基于迁移深度神经网络的人体行为微多普勒的分类识别方法

摘要

本发明公开了一种基于迁移深度神经网络的人体行为微多普勒的分类识别方法，利用ImageNet等大型开源自然图像数据库，对深度神经网络进行预训练，优化深度网络的网络权值，然后对不同行为的微多普勒谱进行监督学习，学习过程中冻结卷积网络的网络权值，仅对深度网络的全连接层进行训练，训练的代价函数为Softmax函数与自然图像和微多普勒频谱图的熵差之和，训练后的神经网络可用于对不同行为的微多普勒时频谱进行有效区分，从而实现人体行为的分类识别。本发明采用迁移学习对深度卷积网络的网络权值进行优化，可以有效降低深层神经网络对于训练数据集的要求，提高分类识别的性能。