亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        雙自適應BP算法在智能手環(huán)中的應用*

        2018-08-08 07:31:38,,
        關(guān)鍵詞:動量手環(huán)權(quán)值

        ,,

        (廣州大學 華軟軟件學院,廣州 510990)

        引 言

        隨著智慧醫(yī)療時代的到來,養(yǎng)老護老工作已經(jīng)上升到了一個新層面,越來越多的可穿戴老年人健康監(jiān)測設(shè)備如智能手環(huán)、智能手表等應運而生,為緩解養(yǎng)老護老難題提供了有力的保障[1]。將多種異質(zhì)傳感器采集的生理信號通過數(shù)據(jù)融合技術(shù)進行融合處理以提高老人智能手環(huán)檢測的準確度具有較高的實用價值和研究價值,參考文獻[2]~[7]分別從多個方面探討了異質(zhì)傳感器數(shù)據(jù)融合技術(shù)在可穿戴設(shè)備上的應用。BP算法是目前比較流行的一種提高數(shù)據(jù)檢測準確性的數(shù)據(jù)融合方法,由于傳統(tǒng)BP算法收斂慢,容易陷入極值導致檢測不穩(wěn)定,在實際應用中出現(xiàn)了一系列有針對性的改進方案。參考文獻[8]在標準BP算法的基礎(chǔ)上加入動量項以盡量提高訓練速度,但學習率卻保持不變,而在實際應用中不變的學習率是很難確定的;參考文獻[9]在傳統(tǒng)BP算法的基礎(chǔ)上增加了動量項和自適應調(diào)節(jié)學習率兩項因子,但沒有考慮到動量因子這個因素,實際上動量因子的大小與算法的收斂性兩者關(guān)系非常密切,較大時穩(wěn)定性就較差,較小時收斂速度變慢。若在學習過程中能自適應調(diào)整動量因子,就可以提高算法的收斂性和穩(wěn)定性?;诖?,本文將自適應學習率和自適應動量項兩種方法結(jié)合在一起,構(gòu)建雙自適應BP神經(jīng)網(wǎng)絡(luò),解決傳統(tǒng)BP算法的不足,并將該方案應用到老年人智能手環(huán)中,從而提高手環(huán)系統(tǒng)報警的準確率,減少誤判的發(fā)生。

        1 傳統(tǒng)BP算法

        BP算法是一種多層前饋反向傳播的有導師學習[10]的算法,使用最普遍的迭代法和梯度下降法來調(diào)整網(wǎng)絡(luò)權(quán)值以便網(wǎng)絡(luò)具有學習記憶的能力。學習過程分為正向傳播和逆向傳播過程。首先,通過正向傳播將輸入層的現(xiàn)有權(quán)值傳輸至輸出層,計算實際輸出與期望輸出之間的誤差,然后再把誤差逐層逆向傳播至輸入層,并適當調(diào)整各層參數(shù)直至網(wǎng)絡(luò)收斂。一個典型的3層BP網(wǎng)絡(luò)模型如圖1所示。

        圖1 典型3層BP網(wǎng)絡(luò)模型

        為了描述方便,這里假設(shè)標準BP網(wǎng)絡(luò)的輸入集X=[x1,x2,……,xn]T,輸出集Y=[y1,y2,……,yn]T,Hi=[h1,h2,……,hm]T是隱含層結(jié)點集合,Vij代表第i個輸入神經(jīng)元與第j個隱含層神經(jīng)元之間的權(quán)重,Wij表示第i個隱含層神經(jīng)元與第j個輸出層神經(jīng)元之間的權(quán)重,期望輸出向量為D。

        BP算法屬于多層前饋反向傳播算法,根據(jù)輸入信息,由輸入層到輸出層的方向從前向后計算,得到輸出層每個單元的輸出。為了使神經(jīng)元的具體值能夠通過函數(shù)保留并映射出來,采用sigmoid函數(shù)作為激活函數(shù)。激活函數(shù)為:

        (1)

        再從后向前反向計算每一層輸出結(jié)果和期望值之間的差異,將這個殘差返回給整個網(wǎng)絡(luò),進而更新每個權(quán)值。權(quán)值更新的法則為:

        wji(k)=wji(k)+Δwji

        (2)

        BP網(wǎng)絡(luò)權(quán)值調(diào)整方案的目的是使網(wǎng)絡(luò)實際輸出與目標輸出之間的均方誤差(MSE)在期望范圍之內(nèi)。定義均方誤差E的目標函數(shù)為:

        (3)

        因此,為了使均方誤差函數(shù)最小化,對于網(wǎng)絡(luò)中的每個權(quán)值Wji,對其求導:

        (4)

        因為:

        (5)

        (6)

        且根據(jù)激活函數(shù)sigmoid函數(shù)的如下重要性質(zhì):

        (7)

        所以有:

        (8)

        因而:

        (9)

        進而式(4)可以寫成:

        (10)

        因BP算法采用梯度下降法改變權(quán)值,權(quán)值的改變朝著負梯度方向,于是有權(quán)值改變量:

        η(dj-yj)yj(1-yj)xji

        (11)

        其中,η為學習步長,也就是學習率,令:δji=(dj-yj)yj(1-yj),則:

        Δwji=ηδjixji

        (12)

        因此, 式(2)的權(quán)值更新法則修改如下:

        wji(k+1)=wji(k)+ηδjixji

        (13)

        從式(13)可以看出,標準BP算法屬于簡單的最速下降尋優(yōu)法,在修正某時刻某神經(jīng)元的權(quán)重時,與網(wǎng)絡(luò)的學習率η有關(guān),權(quán)值修正是僅沿著某一時刻的負梯度方向進行,沒有將前一時刻的經(jīng)驗考慮進去,從而使網(wǎng)絡(luò)學習過程中發(fā)生振蕩,收斂緩慢,容易陷入局部極值。

        2 雙自適應BP算法

        有動量的梯度下降法可以降低網(wǎng)絡(luò)對于誤差曲面局部細節(jié)的敏感性,減小學習過程的振蕩趨勢,但未考慮動量因子這個因素,導致容易陷入極值[11];有自適應學習率的梯度下降法能夠自適應調(diào)整學習率,從而增加穩(wěn)定性。本文將兩種方法結(jié)合在一起,采用自適應動量法和自適應學習率調(diào)整的策略構(gòu)建雙自適應BP神經(jīng)網(wǎng)絡(luò),改善傳統(tǒng)BP算法不穩(wěn)定、易陷入極值的缺陷,進而使BP網(wǎng)絡(luò)快速收斂并提高穩(wěn)定性。

        2.1 學習率自適應調(diào)整法

        從式(13)可以看出,在修正k時刻第j個神經(jīng)元的權(quán)重Wji時,與網(wǎng)絡(luò)的學習率η有關(guān)。標準BP算法收斂慢的一個重要原因是學習率選擇不當[12-13]。為了解決這一問題,本文設(shè)計了一種學習速率自適應調(diào)整的方法,主要思想是根據(jù)誤差的大小自動調(diào)整學習速率,這樣能使算法的學習速率根據(jù)誤差數(shù)值而自適應,使得學習穩(wěn)定,誤差降低,自適應學習速率的調(diào)整機制為:

        其中E為BP網(wǎng)絡(luò)總體誤差,η為網(wǎng)絡(luò)學習速率,k為網(wǎng)絡(luò)訓練次數(shù)。

        2.2 自適應動量法

        同樣,從式(13)可以看出,標準的BP算法按當前時刻的負梯度方向修正某個神經(jīng)元的權(quán)重,未考慮以前積累的經(jīng)驗,為了提高BP算法的收斂速度和精度,本文從BP神經(jīng)網(wǎng)絡(luò)算法中引入動量項和動量因子,讓當前時刻的權(quán)值更新部分依賴于前一時刻的權(quán)值,得到新的自然梯度算法:

        wji(k+1)=wji(k)+η(1-η)δjixji+αΔwji(k-1)

        (14)

        式中,Δwji(k-1)為動量項,α為動量因子。為使算法收斂,|α|<1。當動量因子取值較大時,收斂速度較快,但穩(wěn)態(tài)誤差也偏大,取值較小時,收斂速度變慢,穩(wěn)態(tài)誤差偏小[14]。因此,本文采用動態(tài)的動量因子,使動量因子也自適應變化。自適應調(diào)整動量因子α的策略為:

        其中E為BP網(wǎng)絡(luò)總體誤差,k為網(wǎng)絡(luò)訓練次數(shù),α為動量因子,η為學習率。

        3 實例仿真分析

        3.1 智能手環(huán)多傳感器數(shù)據(jù)融合原理

        隨時監(jiān)測老人體溫、心率、血壓情況,預防突發(fā)情況的發(fā)生,是可穿戴設(shè)備的必備功能。為了使手環(huán)能夠準確檢測體征數(shù)據(jù)并及時響應,本文使用雙自適應BP神經(jīng)網(wǎng)絡(luò)構(gòu)建一個健康狀態(tài)監(jiān)測系統(tǒng),對多傳感器測量到的實時體征數(shù)據(jù)進行信息融合處理,提高系統(tǒng)數(shù)據(jù)檢測的準確性和系統(tǒng)反應的及時性。系統(tǒng)將人體常見的4個體征參數(shù)(體溫、心率、收縮壓、舒張壓)經(jīng)信號處理后輸入到數(shù)據(jù)融合中心,利用樣本數(shù)據(jù)進行訓練,并在系統(tǒng)的中間層完成數(shù)據(jù)融合,最后由系統(tǒng)智能判斷出老人現(xiàn)在的身體狀況。身體狀況分為正常和危險兩個等級。若認為身體狀況危險,則系統(tǒng)自動報警,并發(fā)送信息給老人的親屬或醫(yī)生。數(shù)據(jù)融合原理如圖2所示。

        圖2 數(shù)據(jù)融合原理

        3.2 BP網(wǎng)絡(luò)模型及參數(shù)設(shè)計

        網(wǎng)絡(luò)依據(jù)訓練樣本的輸入、輸出維度來決定網(wǎng)絡(luò)的輸入和輸出節(jié)點數(shù),由于輸入數(shù)據(jù)維數(shù)為4,即為4類體征信息,輸出數(shù)據(jù)維數(shù)為1,即為該系統(tǒng)的報警信息。最終確定了網(wǎng)絡(luò)的輸入節(jié)點個數(shù)為4,輸出節(jié)點個數(shù)為1,根據(jù)式(15)且根據(jù)經(jīng)驗隱含層數(shù)通常取輸入層數(shù)的1.2~1.5倍,最后通過不斷仿真實驗最終確定隱含層個數(shù)為6,因此構(gòu)建了4-6-1三層BP神經(jīng)網(wǎng)絡(luò)。本網(wǎng)絡(luò)隱含層和輸出層節(jié)點傳輸函數(shù)分別為logsig函數(shù)和purelin函數(shù),訓練函數(shù)選用梯度下降自適應學習率的traingdx函數(shù),學習函數(shù)選用系統(tǒng)默認的動量梯度下降權(quán)值和閾值學習的learngdm函數(shù),并要求網(wǎng)絡(luò)誤差目標值為0.01,訓練次數(shù)為500次,學習速率設(shè)置為0.01,動量因子設(shè)置為0.95。其結(jié)構(gòu)如圖3所示。

        (15)

        其中,k為隱含層節(jié)點個數(shù),n為輸入節(jié)點個數(shù),a為取值為1~10的正整數(shù)。

        圖3 可穿戴設(shè)備的BP神經(jīng)網(wǎng)絡(luò)模型

        3.3 仿真與分析

        為了使神經(jīng)網(wǎng)絡(luò)獲得準確有效的樣本數(shù)據(jù)供其學習,首先需要有判斷人體健康狀態(tài)的基本依據(jù)和指標。根據(jù)參考文獻[15]可知,人體正常體溫范圍為36~37.5 ℃,體溫38~38.9 ℃為中熱,39~40.9 ℃為高熱,體溫低于35.5 ℃稱為體溫過低,體溫過低過高都與感染性疾病有很大聯(lián)系,需要及時治療。正常人的心跳一般為60~100 bpm,心率過快(≥160 bpm)或過慢(≤60 bpm),大多見于心臟病病人,應及早檢測并預防。血管內(nèi)血液對血管壁的壓力稱為血壓,當收縮壓在21.3 kPa以上而舒張壓在12.7 kPa以上時,稱為高血壓,收縮壓低于12 kPa而舒張壓低于6.6 kPa時,稱為低血壓。持續(xù)的高血壓和低血壓狀態(tài)多見于嚴重病癥,應及時檢測并預防。

        綜合以上體溫、心率、血壓的危險評判標準,本文選用由RFID智能手環(huán)采集的100個測試樣本,對可穿戴設(shè)備從各種實驗環(huán)境中采集的70組數(shù)據(jù)進行人工判斷其危險程度,并生成樣本作為訓練樣本數(shù)據(jù)使用,剩下的 30 個作為測試樣本送入BP神經(jīng)網(wǎng)絡(luò)中,將神經(jīng)網(wǎng)絡(luò)融合后的輸出結(jié)果值y作為報警依據(jù),并設(shè)定當|y|<0.8時不報警,當|y|>0.8時報警。

        圖4、圖5、圖6是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓練效果圖、收斂圖及預測誤差圖。

        圖4 傳統(tǒng)BP網(wǎng)絡(luò)訓練圖

        圖5 傳統(tǒng)BP網(wǎng)絡(luò)收斂圖

        圖6 傳統(tǒng)BP網(wǎng)絡(luò)預測誤差圖

        從上述3幅圖中可以看到,選用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)融合時,迭代到第36次時才能達到預設(shè)精度,預測輸出與實際輸出相差9,識別率為70%。

        圖7、圖8是基于雙自適應的BP神經(jīng)網(wǎng)絡(luò)收斂圖和預測誤差圖。表1是改進后的雙自適應BP神經(jīng)網(wǎng)絡(luò)30組測試數(shù)據(jù)融合結(jié)果表。從圖7、圖8中可以看到,基于雙自適應BP神經(jīng)網(wǎng)絡(luò)達到小于設(shè)定誤差0.01 的要求需要12步的訓練,比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的收斂速度更快,網(wǎng)絡(luò)預測輸出與實際輸出相差為2,識別率為93.3%。

        圖7 雙自適應BP神經(jīng)網(wǎng)絡(luò)訓練收斂圖

        通過對比發(fā)現(xiàn),使用改進的數(shù)據(jù)融合算法降低了網(wǎng)絡(luò)的迭代次數(shù),在更短時間內(nèi)可以把誤差減小到所需要的范圍,網(wǎng)絡(luò)識別準確度明顯提高。因此,從實驗結(jié)果數(shù)據(jù)看,改進的算法效果更好,更能適合智能手環(huán)快速響應、準確報警的需求,減少誤判的發(fā)生。

        圖8 雙自適應BP神經(jīng)網(wǎng)絡(luò)預測誤差圖

        結(jié) 語

        表1 30組數(shù)據(jù)融合結(jié)果表

        猜你喜歡
        動量手環(huán)權(quán)值
        動量守恒定律在三個物體系中的應用
        愛心手環(huán)
        一種融合時間權(quán)值和用戶行為序列的電影推薦模型
        CONTENTS
        應用動量守恒定律解題之秘訣
        動量相關(guān)知識的理解和應用
        基于權(quán)值動量的RBM加速學習算法研究
        自動化學報(2017年7期)2017-04-18 13:41:02
        紅手環(huán)志愿者服務團歡迎您的加入
        學習監(jiān)測手環(huán)
        麥開:放棄智能手環(huán)
        人禽杂交18禁网站免费| 无码人妻少妇久久中文字幕| 久久无人码人妻一区二区三区| 一本久道竹内纱里奈中文字幕| 久久精品国产亚洲av无码娇色| 亚洲中文字幕av天堂自拍| 美女av一区二区三区| 亚洲欧美日韩在线观看一区二区三区| 日本一区二区不卡视频| 亚洲 美腿 欧美 偷拍| 国产三区二区一区久久| 精品国产av一区二区三区 | 欧美疯狂性受xxxxx喷水| 亚洲欧美成人一区二区在线电影| 国产免费久久精品99re丫y| 国产一区二区三区再现| 国产精品久久久久久久久久红粉| 亚洲精品久久久久久久久av无码| 亚洲AV无码专区国产H小说| 美女被强吻并脱下胸罩内裤视频| 中文字幕亚洲综合久久| 国产午夜视频在线观看| 少妇bbwbbw高潮| 最新中文字幕日韩精品| 麻豆国产在线精品国偷产拍| 亚洲成人欧美| 国产成人亚洲精品一区二区三区 | 亚洲妇女无套内射精| 免费的一级毛片| 亚洲情精品中文字幕99在线| 内射人妻无套中出无码| 狠狠躁夜夜躁人人爽天天天天97| 欧美巨大xxxx做受中文字幕| 24小时在线免费av| 51国产黑色丝袜高跟鞋| 国产AV无码专区亚洲AV桃花庵| 一本加勒比hezyo无码视频| 东京热东京道日韩av| 久久99精品久久久久婷婷| 亚洲巨乳自拍在线视频| 亚洲国产不卡av一区二区三区|