源插拔动作、网卡插拔动作和硬盘插拔动作；预处理模块，用于对人体骨架运动数据进行预处理，获取输入数据和标签数据；预测分组模块，用于采用K-means算法对输入数据进行分类，获取多个预测分组；运动预测模块，用于利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。
其中，预测分组模块包括：输入数据获取单元、初始聚类中心确定单元、距离计算单元、数据集合获取单元、新聚类中心确定单元、判断单元和聚类索引生成单元。其中，输入数据获取单元，用于获取输入数据集合；初始聚类中心确定单元，用于根据设定的聚类中心个数K，从输入数据集合中随机选择K条数据作为初始聚类中心；距离计算单元，用于利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有初始聚类中心的欧式距离，其中，x,k分别表示数据点和聚类中心，n为时间窗口大小，Xinput为输入数据集合；数据集合获取单元，用于根据欧式距离，将K条数据之外的任一数据划分至距离最近的初始聚类中心所在集合中，获取K个数据集合；新聚类中心确定单元，用于根据任一数据集合中数据的平均值，重新确定任一数据集合的聚类中心，生成K个新的聚类中心；判断单元，用于对于任一数据集合，判断新的聚类中心是否与初始聚类中心一致，如果是，启动聚类索引生成单元，如果否，重新启动距离计算单元、数据集合获取单元和新聚类中心确定单元，直到下一个聚类中心和上一个聚类中心一致为止。聚类索引生成单元，用于当新的聚类中心与初始聚类中心一致时，对聚类后的输入数据集合及其对应的标签数据集合生成聚类索引。
运动预测模块包括：定义单元、单独训练单元、删除和拼接单元、新的映射层参数获取单元、整体训练单元以及人体骨架运动姿态生成单元。其中，定义单元，用于定义任一预测分组对应一个LSTM神经网络；单独训练单元，用于利用多个LSTM神经网络分别在其所对应的预测分组上进行单独训练，获取每个LSTM神经网络的参数集合，参数集合包括：权重矩阵集合与偏置集合；删除和拼接单元，用于删除每个LSTM神经网络中的映射层参数，并将多个LSTM神经网络提取的时序特征拼接为新的时序特征，其中，映射层参数包括：权重矩阵和偏置；新的映射层参数获取单元，用于利用新的时序特征获取新的映射层参数；整体训练单元，用于利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合；人体骨架运动姿态生成单元，用于根据最终参数集合，生成未来某一时刻的人体骨架运动姿态。
数据采集模块包括：降维单元、归一化单元和划分单元。其中，降维单元用于对人体骨架运动数据进行降维处理，获取降维后的人体骨架运动数据；归一化单元，用于利用最大-最小值归一化方法，将降维后的人体骨架运动数据归一化至[0,1]区间内；划分单元，用于按照时间窗口，将归一化后的数据划分为输入数据和标签数据。
该实施例机房环境中人体骨架运动的预测系统的工作原理和工作方法，在图1所示的实施例中已经显示阐述，两个实施例之间可以互相参照，在此不再赘述。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种机房环境中人体骨架运动的预测方法，其特征在于，所述方法包括：
采集机房运维动作，并将所述机房运维动作转化为人体骨架运动数据，其中，所述机房运维动作包括：电源插拔动作、网卡插拔动作和硬盘插拔动作；
对所述人体骨架运动数据进行预处理，获取输入数据和标签数据；
采用K-means算法对所述输入数据进行分类，获取多个预测分组；
利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。
2.根据权利要求1所述的一种机房环境中人体骨架运动的预测方法，其特征在于，对所述人体骨架运动数据进行预处理，获取输入数据和标签数据，包括：
对所述人体骨架运动数据进行降维处理，获取降维后的人体骨架运动数据；
利用最大-最小值归一化方法，将降维后的人体骨架运动数据归一化至[0,1]区间内；
按照时间窗口，将归一化后的数据划分为输入数据和标签数据。
3.根据权利要求2所述的一种机房环境中人体骨架运动的预测方法，其特征在于，对所述人体骨架运动数据进行降维处理，获取降维后的人体骨架运动数据，具体为：
根据不同的人体关节及其运动特征，删除人体骨架运动数据中的不相关数据，获取降维后的人体骨架运动数据。
4.根据权利要求2所述的一种机房环境中人体骨架运动的预测方法，其特征在于，所述按照时间窗口，将归一化后的数据划分为输入数据和标签数据，包括：
设定时间窗口大小为n；
选取长度为n+1的连续的归一化后数据
将
保存为输入数据，将{Xi+n}保存为标签数据；
设定i＝i+1，重新选取长度为n+1的连续的归一化后数据，直到所有归一化后的数据划分完毕为止。
5.根据权利要求1所述的一种机房环境中人体骨架运动的预测方法，其特征在于，所述采用K-means算法对所述输入数据进行分类，获取多个预测分组，包括：
获取输入数据集合；
根据设定的聚类中心个数K，从输入数据集合中随机选择K条数据作为初始聚类中心；
利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有初始聚类中心的欧式距离，其中，x,k分别表示数据点和聚类中心，n为时间窗口大小，Xinput为输入数据集合；
根据所述欧式距离，将K条数据之外的任一数据划分至距离最近的初始聚类中心所在集合中，获取K个数据集合；
根据任一所述数据集合中数据的平均值，重新确定任一所述数据集合的聚类中心，生成K个新的聚类中心；
对于任一所述数据集合，判断新的聚类中心是否与初始聚类中心一致；
如果是，对聚类后的输入数据集合及其对应的标签数据集合生成聚类索引；
如果否，重新利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有新的聚类中心的欧式距离，直到下一个聚类中心和上一个聚类中心一致为止。
6.根据权利要求1所述的一种机房环境中人体骨架运动的预测方法，其特征在于，所述利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态，包括：
定义任一预测分组对应一个LSTM神经网络；
利用多个LSTM神经网络分别在其所对应的预测分组上进行单独训练，获取每个LSTM神经网络的参数集合，所述参数集合包括：权重矩阵集合与偏置集合；
删除每个LSTM神经网络中的映射层参数，并将多个LSTM神经网络提取的时序特征拼接为新的时序特征，其中，所述映射层参数包括：权重矩阵和偏置；
利用新的时序特征获取新的映射层参数；
利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合；
根据所述最终参数集合，生成未来某一时刻的人体骨架运动姿态。
7.根据权利要求6所述的一种机房环境中人体骨架运动的预测方法，其特征在于，所述利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合，包括：
利用新的映射层参数，对单独训练获取的参数集合采用第一学习率进行微调；
对新的映射层参数，利用第二学习率进行训练，其中，第二学习率大于第一学习率。
8.一种机房环境中人体骨架运动的预测系统，其特征在于，所述系统包括：
数据采集模块，用于采集机房运维动作，并将所述机房运维动作转化为人体骨架运动数据，其中，所述机房运维动作包括：电源插拔动作、网卡插拔动作和硬盘插拔动作；
预处理模块，用于对所述人体骨架运动数据进行预处理，获取输入数据和标签数据；
预测分组模块，用于采用K-means算法对所述输入数据进行分类，获取多个预测分组；
运动预测模块，用于利用LSTM神经网络对多个预测分组进行训练，生成未来某一时刻的人体骨架运动姿态。
9.根据权利要求8所述的一种机房环境中人体骨架运动的预测系统，其特征在于，所述预测分组模块包括：
输入数据获取单元，用于获取输入数据集合；
初始聚类中心确定单元，用于根据设定的聚类中心个数K，从输入数据集合中随机选择K条数据作为初始聚类中心；
距离计算单元，用于利用公式
x∈Xinput，计算输入数据集合中K条数据之外的每个数据到所有初始聚类中心的欧式距离，其中，x,k分别表示数据点和聚类中心，n为时间窗口大小，Xinput为输入数据集合；
数据集合获取单元，用于根据所述欧式距离，将K条数据之外的任一数据划分至距离最近的初始聚类中心所在集合中，获取K个数据集合；
新聚类中心确定单元，用于根据任一所述数据集合中数据的平均值，重新确定任一所述数据集合的聚类中心，生成K个新的聚类中心；
判断单元，用于对于任一所述数据集合，判断新的聚类中心是否与初始聚类中心一致，如果是，启动聚类索引生成单元，如果否，重新启动距离计算单元、数据集合获取单元和新聚类中心确定单元，直到下一个聚类中心和上一个聚类中心一致为止；
所述聚类索引生成单元，用于当新的聚类中心与初始聚类中心一致时，对聚类后的输入数据集合及其对应的标签数据集合生成聚类索引。
10.根据权利要求8所述一种机房环境中人体骨架运动的预测系统，其特征在于，所述运动预测模块包括：
定义单元，用于定义任一预测分组对应一个LSTM神经网络；
单独训练单元，用于利用多个LSTM神经网络分别在其所对应的预测分组上进行单独训练，获取每个LSTM神经网络的参数集合，所述参数集合包括：权重矩阵集合与偏置集合；
删除和拼接单元，用于删除每个LSTM神经网络中的映射层参数，并将多个LSTM神经网络提取的时序特征拼接为新的时序特征，其中，所述映射层参数包括：权重矩阵和偏置；
新的映射层参数获取单元，用于利用新的时序特征获取新的映射层参数；
整体训练单元，用于利用新的映射层参数对多个LSTM神经网络重新进行整体训练，获取最终参数结合；
人体骨架运动姿态生成单元，用于根据所述最终参数集合，生成未来某一时刻的人体骨架运动姿态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011266594.2A CN112364922B (zh) | 2020-11-13 | 2020-11-13 | 一种机房环境中人体骨架运动的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011266594.2A CN112364922B (zh) | 2020-11-13 | 2020-11-13 | 一种机房环境中人体骨架运动的预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112364922A true CN112364922A (zh) | 2021-02-12 |
| CN112364922B CN112364922B (zh) | 2023-01-10 |
Family
ID=74516111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011266594.2A Active CN112364922B (zh) | 2020-11-13 | 2020-11-13 | 一种机房环境中人体骨架运动的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364922B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973403A (zh) * | 2022-05-06 | 2022-08-30 | 广州紫为云科技有限公司 | 一种基于时空双重维度特征深度网络的高效行为预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376663A (zh) * | 2018-10-29 | 2019-02-22 | 广东工业大学 | 一种人体姿态识别方法及相关装置 |
| CN110084211A (zh) * | 2019-04-30 | 2019-08-02 | 苏州大学 | 一种动作识别方法 |
| CN110717381A (zh) * | 2019-08-28 | 2020-01-21 | 北京航空航天大学 | 面向人机协作的基于深度堆叠Bi-LSTM的人类意图理解方法 |
-
2020
- 2020-11-13 CN CN202011266594.2A patent/CN112364922B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376663A (zh) * | 2018-10-29 | 2019-02-22 | 广东工业大学 | 一种人体姿态识别方法及相关装置 |
| CN110084211A (zh) * | 2019-04-30 | 2019-08-02 | 苏州大学 | 一种动作识别方法 |
| CN110717381A (zh) * | 2019-08-28 | 2020-01-21 | 北京航空航天大学 | 面向人机协作的基于深度堆叠Bi-LSTM的人类意图理解方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973403A (zh) * | 2022-05-06 | 2022-08-30 | 广州紫为云科技有限公司 | 一种基于时空双重维度特征深度网络的高效行为预测方法 |
| CN114973403B (zh) * | 2022-05-06 | 2023-11-03 | 广州紫为云科技有限公司 | 一种基于时空双重维度特征深度网络的行为预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112364922B (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103914735B (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| CN109389044B (zh) | 基于卷积网络与多任务学习的多场景人群密度估计方法 | |
| JP2021077353A (ja) | Ｇｐｕアクセラレーションに基づくドローン視覚ｓｌａｍ方法 | |
| CN107742097B (zh) | 一种基于深度相机的人体行为识别方法 | |
| CN114842977B (zh) | 一种基于医疗大数据及人工智能的医疗决策系统 | |
| CN108537145A (zh) | 基于时空骨骼特征及深度信念网络的人体行为识别方法 | |
| CN111368926B (zh) | 图像筛选方法、装置和计算机可读存储介质 | |
| CN113963315A (zh) | 一种复杂场景下实时视频多人行为识别方法及系统 | |
| CN112364922B (zh) | 一种机房环境中人体骨架运动的预测方法及系统 | |
| Bai et al. | Correlative channel-aware fusion for multi-view time series classification | |
| CN112258557B (zh) | 一种基于空间注意力特征聚合的视觉跟踪方法 | |
| CN112417937B (zh) | 一种基于时间序列的变电站视频目标检测方法 | |
| CN111738059B (zh) | 一种面向无感场景的人脸识别方法 | |
| CN115564030A (zh) | 目标检测模型的压缩方法、检测方法、装置及相关设备 | |
| Zhao et al. | Probability-based channel pruning for depthwise separable convolutional networks | |
| CN108596068B (zh) | 一种动作识别的方法和装置 | |
| Sun et al. | Block mobilenet: Align large-pose faces with< 1MB model size | |
| CN114663835B (zh) | 一种行人跟踪方法、系统、设备及存储介质 | |
| CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
| CN114926887A (zh) | 人脸识别方法、装置及终端设备 | |
| CN113361392B (zh) | 无监督的基于相机和无线定位的多模态行人重识别方法 | |
| CN109165586A (zh) | 用于ai芯片的智能图像处理方法 | |
| KR102432854B1 (ko) | 잠재 벡터를 이용하여 군집화를 수행하는 방법 및 장치 | |
| CN114443893A (zh) | 人脸数据的归档方法及相关设备 | |
| CN112560784A (zh) | 一种基于动态多尺度卷积神经网络的心电图分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |