技术领域
本发明涉及的是一种视频传感器调度领域中的方法，具体涉及一种 基于受限波尔兹曼机的路径点数据行为识别方法。
技术背景
小水电在农村社会经济发展、节能减排和应急救灾等方面发挥了重 要作用，并且随着水电站远程监控系统的研究和应用，逐步实现了“无 人值班、少人值守”。但是由于人为入侵、高危安全警戒不完善、视频 传感器网络随机部署数量不足等原因，无法做到无死角覆盖或者目标 K覆盖监控。一些小水电站安全隐患严重，事故时有发生，危及人民 群众的生命和财产安全。
由于无人值班存在的人为入侵隐患等问题，需要通过视频传感器对 入侵目标进行监控。对于小水电高危区域，其覆盖质量有一定的要求， 需要区域中每个目标点至少被K个目标同时覆盖，以保证随时监控目 标的行为并发出警报。但是由于视频传感器部署数量的限制，很难做 到对入侵目标的每个时刻都有至少K个目标同时覆盖。
对于传感器无法保证K覆盖的问题，有多种不同的解决方法。一 种方法是增加视频传感器的数量，这种方法可以从根本上解决传感器 部署问题，但该方法的实施成本很高且部分区域传感器部署困难无法 部署更多数量的传感器。为了适应覆盖需求，产生了另一种策略，通 过先对目标进行危险度判定，对于不同危险度的目标，使用不同数量 的传感器进行覆盖。而如何判别目标的危险程度则成为了问题的关键， 判定算法的好坏决定了监控区域内安全系数的高低，设计一种好的判 别算法具有意义。
发明内容
为了克服已有视频传感器路径点数据行为识别方式的准确性较低 的不足，本发明提供一种有效提高准确性的基于受限玻尔兹曼机的路 径点数据行为识别方法。
本发明解决其技术问题所采用的技术方案是：
一种基于受限玻尔兹曼机的路径点数据行为识别方法，所述识别 方法包括以下步骤：
(1)对一系列路径点数据进行预处理操作
对于一系列由目标随时序移动产生的路径点集合{xi|i＝1，2，3...}， 使用将其转化为方向向量，然后将方向向量标准化，即对于向量v(x，y) 使x2+y2＝1；
(2)初始化受限玻尔兹曼机神经网络
设神经网络层数为n，每层的神经元数量为N1,N2,N3…Nn，随机产 生[0，1]之间的随机数作为神经网络的连接权值；
(3)将数据输入受限玻尔兹曼机中进行预学习；
首先，训练由第一层和第二层构成的受限玻尔兹曼机网络，即节点 数量为N1的可视层，节点数量为N2的隐含层，使用RBM优化方法 (使用CD-K算法，具体可以参见 http://deeplearning.net/tutorial/rbm.html)优化网络权值，并在训练完成 后计算网络输出；
然后，使用第二层和第三层构成受限玻尔兹曼机网络，并使用以上 计算得到的网络输出作为该神经网络的输出，重复该过程训练除输出 层外的所有两层神经网络；
(4)将受限玻尔兹曼机的预学习权重作为多层神经网络权重，使 用BP算法进行微调；
(5)使用神经网络判断新的路径点数据
对新的目标路径点数据进行步骤(1)中的预处理，输入到神经网 络中判断，输出目标的行为识别结果。
进一步，所述步骤(4)中，将步骤(3)中所有两层网络合并成 一个多隐层的神经网络，并使用之前训练得到的权值作为这个新网络 的连接权值，使用BP算法微调网络权值，得到目标神经网络。
本发明的技术构思为：对于路径点数据行为识别来说，模型越复杂， 特征数量越多，单路径的判断计算量就越大，所需的时间就越多，传 感器能量消耗就越大。路径点数据的采样对于行为识别具有影响。由 于采样频率的关系，往往一条简单的数据路径由许多的路径点构成， 而路径数据点具有的地理位置相关等特性对于行为识别没有意义。
首先通过将数据输入到受限玻尔兹曼机中进行预学习，使网络能 够提取路径点数据的低维特征，然后使用受限玻尔兹曼机的权重作为 神经网络的权重，使用梯度下降法微调权值，直到算法收敛。最后将 新的路径点数据输入网络中判断路径的危险程度，输出行为识别结果。
本发明的有益效果主要表现在：以有效的对数据进行降维，去除 路径点数据中的脏数据和异常数据，能够将整条路径的有效特征提取 出来作为分类依据，从而提高路径点数据行为识别方法的准确性。
附图说明
图1是一种基于受限玻尔兹曼机的路径点数据行为识别方法的流 程图；
图2是基于本发明算法实现的视频传感器动态K覆盖监控系统的 结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于受限玻尔兹曼机的路径点数据行为识 别方法，所述识别方法包括以下步骤：
(1)对一系列路径点数据进行预处理操作
对于一系列由目标随时序移动产生的路径点集合{xi|i＝1，2，3...}， 使用将其转化为方向向量，然后将方向向量标准化，即对于向量v(x，y) 使x2+y2＝1；
(2)初始化受限玻尔兹曼机神经网络
设神经网络层数为n，每层的神经元数量为N1,N2,N3…Nn，随机产 生[0，1]之间的随机数作为神经网络的连接权值；
(3)将数据输入受限玻尔兹曼机中进行预学习；
首先，训练由第一层和第二层构成的受限玻尔兹曼机网络，即节点 数量为N1的可视层，节点数量为N2的隐含层，使用RBM优化方法 (使用CD-K算法，具体可以参见 http://deeplearning.net/tutorial/rbm.html)优化网络权值，并在训练完成 后计算网络输出；
然后，使用第二层和第三层构成受限玻尔兹曼机网络，并使用以上 计算得到的网络输出作为该神经网络的输出，重复该过程训练除输出 层外的所有两层神经网络；
(4)将受限玻尔兹曼机的预学习权重作为多层神经网络权重，使 用BP算法进行微调；
(5)使用神经网络判断新的路径点数据
对新的目标路径点数据进行步骤(1)中的预处理，输入到神经网 络中判断，输出目标的行为识别结果。
进一步，所述步骤(4)中，将步骤(3)中所有两层网络合并成 一个多隐层的神经网络，并使用之前训练得到的权值作为这个新网络 的连接权值，使用BP算法微调网络权值，得到目标神经网络。
本实施例的神经网络以4层为例进行说明，基于受限玻尔兹曼机 的路径点数据行为识别方法包括以下步骤：
(1)从数据库中获取n组路径点数据，每组数据包括600个数据 点。路径点集合为{xi|i＝1，2，3...}。
(2)使用后一个点减去前一个点的方式将数据转化为方向向量， 即。
(3)将方向向量标准化，即对于向量v(x，y)使x2+y2＝1。
(4)构造一个包含4个隐含层的神经网络，输入层的节点个数为 600，各隐含层的节点数量分别为，800,500,150,30，记为N。随机产 生[0，1]之间的随机数作为神经网络的连接权值。
(5)使用N的输入层和第一个隐层构建受限玻尔兹曼机神经网络， 即该网络的可视层节点数为600，隐含层节点数为800。使用RBM优 化算法优化网络权值。
(6)计算受限玻尔兹曼机网络输出，记为O1。
(7)使用N的第一个隐层和第二个隐层构建受限玻尔兹曼机神经 网络，即该网络可视层节点数为800，隐含层节点数为500，将O1作 为网络输入优化网络权值。
(8)计算受限玻尔兹曼机网络输出，记为O2。
(9)使用N的第二个隐层和第三个隐层构建受限玻尔兹曼机神经 网络，即该网络可视层节点数为500，隐含层节点数为150，将O2作 为网络输入优化网络权值。
(10)计算受限玻尔兹曼机网络输出，记为O3。
(11)使用N的第三个隐层和第四个隐层构建受限玻尔兹曼机神 经网络，即该网络可视层节点数为150，隐含层节点数为30，将O3 作为网络输入优化网络权值。
(12)使用BP算法微调神经网络N的权值，直至收敛。
(13)输入新的路径点数据，按照步骤(1)至(3)的方法初始化， 输入到神经网络中识别行为。
如图2所示，本发明还设计一种基于上述算法实现的视频传感器动 态K覆盖监控系统，该优化系统包括人机交互子系统和调度运算子系 统。
所述的调度运算子系统包括实时入侵数据处理模块和行为-覆盖质 量映射模块两部分。所述的实时入侵数据处理模块，用于处理来自数 据源的实时数据并根据区域划分和管理。所述的行为-覆盖映射模块， 用于计算路径点数据行为并将行为映射到具体的视频传感器覆盖数 量。
所述的人机交互子系统包括调度结果动态演示模块和调度优化结 果统计模块。所述的调度结果动态演示模块，用于动态演示监控范围 内所有视频传感器的位置、方向状态供操作员观察。所述的调度优化 结果统计模块，用于统计调度过程中的各种数据，如移动角度和，覆 盖质量等等。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并 非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本 领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应 落入本发明权利要求书确定的保护范围内。
