一种基于AI人体行为的多层前馈人工神经网络并行算法的制作方法

一种基于ai人体行为的多层前馈人工神经网络并行算法
技术领域
1.本发明涉及ai行为网络算法技术领域，具体为一种基于ai人体行为的多层前馈人工神经网络并行算法。


背景技术：

2.人体行为识别按照研究对象的复杂程度可以分为四个层次：姿势、个体行为、交互行为和群体行为，其中交互行为是由两个及以上的人完成的动作，群体行为指一群人完成的动作。目前群体行为受到复杂的语义和环境的影响，研究相对较少，大多数集中于姿势和个体行为的研究。人体行为模式识别在安防、教育、智慧城市等领域有巨大的市场需求，因此国内外的研发机构和企业都在重点关注和进行技术投入开发。
3.传统的单机存储与识别计算已经远远不能满足我们的需求，进行海量的人体行为识别，大批量的识别是具有重要研究意义的。同时，随着数据量和数据规模的急剧增加，传统的识别算法已经无法满足发展需要，将传统的行为识别算法进行并行化势在必行。
4.目前，现有的基于ai人体行为的多层前馈人工神经网络并行算法存在如下问题：传感器数据不符合所要构建的人体样本行为数据库的要求，部分数据信息过于冗杂或者完整性缺失，无法很好的反映用户人体行为信息，可信度不高，也会降低最终人体行为识别结果的正确率，无法利用前面构建的样本行为识别模型完成人体行为识别的任务。为此，需要设计相应的技术方案给予解决。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于ai人体行为的多层前馈人工神经网络并行算法，解决了现有传感器数据不符合所要构建的人体样本行为数据库的要求，数据信息过于冗杂或者完整性缺失，无法很好的反映用户人体行为信息，可信度不高，降低最终人体行为识别结果的正确率，无法利用前面构建的样本行为识别模型完成人体行为识别任务的技术问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：一种基于ai人体行为的多层前馈人工神经网络并行算法，包括视频特征码输入层、隐含层、模型激励输出层和spark底层，所述框架pann由一个视频特征码输入层，多个隐含层，一个模型激励输出层构成，采用后向传播的误差调整公式，所述视频特征码输入层、隐含层和模型激励输出层之间通过单向的权值网连接，所述spark底层由scala语言实现，神经网络的深度与隐含层的数目有关，且与时间长度有关，elman循环神经网络从0到t时刻的计算过程可以描述为：
[0009][0010]
类似地，循环神经网络从0时刻到t时刻的计算过程为其中，u表示从输出层反馈到输入层的连接权重。
[0011]
优选的，所述scala为运行于jvm的函数式编程语言，可与java互相调用。
[0012]
优选的，所述spark底层同时提供了java和python应用程序调用接口，是对scala接口的一层封装，本算法在实现层面上选择scala，可以与原生的spark接口直接交互。
[0013]
优选的，计算过程方式中，f(u(t))和g(v(t))为激活函数。
[0014]
优选的，时间为t，网络的输入向量为x(t)，隐含向量是h(t)，并且网络的输出向量是o(t)，v表示视频特征码输入层、隐含层之间的连接权重，u表示隐含层与层之间的连接权重，w表示隐含层与输出层之间的连接权重，用b和a分别表示隐含层和输出层的偏置。
[0015]
优选的，包括以下步骤：
[0016]
s1，从hdfs读取特征数据将数据转换为rdd，并采取分区策略；
[0017]
s2，初始化神经网络设置网络权值，迭代次数，误差阙值；
[0018]
s3，将权重矩阵广播到各计算节点；
[0019]
s4，子task前向计算，在输出层获取误差；
[0020]
s5，reduce操作获取误差总和，发送给driver；
[0021]
s6，误差小于阙值或达到训练次数，训练结束。
[0022]
(三)有益效果
[0023]
该基于ai人体行为的多层前馈人工神经网络并行算法，采用神经网络模型的方法，完成人体行为识别的任务，保证了对人体样本行为识别的正确率，并充分提高了系统完成人体在线行为识别任务的能力，运行系统时完全不会存在卡顿的情况，且用户与本款产品进行交互时，无需穿戴任何设备，有着极佳的用户体验，本款产品采用的是实时处理引擎，具有低响应时延、动态效果丰富、用户体验效果好、转化率高的优点，顺畅体验。
附图说明
[0024]
图1为本发明的流程框架示意图。
具体实施方式
[0025]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0026]
请参阅图1，本发明实施例提供一种技术方案：一种基于ai人体行为的多层前馈人工神经网络并行算法，包括视频特征码输入层、隐含层、模型激励输出层和spark底层，所述框架pann由一个视频特征码输入层，多个隐含层，一个模型激励输出层构成，采用后向传播的误差调整公式，所述视频特征码输入层、隐含层和模型激励输出层之间通过单向的权值网连接，所述spark底层由scala语言实现，神经网络的深度与隐含层的数目有关，且与时间长度有关，elman循环神经网络从0到t时刻的计算过程可以描述为：
[0027][0028]
类似地，循环神经网络从0时刻到t时刻的计算过程为其中，u表示从输出层反馈到输入层的连接权重。
[0029]
进一步改进地，所述scala为运行于jvm的函数式编程语言，可与java互相调用。
[0030]
进一步改进地，所述spark底层同时提供了java和python应用程序调用接口，是对scala接口的一层封装，本算法在实现层面上选择scala，可以与原生的spark接口直接交互，兼具高效和简洁的优势。
[0031]
进一步改进地，计算过程方式中，f(u(t))和g(v(t))为激活函数。
[0032]
进一步改进地，时间为t，网络的输入向量为x(t)，隐含向量是h(t)，并且网络的输出向量是o(t)，v表示视频特征码输入层、隐含层之间的连接权重，u表示隐含层与层之间的连接权重，w表示隐含层与输出层之间的连接权重，用b和a分别表示隐含层和输出层的偏置。
[0033]
具体改进地，包括以下步骤：
[0034]
s1，从hdfs读取特征数据将数据转换为rdd，并采取分区策略；
[0035]
s2，初始化神经网络设置网络权值，迭代次数，误差阙值；
[0036]
s3，将权重矩阵广播到各计算节点；
[0037]
s4，子task前向计算，在输出层获取误差；
[0038]
s5，reduce操作获取误差总和，发送给driver；
[0039]
s6，误差小于阙值或达到训练次数，训练结束，如果未达到训练次数，driver反向计算调整各层权值，再次从s3步骤重新循环进行。
[0040]
在智能空间下基于非视觉传感器数据进行人体行为识别之前，需要对所获得的传感器数据信息进行处理分析；人体行为识别任务的完成，必须选择合理高效的识别模型；提
高系统的在线识别能力，对样本行为进行更新；采用神经网络模型的方法，完成人体行为识别的任务，保证了对人体样本行为识别的正确率，并充分提高了系统完成人体在线行为识别任务的能力。
[0041]
属于清洁环保的可持续发展产业，不存在环境压力。
[0042]
本系统传感器只有30％的cpu使用率，运行系统时完全不会存在卡顿的情况，且用户与本款产品进行交互时，无需穿戴任何设备，有着极佳的用户体验，本款产品采用的是实时处理引擎，具有低响应时延、动态效果丰富、用户体验效果好、转化率高的优点，顺畅体验。
[0043]
本发明的部件均为通用标准件或本领域技术人员知晓的部件，其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知，本发明解决的问题是现有传感器数据不符合所要构建的人体样本行为数据库的要求，数据信息过于冗杂或者完整性缺失，无法很好的反映用户人体行为信息，可信度不高，降低最终人体行为识别结果的正确率，无法利用前面构建的样本行为识别模型完成人体行为识别任务，本发明通过上述部件的互相组合，采用神经网络模型的方法，完成人体行为识别的任务，保证了对人体样本行为识别的正确率，并充分提高了系统完成人体在线行为识别任务的能力，运行系统时完全不会存在卡顿的情况，且用户与本款产品进行交互时，无需穿戴任何设备，有着极佳的用户体验，本款产品采用的是实时处理引擎，具有低响应时延、动态效果丰富、用户体验效果好、转化率高的优点，顺畅体验。
[0044]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0045]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。