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

技术特征：
1.一种基于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，其特征在于：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：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。2.根据权利要求1所述的一种基于ai人体行为的多层前馈人工神经网络并行算法，其特征在于：所述scala为运行于jvm的函数式编程语言，可与java互相调用。3.根据权利要求1或2所述的一种基于ai人体行为的多层前馈人工神经网络并行算法，其特征在于：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。4.根据权利要求1所述的一种基于ai人体行为的多层前馈人工神经网络并行算法，其特征在于：计算过程方式中，f(u(t))和g(v(t))为激活函数。5.根据权利要求1所述的一种基于ai人体行为的多层前馈人工神经网络并行算法，其特征在于：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。6.根据权利要求1所述的一种基于ai人体行为的多层前馈人工神经网络并行算法，其特征在于，包括以下步骤：s1，从hdfs读取特征数据将数据转换为rdd，并采取分区策略；s2，初始化神经网络设置网络权值，迭代次数，误差阙值；s3，将权重矩阵广播到各计算节点；s4，子task前向计算，在输出层获取误差；s5，reduce操作获取误差总和，发送给driver；s6，误差小于阙值或达到训练次数，训练结束。

技术总结
本发明涉及AI行为网络算法技术领域，公开了一种基于AI人体行为的多层前馈人工神经网络并行算法，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。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，运行系统时顺畅。系统时顺畅。系统时顺畅。


技术研发人员：卢大伟 李宁 马君 腾天龙
受保护的技术使用者：南京市科小卫智能科技有限公司
技术研发日：2021.12.03
技术公布日：2022/4/1