文摘
与虚拟技术的广泛应用和仿真算法,运动行为识别广泛应用于各个领域。原神经网络算法不能解决数据冗余的问题行为的识别,以及全局搜索能力弱。基于上述原因,本文提出了一种基于遗传算法和神经网络算法建立预测模型的行为识别。首先,遗传算法用于集群冗余数据,这样的数据片段,然后它是用来减少数据冗余的不同的行为和削弱的影响维度对行为的认可。然后,遗传算法簇的数据形成subgenetic粒子与不同的维度和执行共同进化和最优位置分享subgenetic不同尺寸粒子。通过模拟试验,本文构造的算法比遗传算法和神经网络算法的计算精度和收敛速度。最后,构造预测模型通过设置初始值和阈值来预测行为识别,结果表明,本文模型构建的准确性提高了分析的行为识别。
1。介绍
近年来,国家提出了发展模式的行为智能,和主要科研机构高度重视行为分析。根据调查数据的行为智能2020年(1),行为识别和行为预测占45.6%的智能技术的发展,导致行为智能发展的日益增长的需求分析和渗透融入社会。中国已经建立了人工智能的研究机构,人造的声音,和人工肖像和应用行为识别为人工智能视频监控提供数据分析(2]。一些学者认为,行为识别是不同行为的判断点。遗传算法的优点是分析渐进的过程的行为和判断行为的最终结果。然而,遗传算法也有自己的缺点,不能调整分析深度根据行为的结果。遗传算法的神经网络弥补了不足。其优点是自学,分析不同的行为之间的关系,并使理论行为与实际行为一致。与一般算法相比,遗传算法和神经网络的结合增加了不同行为节点之间的耦合,使行为分析更有活力。同时,耦合的增加可以减少计算复杂性和更准确地获得计算结果。结合遗传算法和神经网络节点和节点之间的耦合行为的判断。遗传算法提供了发挥其优势逐步分析行为的节点,和神经网络分析节点之间的耦合,以提高分析结果的准确性。 Behavior recognition is a dynamic process, which involves many factors. It is generally calculated by genetic algorithm. Although the node analysis of genetic algorithm can judge different behaviors, it lacks threshold adjustment and cannot realize the dynamic analysis of behaviors. The combination of genetic algorithm and neural network can not only judge the behavior points but also judge the relationship between different behaviors. Therefore, the research advantage of this paper is to realize the comprehensive judgment of behavior and improve the accuracy of behavior recognition. On the basis of previous studies, this paper establishes a behavior recognition prediction model to provide accurate information and technology for behavior recognition prediction in sports and enrich relevant theories.
从图可以看出1,应用程序的行为识别在体育领域的深化和提高,已成为智能运动的发展的重点。其中,射击、田径、球类运动,和其他领域提高了从2015年到2019年,但各种体育运动的比例没有改变。可以看出体育行为识别的社会研究程度增加,这表明验证体育行为识别的重要性。体育行为的影响因素识别半结构化和非线性关系的特点,以及遗传算法具有更好的半结构化数据分析能力,能分析得很好。神经网络将值赋给每个影响因素和计算。如果输出不满足要求,调整分配,提出了因素赋值< 0.3。通过连续的提议,简化因素的目的是实现。最后,值> 0.6的因素是关键因素,和随后的计算。它使用映射特征之间的各种因素进行反复迭代和自主学习3),更好的处理行为识别数据,满足需求的非线性分析。一些学者建立了行为识别开发预测模型结合先验的算法和遗传算法(4分析国内行为识别。结果表明,遗传算法和先验的算法的共同分析结果更好,各项指标明显优于先验的算法(5]。遗传算法属于综合分析方法,集成神经网络对集群学习机制的一系列问题来实现模糊分析的目的。因此,基于遗传算法,本文预测行为识别(6]。在先前的研究中,神经网络改进主要来自以下几方面。(1)参数调整和学习策略的改变:行为识别研究的发展趋势和三个行为识别预测方法进行了比较。结果表明,选择适当的方法可以解决单指数和多索引的特征值在一段时间7]。(2)分析方法的集合与其他行为识别:有些学者提出了一个混合自适应神经网络算法,集k - means聚类神经网络。该算法可以分类识别的行为数据(8),根据不同的聚类权重,将神经网络和改进最优值的搜索速度。然而,这种方法大大地欧几里得距离的影响,这是不利于全局最优值的计算9]。从沟通的角度延迟神经网络算法用于大规模的分布式调度计算行为识别,和动态和随机聚类分析(10)是用于证明该算法具有较高的精度。(3)与经典理论相比,如贝叶斯理论、灰色理论、混沌理论、粗糙集、改进的神经网络方法具有较强的时间序列数据敏感性[11]。上述研究是基于此,但神经网络算法的计算精度,搜索时间,整体收敛性仍不理想。本文使用k - means聚类改进神经网络算法,然后结合遗传算法建立一个行为识别预测模型并验证它。
2。行为的描述基于遗传算法和神经网络的识别算法
2.1。行为识别
行为识别判断自然生物的行为。行为识别分为两个部分。一部分是行为识别,肢体的运动行为。另一部分是心理行为,心理主导自然生物的行为。一般来说,行为识别是指肢体行为,也就是说,行为和自然生物的运动。行为识别与周围的环境,运动趋势,运动的目的。行为识别不仅是个人行为的组合也是判断未来的行为。
2.2。神经网络理论
神经网络在1927年首次提出的盒子,詹金斯(12]。它属于一种统计分析方法,主要解决的问题行为描述,行为分析,和未来的预测,并广泛应用于各个领域。算法优越的性质,这是反映在数据持久性的描述。神经网络的随机选择不规则点循环分析。神经网络算法原理和结构如下:让G它的数据集t时间在我多维空间和x属于G它。假设1: , ;如果偏差 是满意的,那么是最好的基因集合在哪里 调整系数x和 ,和右边是“核心”的神经网络。的时候, 和是最低'准备好了吗 ,神经网络的数据链路列表是短。
神经网络的相关理论如下。
定理1。如果当地的偏差是 和 (是冗余函数类的t时间),冗余函数的计算公式 在哪里是全球冗余的 。
定理2。如果满足下列条件 ,然后任何函数值 ,右边的神经网络内的积分 ,和冗余数据的误差小于右边 。
定理3。如果有任何数据点正态分布在行为识别轴,统一偏差的计算公式任意点如下。 在哪里 在[0,1]。
它可以看到从定理1和2对冗余振幅之间的关系和数量的数据x可以通过使用神经网络近似积分,这是独立于空间维度我和时间t。因此,神经网络函数提供了很好的理论依据多维数字计算和时间计算,减少了非结构化数据的形式对计算结果的影响。根据定理3,当地的偏差中数据的神经网络 和统一的偏差 ,表明当地的偏差可以控制冗余振幅右边由于均匀分布偏差。将神经网络与粗糙集算法相结合,提出一种改进的算法的冗余的振幅控制,证明能力的神经网络控制冗余数据,验证了该方法的优越性。本文使用该方法供参考变换行为识别数据的构成和把它作为初始数据组进行连续分析。
2.3。遗传算法
摘要遗传算法优化选择模型。这种方法属于与模糊聚类方法和适应性。它可以实现自主学习13)和不断修改集群集的隶属函数和全套。遗传算法可以被定义为“如果”审判模式。在约束的统治下Z神经网络算法聚类过程如下: 在哪里是聚类函数,是集群组,是约束函数, 任何相邻数据之间的关系吗x,聚类的结果。遗传算法的输入部分是清晰,处理部分是模糊,和输出部分是清晰的,所以输出结果可以通过模糊推断方法获得的输出组合。
假设任何输入变量 ,会员每个输入变量之间的关系和输出变量可以通过约束规则吗Z,如以下公式所示: 在哪里和分别是隶属函数的中心和隶属程度;是一个关系函数;和是一个模糊集。
通过集群上面的会员关系,集群可以获得的连续操作符,如以下公式所示: 在哪里是集群系数和调整k推导系数。根据集群计算,可以获得集群的输出值,如以下公式所示:
遗传算法不仅缩短了处理时间的行为识别数据,也增加了数量的初始数据处理。遗传算法执行多维聚簇根据初步数据量(14)和标签,它随着时间的推移形成一个连续的数据链。调整函数的关系C和聚类系数根据输出结果的数据y。
3所示。的建设行为识别模型基于遗传算法和神经网络算法
3.1。共同进化的最初的行为识别数据
本文模型考虑多维和全球性的数据,减少了局部收敛,提高搜索能力的特征数据,缩短神经网络算法的学习时间。反映在初始序列的进化策略和多维序列,收敛阈值和权重因子是用来促进分布式人口的共同进化,并对冗余幅值的最优值。
3.1.1。遗传算法的初始化
神经网络算法认为最初的序列是随机分布。如果序列不确定性很强,也就是说,非正态的分布,它将使序列计算分为局部优化,减少全局优化解的计算时间,提高计算结果的误差率。为了提高序列的常态,我们应该扩大的规模序列,增加数据的类型。基于传统神经网络的原理,本文扩展的初始数据序列的数量,提高了序列的多样性。
数据2和3显示多维初始神经网络由一个随机处理方法和遗传算法方法,分别。神经网络的段的数量是100。通过比较,发现初始序列随机生成的方法是更多的混乱和没有方向的。通过数据的比较2和3可以看出,行为识别粒子在随机模式下更混乱和集中,这就增加了计算的复杂性。然而,行为识别粒子由遗传算法处理更均匀,降低了计算复杂度,为后来计算奠定了基础。序列由遗传算法处理更加集中和方向。根据定理1和2神经网络的算法,这个算法是独立的数据集构建空间维度和适用于多维数据处理。此外,每次点,初始序列的分布效果是一样的,和数据集的稳定性高。总之,选择遗传算法处理初始序列。
3.1.2。多策略协作
算法的全局搜索能力是一个重要的措施。在初始阶段的计算,算法主要关注全球搜索,然后进步本地搜索(15]。为了提高算法的计算效率,介绍了一种多策略合作方法,它允许粒子搜索根据不同行为序列(节省重复计算时间),并实现全局搜索和局部搜索的同时。目前,还有其他标准神经网络算法和改进算法。(1)经典行为识别模型: (2)组织行为识别模型: (3)行为识别判断模型: (4)一般行为识别模型: 在哪里和的协同系数不同的策略,和不同策略的相关系数,不同策略的平均体重(值来自国内外相关文献),然后呢是许多不同的策略。
本文改进了标准神经网络函数在两个方面。一方面,它扩展了搜索范围。为每个迭代计算,一种神经网络将随机选择5以上形式的遗传算法计算。遗传算法可以避免局部最优结果,扩大搜索范围。随机选择的计算形式可以保持种群的多样性,提高获得局部最优值的可能性。另一方面,它可以提高收敛。为了平衡全局搜索和局部搜索的能力的神经网络,(非线性调整系数)和(线性重量)被添加到提高计算速度。公式如下: 在哪里e是对数的基地,t是时间,T的最长时间,d的迭代次数,D是迭代的最大数量。在初始阶段,的衰减程度低,可以计算和全局最优值。的中后期阶段计算,衰减程度逐渐增加,和当地可以计算出最优值。线性权重计算如下: 在哪里和分别是最大和最小重量和的值d,t,D,T上面是一样的。
3.1.3。行为识别和协作策略在不同的维度
算法采用差异化操作和策略数据不同的维度和调整相应的参数实现多维分布式协作,以完成流程的协同进化。在模型中,神经网络数据分为五个维度,每个维度代表解空间的子空间(16]。在每个迭代中,五个维度同时进化。迭代计算后,比较不同维度的健身价值和记录每个维度的全局最优值的位置。然后,每一个子维度学习逐渐全局最优值,获得最优的位置个子维度以最简洁的方式,以提高搜索和计算的速度和效率。
3.2。行为识别和判断方法基于遗传算法和神经网络
遗传算法的基本思想是多方面的共同进化。神经网络的初始值和阈(值来自国内外相关文献)调整和优化(17)获得的最优解,减少冗余率行为识别。
判断过程如图4。
步骤1。确定尺寸和序列结构的神经网络,确定数据结构的神经网络根据数据特点和解决问题的需要。整个数据的初始重量和阈值映射到神经网络作为一个整体。每个神经网络的尺寸重量和阈值的机会。根据实际应用,本文的维数神经网络=433年。
步骤2。数据初始化:有关参数随机神经网络初始化。让神经网络的数量n= 100,最大重量= 0.7,最低重量= 0.3,不同维度之间的协同作用常数 , = = 3.22,最大迭代次数D=10。
步骤3。生成适当的函数。遗传算法理论是用于生成神经网络的初始序列,这是映射到神经网络作为初始重量和阈值。通过自学和培训公式(1)- (8),协同神经网络算法的系数将继续增加和适应。每个神经网络计算的准确性,绝对值的平方和作为一个适当的函数。
步骤4。神经网络的全局搜索最优位置和每个subgenetic粒子的最优位置。最初的神经网络是随机分为5子序列,获得健身比例,优化全球地位和记录每个子序列的最优位置。
第5步。迭代的最优位置和速度:5种子进化的序列,一个是随机选择的进化,如公式(8)- (11),非线性系数和调整是线性的重量,如公式(12)和(13)。
步骤6。所有子序列coevolute在同一时间。一次迭代后,选择最佳的全球计算位置与其他子序列和共享。其他子序列逐步迭代这个位置获得最佳位置的结果。
步骤7。决定是否停止迭代。如果迭代次数D小于的最大迭代数D,重复步骤2- - - - - -6;否则,停止迭代和返回结果,如阈值,体重,和最优位置。
4所示。案例分析体育行为的识别
4.1。模型的性能评价
经典的神经网络算法、神经网络算法和基于遗传算法的神经网络算法测试档人员,Rastring Ackley,和其他函数来验证本文提出的模型的性能。
过滤器函数是全局唯一的最小值函数的测试模型18),公式如下:
Rastring函数生成局部最小值经常通过余弦调制传递函数来验证模型的可行性解决方案(19]。公式如下:
《函数是多维的梯度优化功能点测试多维数据的计算速度检测全局收敛速度。公式如下: 在哪里n是计算数据和指标的总数吗是任意数量的指标。的值范围在产品功能是{100100},在rastring函数{,5.12,5.12},在《函数{- 32,32}。
为了方便计算,本文中神经网络的数量n= 100,最大迭代次数D= 30,最长时间T= 16个月。上述三个函数分别测试。为了减少随机性的影响结果,7次结果的平均值。具体计算结果如表所示1。
从表可以看出1与神经网络和遗传算法相比,本文提出的遗传算法和神经网络算法更接近全局最优值。的标准差、平均价值和价值范围内,遗传算法和神经网络算法比其他两种算法。根据曲线的变化数据5- - - - - -7,遗传和神经网络算法有更好的稳定性和收敛速度更快。因此,收敛速度、计算精度和求和的稳定遗传和神经网络算法更好。
4.2。案例数据和预处理
有一些缺失的数据在本文中的示例数据,由默认值补偿在以后的阶段。行为识别的预测数据集包括数字行为,仿生的行为,自然行为,心理行为和预期行为。初步数据预处理后,1982行结构化数据和38行半结构式数据。为了方便数据分析、行为识别分为五个层次:相对聪明,聪明,一般情况下,不聪明,和相对不聪明。数据量的处理结果如表所示2。
由于缺乏一些数据,数据从1月1日,2019年7月22日,2020年,作为训练集,共有1345件;数据从2020年7月22日,12月1日,2021年,作为测试集,共计676件。
4.3。测试结果
为了验证提出的遗传和神经网络算法本文结果与遗传算法和神经网络算法。结果如图所示8。
从图可以看出8的计算精度,本文算法的准确性高于单一遗传算法和神经网络算法,分别在分析出错率也低于单一遗传算法和神经网络算法。此外,本文提出的算法具有更好的计算稳定性,这比单一遗传算法和神经网络算法。不同算法的计算结果如表所示3。
从表可以看出3单一神经网络算法和遗传算法精度不足的问题,大的变化计算结果在不同层次的行为识别和预测。与神经网络算法相比,本文算法构造的准确性明显提高。同时,神经网络算法的精度接近,超过80%,优于遗传算法。为了进一步验证遗传和神经网络算法的优点,最优适应度值不同的算法进行比较,结果如图所示9。
从图可以看出9适应度函数的优化结果的遗传和神经网络算法是更重要的。原因是遗传算法和神经网络添加协同系数,改善重量、收敛的因素在不同的维度。
5。结论
总之,遗传算法与神经网络相结合的模型构建本文可以更准确地识别和预测行为和迅速,及其计算结果基本上符合实际需求。提出了遗传算法和改进神经网络算法理论结合多维共同进化方法。同时,神经网络算法的阈值和重量,和行为识别分析模型。结果表明,与经典的神经网络算法和遗传算法相比,预测精度和收敛性的行为识别基于遗传算法结合神经网络算法更好,可以判断和行为识别。然而,在这个模型中,多维合作策略太多关注全球搜索能力,导致相对衰落的局部搜索能力和减少最优解的计算速度。因此,在未来的研究中,平衡系数和过滤功能将被添加到提高模型的求解能力。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本研究是支持的https://doi.org/10.13039/501100012226基础研究基金中央大学https://doi.org/10.13039/501100002369重庆大学(2021 cdskxyty003)。作者感谢支持。