一种士兵行为分析与深度学习优化方法及系统与流程

本发明涉及行为智能分析领域，尤其涉及一种士兵行为分析与深度学习优化方法及系统。

背景技术：

1、本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本技术的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。

2、传统的士兵行为分析方法主要建立在教练员人工辨别和传统的图像识别基础上，缺乏ar交互辅助功能和深度学习能力的支撑，从而在复杂多变的实际战场环境或战场模拟环境中难以及时识别士兵行为，辅助士兵的指挥和训练。

3、现有的ar辅助士兵系统缺乏对士兵行为骨架模型的识别及其深度学习和优化。当用视频或图像测试传统的士兵行为分析方法时，传统方法暴露了严重的缺陷。首先，传统的士兵行为分析方法需要很多人以非常缓慢的方式来完成这项任务。其次，传统的士兵行为分析方法由于工作人员众多，成本高昂。最后，传统的士兵行为分析方法不够智能，也不够准确。

4、而现有ar技术主要辅助士兵模拟训练环境和识别目标，对士兵行为骨架模型的识别较少，而对士兵行为骨架模型的深度学习及其优化更少，因此，现急需要一种方法，结合ar技术辅助士兵模拟训练环境和识别目标。

技术实现思路

1、为解决上述技术问题，本发明的目的是提供一种士兵行为分析与深度学习优化方法及系统。

2、为解决上述技术问题，第一方面，根据一些实施例，本发明提供了一种士兵行为分析与深度学习优化方法，

3、建立士兵行为分析的resnet网络模型，并设置所述士兵各行为分析的权重参数；

4、构建所述士兵各行为分析的ar骨架模型，不同行为对应表示为不同的骨架线条图形；

5、构建所述士兵行为分析的深度学习tensorflow框架模型，并设置tensorflow框架模型的士兵行为深度学习参数；

6、将所述权重参数和所述士兵行为深度学习参数作为运算对象，利用粒子群优化算法对所述运算对象进行迭代优化运算，得出最优或次优的参数序列；

7、根据所述最优或次优的参数序列调控所述士兵行为分析的resnet网络模型和所述tensorflow框架模型。

8、在一些实施例中，所述士兵行为分析的深度学习tensorflow框架模型，还增加有战场图像识别的模型w(p,g,d,b)和残疾的概率判断模型c(p)，所述士兵行为分析的深度学习tensorflow框架模型表示如下：

9、dl(p)＝k(p)+w(p,g,d,b)+c(p)

10、其中，p表示士兵行为的特征向量，g表示枪支的图像相关性特征向量，d表示炮弹的图像相关性特征向量，b表示血的图像相关性特征向量，c表示士兵人体残缺部分的特征。

11、在一些实施例中，所述士兵各行为分析的权重参数，包括：站立行为的权重参数、蹲下行为的权重参数、俯卧行为的权重参数、行走行为的权重参数、跑步行为的权重参数、跳跃行为的权重参数、格斗行为的权重参数、射击行为的权重参数、急救行为的权重参数中至少任意一种。

12、在一些实施例中，所述tensorflow框架模型的士兵行为深度学习参数，包括：士兵行为深度学习的glorot参数、士兵行为深度学习的kaiming参数、士兵行为深度学习的lecun参数中至少任意一种。

13、在一些实施例中，所述迭代优化运算，用于优化所述士兵行为分析的权重参数、所述tensorflow框架模型的士兵行为深度学习参数、传感器数据监听参数、故障报警参数中的至少任意一种。

14、在一些实施例中，所述利用粒子群优化算法对所述运算对象进行迭代优化运算，得出最优或次优的参数序列，具体包括：

15、粒子速度更新算子操作；

16、粒子位置更新算子操作；

17、根据所述士兵行为，分析适应度函数值的计算操作；

18、根据所述适应度函数值优化选择算子操作；

19、根据所述优化的参数序列分析士兵行为的操作。

20、第二方面，本发明实施例，还提供一种士兵行为分析与深度学习优化系统，其特征在于，包括：

21、士兵行为分析的resnet网络模型构建模块，用于建立士兵行为分析的resnet网络模型，设置士兵各行为分析的权重参数；

22、士兵各行为分析的ar骨架模型构建模块，用于构建士兵各行为分析的ar骨架模型，用不同的骨架线条图形表示不同的士兵行为；

23、士兵行为分析的深度学习tensorflow框架模型构建模块，用于构建士兵行为分析的深度学习tensorflow框架模型，设置tensorflow框架模型的士兵行为深度学习参数；

24、士兵行为分析深度学习的粒子群优化模块，用于将所述权重参数和士兵行为深度学习参数作为运算对象，利用粒子群优化算法对所述运算对象进行迭代优化运算，得出最优或次优的参数序列；

25、调控模块，用于根据所述最优或次优的参数序列调控所述士兵行为分析的resnet网络和tensorflow框架。

26、在一些实施例中，所述士兵行为分析的深度学习tensorflow框架模型，还增加有战场图像识别的模型w(p,g,d,b)和残疾的概率判断模型c(p)，所述士兵行为分析的深度学习tensorflow框架模型表示如下：

27、dl(p)＝k(p)+w(p,g,d,b)+c(p)

28、其中，p表示士兵行为的特征向量，g表示枪支的图像相关性特征向量，d表示炮弹的图像相关性特征向量，b表示血的图像相关性特征向量，c表示士兵人体残缺部分的特征。

29、在一些实施例中，所述士兵行为分析的权重参数设置模块，包括：

30、站立行为的权重参数设置单元，用于设置站立行为的权重参数；

31、蹲下行为的权重参数设置单元，用于设置蹲下行为的权重参数；

32、俯卧行为的权重参数设置单元，用于设置俯卧行为的权重参数；

33、行走行为的权重参数设置单元，用于设置行走行为的权重参数；

34、跑步行为的权重参数设置单元，用于设置跑步行为的权重参数；

35、跳跃行为的权重参数设置单元，用于设置跳跃行为的权重参数；

36、格斗行为的权重参数设置单元，用于设置格斗行为的权重参数；

37、射击行为的权重参数设置单元，用于设置射击行为的权重参数；

38、急救行为的权重参数设置单元，用于设置急救行为的权重参数。

39、在一些实施例中，所述tensorflow框架模型的士兵行为深度学习参数设置模块包括：

40、士兵行为深度学习的glorot参数设置单元，用于设置士兵行为深度学习的glorot参数；

41、士兵行为深度学习的kaiming参数设置单元，用于设置士兵行为深度学习的kaiming参数；

42、士兵行为深度学习的lecun参数设置单元，用于设置士兵行为深度学习的lecun参数。

43、在一些实施例中，所述士兵行为分析深度学习的粒子群优化模块，包括：

44、粒子速度更新算子单元，用于执行粒子速度更新算子操作；

45、粒子位置更新算子单元，用于执行粒子位置更新算子操作；

46、士兵行为分析适应度函数值的计算单元，用于执行适应度函数计算操作；

47、优化选择算子单元，用于执行优化选择算子操作。

48、第三方面，本发明实施例，还提供一种终端，包括存储器、显示器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面任一项所述方法的步骤。

49、第四方面，本发明实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述方法的步骤。

50、本发明的上述技术方案至少具有如下有益的技术效果：

51、上述实施例的技术方案，可以构建面向ar士兵行为骨架模型的深度学习网络，并用粒子群优化算法对ar士兵行为深度学习网络的参数进行优化，提高了ar士兵行为识别的交互能力、自适应学习能力和优化能力。且，本方法可以快速准确的确定最优或者次优ar士兵行为分析与深度学习优化配置方案，找到最优或者次优参数序列，使繁复的ar士兵行为分析与深度学习系统得以简单快速调控，大大节省人力和算力损耗，节约资源成本。

技术特征：

1.一种士兵行为分析与深度学习优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述士兵行为分析的深度学习tensorflow框架模型，还增加有战场图像识别的模型w(p,g,d,b)和残疾的概率判断模型c(p)，所述士兵行为分析的深度学习tensorflow框架模型表示如下：

3.根据权利要求1所述的方法，其特征在于，所述士兵各行为分析的权重参数，包括：站立行为的权重参数、蹲下行为的权重参数、俯卧行为的权重参数、行走行为的权重参数、跑步行为的权重参数、跳跃行为的权重参数、格斗行为的权重参数、射击行为的权重参数、急救行为的权重参数中至少任意一种。

4.根据权利要求1所述的方法，其特征在于，所述tensorflow框架模型的士兵行为深度学习参数，包括：士兵行为深度学习的glorot参数、士兵行为深度学习的kaiming参数、士兵行为深度学习的lecun参数中至少任意一种。

5.根据权利要求1所述的方法，其特征在于，所述迭代优化运算，用于优化所述士兵行为分析的权重参数、所述tensorflow框架模型的士兵行为深度学习参数、传感器数据监听参数、故障报警参数中的至少任意一种。

6.根据权利要求5所述的方法，其特征在于，所述利用粒子群优化算法对所述运算对象进行迭代优化运算，得出最优或次优的参数序列，具体包括：

7.一种士兵行为分析与深度学习优化系统，其特征在于，包括：

8.根据权利要求7所述的系统，其特征在于，所述士兵行为分析的深度学习tensorflow框架模型，还增加有战场图像识别的模型w(p,g,d,b)和残疾的概率判断模型c(p)，所述士兵行为分析的深度学习tensorflow框架模型表示如下：

9.根据权利要求7所述的系统，其特征在于，所述士兵行为分析的权重参数设置模块，包括：

10.根据权利要求7所述的系统，其特征在于，所述tensorflow框架模型的士兵行为深度学习参数设置模块包括：

11.根据权利要求7所述的系统，其特征在于，所述士兵行为分析深度学习的粒子群优化模块，包括：

12.一种终端，包括存储器、显示器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。

技术总结
本发明提出的一种士兵行为分析与深度学习优化方法及系统，涉及行为智能分析领域，解决了传统的士兵行为分析方法不够智能，也不够准确的问题，采用的方案是建立士兵行为分析的ResNet网络模型；构建士兵各行为分析的AR骨架模型；构建士兵行为分析的深度学习TensorFlow框架模型；将权重参数和士兵行为深度学习参数作为运算对象，利用粒子群优化算法对运算对象进行迭代优化运算，得出最优或次优的参数序列；根据最优或次优的参数序列调控士兵行为分析的网络模型和框架模型。本发明的方案，可以构建面向AR士兵行为骨架模型的深度学习网络，并用粒子群优化算法对士兵行为深度学习网络的参数进行优化，提高了士兵行为识别的交互能力、自适应学习能力和优化能力。

技术研发人员：王江,王寒凝,曾创展,蔡晨贾农,韩哲,王鑫,齐钰,耿丽萍
受保护的技术使用者：中国人民解放军61932部队
技术研发日：
技术公布日：2024/12/5