隨著互聯(lián)網(wǎng)的發(fā)展,用戶使用智能手機(jī)進(jìn)行訪問多種服務(wù)如通信,娛樂,社交網(wǎng)絡(luò),商業(yè),金融,旅游等等。智能手機(jī)不僅成為我們?nèi)粘Ｉ钪胁豢煞指畹囊徊糠?也存儲了多種敏感信息例如銀行詳細(xì)信息,個(gè)人或業(yè)務(wù)相關(guān)的電子郵件,圖片等,因此基于智能設(shè)備的身份認(rèn)證越來越成為了現(xiàn)今的研究熱點(diǎn)。對于需要互聯(lián)網(wǎng)身份認(rèn)證的智能設(shè)備,在其嵌入的內(nèi)嵌設(shè)備（例如可穿戴設(shè)備和智能傳感器）可以收集人類生物特征并促進(jìn)身份驗(yàn)證。人體步態(tài)可被這些設(shè)備可收集,并且根據(jù)這些標(biāo)識可做到對用戶身份的辨別及認(rèn)證。而使用步態(tài)數(shù)據(jù)擁有其他生物特征不存在的優(yōu)點(diǎn):進(jìn)行認(rèn)證用戶的過程中可以不用主動輸入口令,并可做到連續(xù)被動認(rèn)證,具有較大意義。但同時(shí)也面對許多的挑戰(zhàn)與需要解決的問題。如何針對步態(tài)數(shù)據(jù)進(jìn)行用戶的身份認(rèn)證,保證安全且高效,這份工作需要長時(shí)間的匹配搜索,同時(shí)也受到了準(zhǔn)確性的挑戰(zhàn)。而且使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型處理步態(tài)身份不能做到拒絕未知用戶。針對上述問題本文提出了一種基于神經(jīng)網(wǎng)絡(luò)和極限分析的步態(tài)模糊身份認(rèn)證模型。主要貢獻(xiàn)如下:1.本研究提出的一種融合神經(jīng)網(wǎng)絡(luò),在循環(huán)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了改進(jìn),可適應(yīng)多傳感器的融合,做到了可共享網(wǎng)絡(luò)的權(quán)重。在網(wǎng)絡(luò)中保留了... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

學(xué)習(xí)過程

電子科技大學(xué)碩士學(xué)位論文102.2.1.神經(jīng)元機(jī)理神經(jīng)網(wǎng)絡(luò)是一個(gè)由大量處理單元組成的網(wǎng)絡(luò)，它們通過廣泛的互相連接來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。而這些處理單元它稱作神經(jīng)元。神經(jīng)元類似于人腦細(xì)胞中的神經(jīng)細(xì)胞。神經(jīng)細(xì)胞之間相互刺激傳遞信息，網(wǎng)絡(luò)就是模擬了人腦的神經(jīng)細(xì)胞的處理功能，將各個(gè)細(xì)胞節(jié)點(diǎn)之間的信息進(jìn)行傳遞，神經(jīng)網(wǎng)絡(luò)可以看作是以神經(jīng)元為節(jié)點(diǎn)，用有向加權(quán)連接起來的有向圖。在此有向圖中，神經(jīng)元之間通過軸突對神經(jīng)細(xì)胞的刺激進(jìn)行傳遞信息和連接，就像有向加權(quán)圖之間經(jīng)過權(quán)重將每個(gè)帶有權(quán)值的邊進(jìn)行連接在一起，通過一定的權(quán)值將節(jié)點(diǎn)進(jìn)行連接。神經(jīng)網(wǎng)絡(luò)從兩個(gè)方面模擬大腦：一是神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)知識來獲取經(jīng)驗(yàn)，進(jìn)行對知識的理解，第二個(gè)是網(wǎng)絡(luò)之間進(jìn)行存儲經(jīng)驗(yàn)知識，這一部分模擬內(nèi)部神經(jīng)元之間的連接強(qiáng)度，稱為突觸權(quán)重。神經(jīng)網(wǎng)絡(luò)系統(tǒng)由能夠處理人類大腦不同部分之間信息傳遞的由大量神經(jīng)元連接形成的拓?fù)浣Y(jié)構(gòu)組成，這些大量樹木的神經(jīng)元和它們彼此之間的聯(lián)系給神經(jīng)網(wǎng)絡(luò)提供了依靠。人類的大腦接受輸入的信息的刺激，如圖2-2所示，人腦細(xì)胞中的神經(jīng)元由細(xì)胞核，樹突，軸突組成，樹突在人腦中用于接收刺激，軸突用于在樹突之間傳遞刺激，使得樹突之間傳遞信號。圖2-2神經(jīng)元細(xì)胞神經(jīng)網(wǎng)絡(luò)便是這樣的處理機(jī)制，并且由神經(jīng)元相互連接從而進(jìn)行非線性映射處理，可實(shí)現(xiàn)復(fù)雜的數(shù)據(jù)處理和推測任務(wù)。神經(jīng)元具體處理可如圖2-3所示。對于神經(jīng)元來說，模型的輸入來自數(shù)據(jù)中的自變量，比如來自其他處理單元（神經(jīng)元）i的信息為iX，也就是有向圖中的節(jié)點(diǎn)。它們與本處理節(jié)點(diǎn)的互相作用的連接權(quán)值為i,，即就是神經(jīng)元之間相互影響的結(jié)果，接收的輸入變量相當(dāng)于神經(jīng)元中的細(xì)

電子科技大學(xué)碩士學(xué)位論文22圖3-2加速度序列3.2.2.周期劃分步態(tài)周期用于簡化復(fù)雜步行模式的表示，如圖3-3所示一個(gè)步態(tài)周期由幾個(gè)部分組成，從一只腳的初始接觸地面開始，一直持續(xù)到另一個(gè)腳邁步到再次到達(dá)地面為止，可以定義為一個(gè)左步一個(gè)右步加過渡期，并且根據(jù)步態(tài)行走產(chǎn)生的高振幅峰值來進(jìn)行周期的劃分，具體流程如圖3-4所示。步態(tài)周期的劃分由尋找有效步態(tài)信號的、檢測z軸極大值極小值、查看時(shí)間間隔是否滿足序列、更新步態(tài)序列，這幾部分組成，最終提取有效的步態(tài)周期信號。下面將詳細(xì)介紹這幾個(gè)部分。第二步檢測步態(tài)信號的極大極小值，通過測量到的步態(tài)信號圖，可以觀察到隨著人體行走，加速度數(shù)據(jù)是隨著時(shí)間進(jìn)行變化的，類似于一個(gè)震蕩，每一段數(shù)


本文編號：3431618