一种基于六轴惯性传感信号的人体动作检测与识别方法与流程

本发明涉及人体动作识别技术领域，特别涉及一种基于六轴惯性传感信号的人体动作检测与识别方法。

背景技术

随着智能手机或可穿戴设备的流行，基于惯性传感器的人体动作识别在人类生活中发挥着越来越重要的作用，并取得了较大的进展，研究成果涉及智能监控、医疗看护等各个领域。但是，以往的研究只是实现了如行走、上下楼梯这种简单且规律性的动作的识别，对于一系列复杂动作中若干种特定动作的发生时间的有效检测和发生时间内特定动作的识别还少有探究，例如，在一场羽毛球比赛中，检测到选手所有发球和扣球动作的发生时间，后对发生时间中的动作进行识别。

事实上，在传统的基于惯性传感器的人体动作识别方法中，一种典型的滑窗法是用一个固定长度的窗在整个传感信号中以固定步长滑行并把信号截取成多段短时序列，再对这些序列进行识别。这些算法在识别人体动作的时候仅能够接受到当前短时序列的信息，导致整个识别算法的时间感受野大大减小。另外，固定的窗长和固定步长不能匹配好不同时长的动作，导致不能给目标人体动作发生的时间进行精确的定位。另外，每个短时序列都必须单独进行识别，这导致了计算消耗大大增加。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提供一种基于六轴惯性传感信号的人体动作检测与识别方法，该方法能够实现人体复杂运动中特定动作的发生时间的有效检测和发生时间内特定动作的识别，具有人体动作检测与识别准确率高的优点。

本发明的目的通过下述技术方案实现：一种基于六轴惯性传感信号的人体动作检测与识别方法，步骤如下：

步骤s1、首先获取六轴惯性传感信号，然后针对上述获取的六轴惯性传感信号进行预处理；

步骤s2、生成一组预设的目标人体动作边界框，该组预设的目标人体动作边界框包括多个预设的目标人体动作边界框，并且各边界框同中心，针对六轴惯性传感信号预处理结果选择多个中心点，相邻中心点时间间隔相同，将该组预设的目标人体动作边界框的中心分别布置于六轴惯性传感信号预处理结果的各个中心点上；

步骤s3、将六轴惯性传感信号预处理结果输入到第一神经网络中，通过第一神经网络提取出六轴惯性传感信号对应各预设的目标人体动作边界框中的特征值，根据上述所提取到的六轴惯性传感信号对应各预设的目标人体动作边界框中的特征值，第一神经网络输出布置于六轴惯性传感信号预处理结果上的各预设的目标人体动作边界框含有目标人体动作的概率；

步骤s4、根据步骤s3获取到的预设的目标人体动作边界框含有目标人体动作的概率，确定出六轴惯性传感信号的各目标人体动作的边界框，即确定出六轴惯性传感信号的各目标人体动作的时间区间；

步骤s5、将六轴惯性传感信号预处理结果输入到第二神经网络中，通过第二神经网络输出整个六轴惯性传感信号的特征值；

步骤s6、通过第二神经网络从整个六轴惯性传感信号的特征值中提取出各目标人体动作的边界框对应的特征值，然后通过第二神经网络对上述提取的各目标人体动作的边界框对应的特征值进行动作的识别，得到各目标人体动作的边界框中目标人体的动作，即得到六轴惯性传感信号的各目标人体动作的时间区间内目标人体的动手识别结果。

优选的，所述步骤s1中六轴惯性传感信号进行预处理的具体过程如下：

步骤s11、对获取到的六轴惯性传感信号进行高斯滤波处理；

步骤s12、对步骤s11高斯滤波处理后的信号进行归一化处理；

步骤s13、在归一化处理后的三轴加速度传感信号和三轴角速度传感信号之间加入两行等长且均为零值的序列信号，作为六轴惯性传感信号的预处理结果。

优选的，步骤s3中，将六轴惯性传感信号预处理结果输入到第一神经网络中，通过第一神经网络输出所有预设的目标人体动作边界框含有目标人体动作的概率以及边界框的偏移参数；

所述步骤s4中，根据步骤s3获取到的预设的目标人体动作边界框含有目标人体动作的概率确定出六轴惯性传感信号的各目标人体动作的边界框后，根据边界框的偏移参数针对六轴惯性传感信号的各目标人体动作的边界框进行修正；在得到修正后的六轴惯性传感信号的各目标人体动作的边界框后，结合对应的预设的目标人体动作边界框含有目标人体动作的概率，对修正后的六轴惯性传感信号的各目标人体动作的边界框进行非极大值抑制，确定出最终的各目标人体动作的边界框，即确定出最终的各目标人体动作的时间区间。

优选的，所述步骤s3中，通过第一神经网络的卷积部分提取出六轴惯性传感信号对应各预设的目标人体动作边界框的特征值，根据上述所提取到的六轴惯性传感信号对应各预设的目标人体动作边界框的特征值，第一神经网络的双子全连接卷积部分输出布置于六轴惯性传感信号预处理结果上的各预设的目标人体动作边界框含有目标人体动作的概率和偏移参数。

优选的，将六轴惯性传感信号预处理结果输入到第二神经网络中，通过第二神经网络卷积部分输出整个六轴惯性传感信号的特征值；

所述步骤s6中，通过第二神经网络的空间金字塔池化层从整个六轴惯性传感信号的特征值中提取出各目标人体动作的边界框对应的特征值，然后通过第二神经网络的全连接层和softmax层对上述提取的各目标人体动作的边界框对应的特征值进行动作的识别。

优选的，所述步骤s2中，在六轴惯性传感信号预处理结果中选择的第一个中心点为距离六轴惯性传感信号的零点时间间隔为t/2的点，其中t为第一神经网络输入的时间序列长度和输出的特征序列长度之比。

优选的，所述步骤s2中，针对六轴惯性传感信号预处理结果选择多个中心点，相邻两个中心点之间的时间间隔为t，其中t为第一神经网络输入的时间序列长度和输出的特征序列长度之比。

优选的，所述第一神经网络通过六轴惯性传感信号的数据库训练得到，其中数据库中的各训练样本为标注好各目标人体动作的时间区间的六轴惯性传感信号；具体训练过程如下：

步骤s71、生成一组预设的目标人体动作边界框，该组预设的目标人体动作边界框包括多个预设的目标人体动作边界框，并且各边界框同中心，针对训练样本预处理结果选择多个中心点，相邻中心点时间间隔相同，将该组预设的目标人体动作边界框的中心分别布置于六轴惯性传感信号预处理结果的各个中心点上；

步骤s72、将训练样本处理结果输入到待训练的第一神经网络中，通过待训练的第一神经网络提取出训练样本对应各预设的目标人体动作边界框中的特征值，根据上述所提取到的训练样本对应各预设的目标人体动作边界框中的特征值，待训练的第一神经网络输出各预设的目标人体动作边界框含有目标人体动作的概率和偏移参数。

步骤s73、根据训练样本标注好的各目标人体动作的时间区间，计算出各预设的目标人体动作边界框含有目标人体动作的实际概率和实际偏移参数；

步骤s74、将步骤s72中得到的待训练的第一神经网络输出的各预设的目标人体动作边界框含有目标人体动作的概率和偏移参数和步骤s73得到的各预设的目标人体动作边界框的实际概率和实际偏移参数输入到损失函数中，计算损失值，并用随机梯度下降法反向传播损失值，更新第一神经网络参数，得到更新后的第一神经网络参数，用更新后的第一神经网络参数替换待训练的第一神经网络参数；重复步骤s71-s74，直到训练完成；

其中步骤s2中生成的一组预设的目标人体动作边界框和上述步骤s71中生成的该组预设的目标人体动作边界框是相同的。

更进一步的，其特征在于，第二神经网络通过六轴惯性传感信号的数据库和第一神经网络训练得到，其中数据库中各训练样本各目标人体动作的时间区间中目标人体动作为标注好的；具体训练过程如下：

步骤s75、将训练样本预处理后输入到第一神经网络中，通过第一神经网络提取训练样本对应各预设的目标人体动作边界框中的特征值，根据上述所提取到的训练样本对应各预设的目标人体动作边界框中的特征值，第一神经网络输出布置于训练样本预处理结果上的各预设的目标人体动作边界框含有目标人体动作的概率；根据预设的目标人体动作边界框含有目标人体动作的概率，确定出训练样本的各目标人体动作的边界框，即确定出训练样本的各目标人体动作的时间区间；

步骤s76、将训练样本预处理后输入到待训练的第二神经网络中，通过第二神经网络卷积部分输出训练样本的特征值；

步骤s77、根据上述第一神经网络获得的训练样本的各目标人体动作的时间区间和数据库中标注好的训练样本各目标人体动作的时间区间，待训练的第二个神经网络的空间金字塔池化层从卷积部分输出训练样本的特征值提取出训练样本各目标人体动作的时间区间对应的特征值；然后以训练样本各目标人体动作的时间区间对应的特征值为全连接层和softmax层的输入，得到一个将训练样本各目标人体动作的时间区间判定为各个动作的概率向量，并用训练样本各目标人体动作的时间区间标注好的目标人体动作计算上述对应概率向量的交叉熵，作为损失值，用随机梯度下降法反向传播损失值，更新待训练的第二神经网络参数，得到更新后的待训练的第二神经网络参数，用更新后的待训练的第二神经网络参数替换待训练的第二神经网络参数；重复步骤s75-s77，直到训练完成。

更进一步的，所述步骤s73中，根据训练样本标注好的各目标人体动作的时间区间，计算出各预设的目标人体动作边界框含有目标人体动作的实际概率和实际偏移参数的具体过程如下：

针对于每个预设的目标人体动作边界框，分别计算该预设的目标人体动作边界框与标注好的各目标人体动作的时间区间的交并比，然后从中选择最大的交并比，判断该交并比是否大于阈值，若是，则预设的目标人体动作边界框含有目标人体动作的实际概率为1，否则为0；

针对于含有目标人体动作的实际概率为0的预设的目标人体动作边界框忽略偏移参数的计算；针对于含有目标人体动作的实际概率为1的预设的目标人体动作边界框，获取与其交并比最大的标注好的目标人体动作的时间区间，然后计算两者中心的相对偏移位置以及长度缩放差数，作为预设的目标人体动作边界框的实际偏移参数：

lh^*＝log(l^gt/l)；

其中cre^*为预设的目标人体动作边界和与其交并比最大的标注好的目标人体动作的时间区间两者中心的相对偏移位置，lh^*为预设的目标人体动作边界和与其交并比最大的标注好的目标人体动作的时间区间两者的长度缩放差数；是与预设的目标人体动作边界之间交并比最大的标注好的目标人体动作的时间区间起点和终端，l^gt是与预设的目标人体动作边界之间交并比最大的标注好的目标人体动作的时间区间的长度。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明一种基于六轴惯性传感信号的人体动作检测与识别方法中，针对于待识别的六轴惯性传感信号，首先生成一组预设的目标人体动作边界框，针对六轴惯性传感信号预处理结果选择多个中心点，将该组预设的目标人体动作边界框的中心分别布置于六轴惯性传感信号预处理结果的各个中心点上；然后将六轴惯性传感信号预处理结果输入到第一神经网络，通过第一神经网络获取到预设的目标人体动作边界框含有目标人体动作的概率，从而确定出六轴惯性传感信号的各目标人体动作的边界框，即六轴惯性传感信号的各目标人体动作的时间区间；接着，将六轴惯性传感信号预处理结果输入到第二神经网络，第二神经网络根据第一神经网络获取到的六轴惯性传感信号的各目标人体动作的时间区间，提取出六轴惯性传感信号各目标人体动作的时间区间对应的特征值，最后针对各目标人体动作的时间区间的特征值进行识别，得到各目标人体动作的时间区间中的目标人体动作，通过本发明方法能够实现人体复杂运动中特定动作的发生时间的有效检测和发生时间内特定动作的识别，具有人体动作检测与识别准确率高的优点。

(2)本发明一种基于六轴惯性传感信号的人体动作检测与识别方法中，六轴惯性传感信号进行预处理时，在归一化处理后的三轴加速度传感信号和三轴角速度传感信号之间加入两行等长且均为零值的序列信号，本发明通过上述补零操作可以将三轴加速度和三轴角速度两种类型的数据在神经网络的卷积时隔开，避免两者因特征不同而相互干扰，进一步提高人体动作检测和识别的准确率。

(3)本发明一种基于六轴惯性传感信号的人体动作检测与识别方法中，将六轴惯性传感信号预处理结果输入到第一神经网络中，通过第一神经网络输出所有预设的目标人体动作边界框含有目标人体动作的概率的同时，获取到边界框的偏移参数；在本发明方法中，当根据预设的目标人体动作边界框含有目标人体动作的概率确定出六轴惯性传感信号的各目标人体动作的边界框后，根据边界框的偏移参数针对六轴惯性传感信号的各目标人体动作的边界框进行修正，在得到修正后的六轴惯性传感信号的各目标人体动作的边界框后，结合对应的预设的目标人体动作边界框含有目标人体动作的概率，对修正后的六轴惯性传感信号的各目标人体动作的边界框进行非极大值抑制，确定出最终的各目标人体动作的边界框，本发明方法中通过边界框的偏移参数修正能够获取到六轴惯性传感信号更为准确的各目标人体动作的时间区间。

附图说明

图1是本发明方法中生成的预设的目标人体动作边界框示意图。

图2是本发明方法中第一神经网络示意图。

图3是本发明方法中第二神经网络卷积部分示意图。

图4是本发明方法中第二神经网络空间金字塔池化层的示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例公开了一种基于六轴惯性传感信号的人体动作检测与识别方法，步骤如下：

步骤s1、首先获取六轴惯性传感信号，然后针对上述获取的六轴惯性传感信号进行预处理；在本实施例中，由六轴惯性传感器以一定的采样频率采集人体动作时手腕部的六轴加速度，从而获取六轴惯性传感信号。

在本步骤中，六轴惯性传感信号进行预处理的具体过程如下：

步骤s11、对获取到的六轴惯性传感信号进行高斯滤波处理；

步骤s12、对步骤s11高斯滤波处理后的信号进行归一化处理；

步骤s13、在归一化处理后的三轴加速度传感信号和三轴角速度传感信号之间加入两行等长且均为零值的序列信号，作为六轴惯性传感信号的预处理结果。

步骤s2、生成一组预设的目标人体动作边界框，该组预设的目标人体动作边界框包括多个预设的目标人体动作边界框，并且各边界框同中心，针对六轴惯性传感信号预处理结果选择多个中心点，相邻中心点时间间隔相同，将该组预设的目标人体动作边界框的中心分别布置于六轴惯性传感信号预处理结果的各个中心点上；如图1所示，左侧为生成的一组预设的目标人体动作边界框，各边界框长度依次增加；右侧为该组预设的目标人体动作边界框中心布置于六轴惯性传感信号预处理结果其中一个中心点位置后的示意图，该组预设的目标人体动作边界框4个预设的目标人体动作边界框，4个预设的目标人体动作边界框对应时间区间从里到外依次增大，4个预设的目标人体动作边界框的中心点3为相同点。在本实施例中，在六轴惯性传感信号预处理结果中选择的第一个中心点为距离六轴惯性传感信号的零点时间间隔为t/2的点，其中t为第一神经网络输入的时间序列长度和输出的特征序列长度之比。在本实施例中，六轴惯性传感信号预处理结果中相邻两个中心点之间的时间间隔为t。

步骤s3、如图2所示，将六轴惯性传感信号预处理结果1输入到第一神经网络中，通过第一神经网络提取出六轴惯性传感信号对应各预设的目标人体动作边界框中的特征值5，根据上述所提取到的六轴惯性传感信号对应各预设的目标人体动作边界框中的特征值5，第一神经网络的双子全连接卷积部分6输出布置于六轴惯性传感信号预处理结果上的各预设的目标人体动作边界框含有目标人体动作的概率以及边界框的偏移参数；

步骤s4、根据步骤s3获取到的预设的目标人体动作边界框含有目标人体动作的概率，确定出六轴惯性传感信号的各目标人体动作的边界框，即确定出六轴惯性传感信号的各目标人体动作的时间区间；在本步骤中，当确定出六轴惯性传感信号的各目标人体动作的边界框后，还通过边界框的偏移参数针对六轴惯性传感信号的各目标人体动作的边界框进行修正；在得到修正后的六轴惯性传感信号的各目标人体动作的边界框后，结合对应的预设的目标人体动作边界框含有目标人体动作的概率，对修正后的六轴惯性传感信号的各目标人体动作的边界框进行非极大值抑制，确定出最终的各目标人体动作的边界框，即确定出最终的各目标人体动作的时间区间。

在本实施例中，修正后得到的六轴惯性传感信号的各目标人体动作的边界框区间为：

其中(x1,x2)是预设的边界框起点和终点，l是它的长度，(ctr，lh)是边界框的偏移参数，ctr为中心的相对偏移位置(右为正，左为负)，lh为长度的缩放参数。

步骤s5、如图3所示，将六轴惯性传感信号预处理结果1输入到第二神经网络中，通过第二神经网络卷积部分7输出整个六轴惯性传感信号的特征值8；

在本实施例中，第二神经网络由多层卷积层，多层池化层，空间金字塔池化层，全连接层和softmax层组成。

步骤s6、如图4所示，根据步骤s4确定出的六轴惯性传感信号的各目标人体动作的边界框10，通过第二神经网络的空间金字塔池化层从整个六轴惯性传感信号的特征值8中提取出各目标人体动作的边界框对应的特征值9，然后通过第二神经网络的全连接层和softmax层对上述提取的各目标人体动作的边界框对应的特征值进行动作的识别，得到各目标人体动作的边界框中目标人体的动作，即得到六轴惯性传感信号的各目标人体动作的时间区间内目标人体的动作识别结果。

在本实施例中第一神经网络通过六轴惯性传感信号的数据库训练得到，其中数据库中的各训练样本为标注好各目标人体动作的时间区间的六轴惯性传感信号；具体训练过程如下：

步骤s71、生成一组预设的目标人体动作边界框，该组预设的目标人体动作边界框包括多个预设的目标人体动作边界框，并且各边界框同中心，针对训练样本预处理结果选择多个中心点，相邻中心点时间间隔相同，将该组预设的目标人体动作边界框的中心分别布置于六轴惯性传感信号预处理结果的各个中心点上；其中步骤s2中生成的一组预设的目标人体动作边界框和本步骤s71中生成的该组预设的目标人体动作边界框是相同的，在本实施例中，用聚类的方式得到几个数据库中所有标注好各目标人体动作的时间区间的长度核心，把它们作为该组预设边界框的长度。

步骤s72、将训练样本处理结果输入到待训练的第一神经网络中，通过待训练的第一神经网络提取出训练样本对应各预设的目标人体动作边界框中的特征值，根据上述所提取到的训练样本对应各预设的目标人体动作边界框中的特征值，待训练的第一神经网络输出各预设的目标人体动作边界框含有目标人体动作的概率和边界框的偏移参数。

步骤s73、根据训练样本标注好的各目标人体动作的时间区间，计算出各预设的目标人体动作边界框含有目标人体动作的实际概率和实际偏移参数；在本实施例中，计算出各预设的目标人体动作边界框含有目标人体动作的实际概率和实际偏移参数的具体过程如下：

针对于每个预设的目标人体动作边界框，分别计算该预设的目标人体动作边界框与标注好的各目标人体动作的时间区间的交并比，然后从中选择最大的交并比，判断该交并比是否大于阈值，若是，则预设的目标人体动作边界框含有目标人体动作的实际概率为1，否则为0；在本实施例中，上述阈值为0.5。

针对于含有目标人体动作的实际概率为0的预设的目标人体动作边界框忽略偏移参数的计算；针对于含有目标人体动作的实际概率为1的预设的目标人体动作边界框，获取与其交并比最大的标注好的目标人体动作的时间区间，然后计算两者中心的相对偏移位置以及长度缩放差数，作为预设的目标人体动作边界框的实际偏移参数：

lh^*＝log(l^gt/l)；

其中ctr^*为预设的目标人体动作边界和与其交并比最大的标注好的目标人体动作的时间区间两者中心的相对偏移位置，lh^*为预设的目标人体动作边界和与其交并比最大的标注好的目标人体动作的时间区间两者的长度缩放参数；是与预设的目标人体动作边界之间交并比最大的标注好的目标人体动作的时间区间起点和终端，l^gt是与预设的目标人体动作边界之间交并比最大的标注好的目标人体动作的时间区间的长度。

步骤s74、将步骤s72中得到的待训练的第一神经网络输出的各预设的目标人体动作边界框含有目标人体动作的概率和偏移参数和步骤s73得到的各预设的目标人体动作边界框的实际概率和实际偏移参数输入到损失函数中，计算损失值，并用随机梯度下降法反向传播损失值，更新第一神经网络参数，得到更新后的第一神经网络参数，用更新后的第一神经网络参数替换待训练的第一神经网络参数；重复步骤s71-s74，直到训练完成；

上述步骤s74中所采用的损失函数为：

i表示的预设的目标动作边界框的索引号(总数为n)，pi和ri分别为步骤s72中得到的待训练的第一神经网络输出的第i个预设的目标人体动作边界框含有目标人体动作的概率和偏移参数，和为第i个预设的目标人体动作边界框的实际概率和实际偏移参数，nreg是实际概率为1的预设的目标人体动作边界框的总数，λ是一个为了平衡lcls和lreg的参数，lcls为交叉熵函数，lreg为：

在本实施例中，第一神经网络由多层卷积层和多层池化层组成，第一神经网络根据六轴惯性传感信号的预处理结果中的相关信息和时间信息进行建模，其中，相关信息包括各加速度间的相关性，时间信息包括六轴惯性传感信号中的时间信息，因为卷积层和池化层具有平移不变性，所以最后用两个双子全连接卷积层把提取的特征变形为概率序列和偏移参数序列，序列中每个点对应一个预设的目标的人体动作边界框，确定了每个预设的目标人体动作边界框含有目标人体动作的概率和偏移参数，同时给第一神经网络的输出赋予位置信息。

在本实施例中，如图2所示，第一神经网络的双子全连接卷积层输出两个大小均为(1，1，125，k*2)的张量11和张量12，其中125对应了置于六轴惯性传感信号预处理结果中预设的目标人体动作边界框的总组数，和六轴惯性传感信号预处理结果中中心点个数相同；而k则是对应每组预设的目标人体动作边界框中含有的k个目标人体动作边界框。所有每个预设的目标人体动作边界框可以从输出的张量的对应位置得到对应的两个概率值和两个偏移参数，即第a组预设的目标动作边界框中的第b个预设的目标动作边界框从分别从张量11和张量12的(1，1，a，2*b-1)和(1，1，a，2*b)得到两组参数，前者为两个概率值，后者为两个偏移参数。两个概率值分别代表了目标人体动作边界框是前景的概率(是目标框的概率)和是目标人体动作边界框背景的概率(非目标框的概率)。两个偏移值分别是目标人体动作边界框的中心的相对偏移位置和目标人体动作边界框长度的缩放参数。

在本实施例中，第二神经网络通过六轴惯性传感信号的数据库和第一神经网络训练得到，其中数据库中各训练样本各目标人体动作的时间区间中目标人体动作为标注好的；具体训练过程如下：

步骤s75、将训练样本预处理后输入到第一神经网络中，通过第一神经网络提取训练样本对应各预设的目标人体动作边界框中的特征值，根据上述所提取到的训练样本对应各预设的目标人体动作边界框中的特征值，第一神经网络输出布置于训练样本预处理结果上的各预设的目标人体动作边界框含有目标人体动作的概率；根据预设的目标人体动作边界框含有目标人体动作的概率，确定出训练样本的各目标人体动作的边界框，即确定出训练样本的各目标人体动作的时间区间；

步骤s76、将训练样本预处理后输入到待训练的第二神经网络中，通过第二神经网络卷积部分输出训练样本的特征值；

步骤s77、根据上述第一神经网络获得的训练样本的各目标人体动作的时间区间和数据库中标注好的训练样本各目标人体动作的时间区间，待训练的第二个神经网络的空间金字塔池化层从卷积部分输出训练样本的特征值提取出训练样本各目标人体动作的时间区间对应的特征值；然后以训练样本各目标人体动作的时间区间对应的特征值为全连接层和softmax层的输入，得到一个将训练样本各目标人体动作的时间区间判定为各个动作的概率向量，并用训练样本各目标人体动作的时间区间标注好的目标人体动作计算上述对应概率向量的交叉熵，作为损失值，用随机梯度下降法反向传播损失值，更新待训练的第二神经网络参数，得到更新后的待训练的第二神经网络参数，用更新后的待训练的第二神经网络参数替换待训练的第二神经网络参数；重复步骤s75-s77，直到训练完成。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。