神经网络，最后，移动终端解锁系统将采样模块2采集的检测样本输入神经网络判断是否满足解锁移动终端的条件，当输入的检测样本满足解锁移动终端的条件，则手机解锁；相反，当输入的检测样本不满足解锁移动终端的条件，则手机不与解锁。上述移动终端的具体形式可以为但不限于手机、平板电脑等，以下实施例中以该移动终端为手机为例。
[0038]从以上对该实施方式工作过程的描述可以看出，在具体实施例中，用户首先通过采样模块2输入多个用于解锁的、尽量相似的预设动作(如，挥动抛物线、写一个字母或数字等动作)的轨迹数据特征，并通过神经网络模块进行学习形成可进行模式识别的分类判定。简单来说，通过训练得到的神经网络判定用户在解锁过程中输入的解锁动作(即上述输入的采样样本)是否与训练过程中输入的预设动作接近，当两个动作接近，则解锁。
[0039]在该实施方式中，具体来说，采样模块2为6轴或9轴运动传感器，其中，6轴运动传感器包括三轴加速度传感器和三轴角速度传感器，9轴运动传感器包括三轴加速度传感器、三轴角速度传感器和三轴磁感应传感器。使用上述运动传感器采集训练样本的过程具体为:内置上述运动传感器的手机以较低采样频率，如50ms (毫秒)一个周期的频率检测6轴(x/y/z三轴加速度ax、ay和az，三轴角速度vx、vy和vz)上的数据特征的变化量；在采集的过程中，以采集的数据特征的变化率超过一限定值触发动作起始(即设定采样数值的初始变化率)，以给定时间(如，2秒)或变化率作为采样结束(这里说的以给定时间作为采样结束，即从采样开始到采样结束的时间为该给定时间，该给定时间到了，采样结束；以给定变化率作为采样结束，即检测到的6轴数据特征的变化率中一个或多个的变化率大于预设变化率，则采样结束)。且采样起始后，系统发起中断事件到手机处理器令其开始进行数据特征变化量的采集；采样结束后，该手机处理器分别以其采样频率对6轴上采集的数据特征变化率进行线性积分，得到相对于初始采样点的世界坐标中的相对位移和实时速率向量，作为一个训练样本中一个样本元素(SX，sy，sz，wx，wy，wz)，其中，向量元素sx、sy和sz分别为采样值ax、ay和az的积分，向量元素wx、wy和wz分别为采样值vx、vy和vz的积分。这样，在对同一个预设动作进行采集的过程中，生成多个上述样本元素形成样本元素序列得到一个训练样本，完成一个训练样本的采集。最后将该训练样本输入神经网络模块1进行训练。要说明的是，以上仅对训练样本的采集过程进行了描述，对于检测样本的采集过程同上述过程，在此不作赘述。另外，还要说明是，以上我们只是对训练样本的采集过程做出一个示例性的说明，在其他实施例中，还可以采用其他方式进行采集，如设定其他方式作为采样触发动作起始，又如采用其他方式作为结束采样的条件，在此不做具体限定。
[0040]当采样模块2完成对训练样本的采集后，随即使用神经网络模块1对其进行训练。在具体实施例中，上述神经网络模块1为后向传播神经网络模块，故经过训练得到的神经网络为后向传播神经网络。以下我们对使用后向传播神经网络模块对训练样本进行学习训练的过程进行描述:在该后向传播神经网络模块中将采样模块2输出的6元组样本元素向量V = (sx, sy, sz, wx, wy, wz)作为一个数据单位，这样，将采集模块对同一预设动作的η次采样作为一个训练样本{V1，V2....Vn}，其中，V1、V2、……、Vn分别为该预设动作中采集到的一个样本元素，并将该训练样本作为神经网络训练过程中的输入数据，送入具有6个输入特征值的神经网络输入层中进行训练。且在该神经网络训练学习的过程中，用户通过多次输入该预设动作(用户反复“录入”学习同一个预设动作，6轴或9轴运动传感器将采集模块采集到的接近的数据特征值送入神经网络)进行学习，得到神经网络隐含层的权值，进而得到完成学习之后得到神经网络的隐判定函数Fbp()。最后，将采集模块采样到的检测样本输入该神经网络的隐判定函数Fbp ()进行手机解锁的判断。
[0041]如图2所示为本发明提供的基于神经网络的移动终端解锁系统的第二种实施方式的结构示意图，从图中可以看出，在该实施方式中，移动终端解锁系统中除了包括上述的神经网络模块1和采样模块2，包括分别与神经网络模块1和采样模块2连接的滤波模块3，通过该滤波模块3分别对训练样本和检测样本进行滤波。在一个具体实施例中，该滤波模块3中包括相互连接的数字低通滤波器和数字卡尔曼滤波器，数字低通滤波器用于分别滤去训练样本和检测样本中预设频率的干扰波动，数字卡尔曼滤波器用于对经过过滤的训练样本和检测样本进行测量误差的估计和纠正。对于上述的数字低通滤波器的选择，由于预设动作的输入，如用户挥动手机或在空中画出曲线的频率不可能过高，故，使用该数字低通滤波器滤掉一定频率，如50Hz (赫兹)以上的频率波动，降低训练样本或检测样本采集过程中的该频段的干扰。数字卡尔曼滤波器主要用于根据历史测量，即训练样本或检测样本序列中的前次的采集数据，对本次采样得到的采集数据进行测量误差的估计和纠正，以降低采样过程中机械测量误差和抖动干扰。对于数字低通滤波器和数字卡尔曼滤波器的型号，不做具体限定，根据实际情况进行设定。
[0042]如图3所示为本发明提供的基于神经网络的移动终端解锁系统的第三种实施方式的结构示意图，从图中可以看出移动终端解锁系统中还包括分别与滤波模块3和神经网络模块1连接的判断模块4，判断模块4将经过滤波模块3滤波的检测样本输入神经网络，判断经过滤波的检测样本与经过滤波的训练样本之差是否在预设差值范围之内，进而判定是否解锁移动终端。由于，上述神经网络模块1已经通过采集到的训练样本进行了自主学习得到神经网络，因而，后续用户在手机解锁过程中，将滤波后的检测样本输入该神经网络，看是否可被该神经网络识别为与训练样本一致或接近的数据序列。当判断模块4判定满足设定的开启条件，即进行手机开锁。
[0043]这样，虽然手机在待机状态中可能产生各种运动轨迹，但只有与用户在学习模块中训练“录入”的预设动作轨迹接近的挥动动作，才能够识别并进行手机开锁。如果学习模块训练充分，甚至可以在网络训练学习过程中指定复杂的预设动作，如一个数字或字母等。在手机开锁时，只要重复该预设动作的轨迹，即可进行手机解锁。
[0044]如图4所示，为本发明提供的基于神经网络的移动终端解锁方法的流程示意图，该解锁方法应用于上述移动终端解锁系统，该移动终端解锁方法中具体包括以下步骤:
[0045]S1采集至少一个训练样本。具体来说，在训练样本的采集过程中，对于同一个预设动作进行多次采集，每次采集得到一个样本元素(sx，sy, sz, wx, wy, wz)，该次采集过程中所有的样本元素形成一个训练样本输入神经网络中进行训练。且对同一个神经网络进行训练的过程中，输入多个训练样本，以便得到精确的神经网络。
[0046]S2根据训练样本进行无监督训练得到神经网络。具体来说，在该步骤中，包括以下步骤: