一种基于改进禁忌搜索优化BP神经网络的手势识别方法

本发明属于手势识别算法领域，具体涉及一种利用改进禁忌搜索优化后的bp神经网络识别手势的方法。

背景技术：

1、随着科技的飞速发展，人机交互已成为多项领域发展的新方向，手势识别作为人机交互的重要组成部分，在医疗器械、虚拟游戏、单兵作战等领域有着不可替代的作用。

2、目前国内外手势识别有两个方向：基于图像识别、基于传感器，基于图像识别多用摄像头获取图像，但这易受光照影响也易被遮挡，实时跟踪识别效果较差，所以并未被广泛使用。而基于传感器的手势识别控制就无这些限制，近年来国内外研究员大多使用肌电传感器获取肌电信号识别手势，但是用肌电传感器识别手势的准确率并不很高，其原因是人体表皮肌电信号微弱，易受外界干扰，且算法处理杂乱的肌电信号困难，识别准确率较低。

3、目前在诸多领域上手势识别都有应用，多传感器的手势识别虽具有诸多优点，但却由于算法识别的准确率较低，从而限制了多传感器手势识别的发展。

技术实现思路

1、本发明的目的是为了提高多传感器手势识别的准确率，帮助bp神经网络摆脱易陷入局部极值等问题。

2、实现本发明目的的技术解决方案为：

3、s1、初始化神经网络参数，确定网络输入、输出参数以及禁忌搜索相关参数；

4、s2、按照随机生成的算子生成领域边界解；

5、s3、计算出领域内均方误差最小点；

6、s4、移动算子至最优点，继续生成领域，直到算子的均方误差为算子领域内最小值；

7、s5、将算子存入禁忌表，随机跳跃生成初始解，继续搜索局部极值点，直到禁忌表存满后或者循环到设定次数结束搜索；否则转至步骤2；

8、s6、将禁忌表中的局部极值点循环传递给bp神经网络训练模型；

9、s7、依次训练禁忌表中的局部极值，选出均方误差最小值点即全局最小值，储存误差最小值时bp神经网络的权重与阈值，得到手势识别的bp神经网络模型。

10、本发明与现有技术相比，其显著优点是：

11、(1)本发明的改进禁忌搜索优化bp神经网络算法，在禁忌搜索部分使用算子邻域的边界解，这不需要再设置算子领域的生成规则，也不需要在领域内做复杂的计算，算子领域只需要寻找局部最优点的大致位置，这即可解决领域结构不易确定问题，又可以减少计算量提高算法运行效率。

12、(2)本发明的改进禁忌搜索优化bp神经网络算法，在禁忌搜索部分使用的跳跃准则，即判断局部最优是否已经被禁忌，若已存入禁忌表，则按原先方向跳跃固定步数，若没被禁忌跳跃是则随机跳跃，该准则提高了禁忌搜索的全局搜索能力，可以遍历所有区域，提高了算法手势识别的准确率。

13、(3)本发明的改进禁忌搜索优化bp神经网络算法，在禁忌搜索部分选择扩大禁忌表，存放搜索到的所有局部最优，这不仅解决了禁忌搜索的局部搜索能力差问题，还为接下来bp算法的搜索创造了良好的条件，能确保取得最优点，提高手势识别的准确率。

技术特征：

1.一种基于改进禁忌搜索优化bp神经网络的手势识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于改进禁忌搜索优化bp神经网络的手势识别方法，其特征在于：

3.根据权利要求1所述的基于改进禁忌搜索优化bp神经网络的手势识别方法，其特征在于：s5具体过程为：

4.根据权利要求1所述的基于改进禁忌搜索优化bp神经网络的手势识别方法，其特征在于：最小值时bp神经网络的权重与阈值计算过程为：

技术总结
本发明公开了一种基于改进禁忌搜索优化BP神经网络的手势识别方法，包括S1初始化神经网络参数，确定网络输入、输出参数以及禁忌搜索相关参数；S2按照随机生成的算子生成领域边界解；S3计算出领域内均方误差最小点；S4移动算子至最优点，重新生成领域，直到算子的均方误差为算子领域内最小值；S5将算子存入禁忌表，随机跳跃生成初始解，继续搜索局部极值点，直到禁忌表存满后或者循环到设定次数结束搜索；否则转至步骤2；S6将禁忌表中的局部极值点循环传递给BP神经网络训练模型；S7计算各极值点的均方误差，得到最优手势识别网络模型。本发明能够摆脱局部极值问题，加快了算法的收敛速度，在手势识别准确率上有明显提升。

技术研发人员：李忠新,王胜东,吴志林
受保护的技术使用者：南京理工大学
技术研发日：
技术公布日：2024/1/13