一种实现步态预测的ST-GRU忆阻神经网络电路及训练方法技术

本发明专利技术公开了一种实现步态预测的ST

【技术实现步骤摘要】
一种实现步态预测的ST
‑
GRU忆阻神经网络电路及训练方法


[0001]本专利技术涉及神经网络电路领域，尤其涉及一种实现步态预测的ST
‑
GRU忆阻神经网络电路及训练方法。

技术介绍

[0002]近年来，人工智能的关注度如此之高很大程度上是由于深度神经网络的进步。深度神经网络有多种结构，循环神经网络(RNN)就是其中的一个重要结构。循环神经网络有多种改进版本，较为常用的有长短时记忆(LSTM)和门可控循环单元(GRU)等，这些版本可以有效的改善了RNN中的梯度消失以及梯度爆炸问题；但由于单向循环神经网络具有滞后性，所以在处理预测问题时效果不是很理想。
[0003]忆阻器是一种具有高挥发性、高密度、低功耗、与CMOS器件兼容等优点的纳米级器件，高度适用于硬件神经网络，因此基于忆阻器的硬件神经网络受到研究者的广泛关注。如图1所示，是现有技术中基于AIST的阈值型忆阻器的单个GRUCell电路模块，对于GRU网络后接入的全连接层的输出函数softmax，由于存在指数运算，如果使用运放搭建，必然需要提供较大的供电电压，不符合此神经网络电路设计节能高效的初衷。softmax函数主要是执行M个输出归一化，并比较大小的操作，所以可以使用集成度较高的竞争神经网络电路(winner take all电路)。图1中使用的是基于AIST的阈值型忆阻器，此神经网络电路将单元集合在一条纵线上，提高了集成度的同时，又因为电导调整电路的特性，并不会产生电导信息间的互扰问题。
[0004]现有GRU虽然有硬件实现的方案，但缺乏落地的有效硬件神经网络算法，难以完成实际的项目，而现有的步态预测多采用软件层面的深度学习算法，往往过分的强调了时序上的特征，会忽略掉一些空间上的特征，并且软件运行会耗费巨大的算力资源。
[0005]有鉴于此，特提出本专利技术。

技术实现思路

[0006]本专利技术的目的是提供了一种实现步态预测的ST
‑
GRU忆阻神经网络电路及训练方法，以解决现有技术中存在的上述技术问题。本专利技术针对现有GRU硬件电路在时序预测方面存在的不足进行改进，解决了现有GRU硬件电路无法在多层动态时序预测对目标进行训练的问题，实现了多个维度的序列预测并将其用于时序的步长预测问题，具有较高的准确率和较好的计算效率，无需耗费大量的软件算力资源。
[0007]本专利技术的目的是通过以下技术方案实现的：
[0008]一种实现步态预测的ST
‑
GRU忆阻神经网络电路，包括：用于处理时间序列的GRU单元电路、用于处理空间序列的GRU单元电路和全连接层电路；
[0009]时间序列中的每个时刻各对应一个空间序列；
[0010]所述用于处理时间序列的GRU单元电路对时间序列中各时刻的时间特征脉冲电压信号进行处理，而所述用于处理空间序列的GRU单元电路对每个时刻对应的空间序列的特
征脉冲电压信号进行处理；
[0011]对于时间序列中每个时刻的时间特征脉冲电压信号，在所述用于处理时间序列的GRU单元电路对时间序列中一个时刻的时间特征脉冲电压信号进行处理后，获取所述用于处理时间序列的GRU单元电路的输出结果作为空间特征脉冲电压信号，并将该空间特征脉冲电压信号输入到所述用于处理空间序列的GRU单元电路用于对该时刻对应的空间序列的特征脉冲电压信号进行处理；当所述用于处理空间序列的GRU单元电路将该时刻对应的空间序列的所有特征脉冲电压信号均处理完成后，所述用于处理空间序列的GRU单元电路的输出结果输入到所述全连接层电路。
[0012]优选地，所述用于处理时间序列的GRU单元电路主要采用忆阻器阵列构成；所述用于处理空间序列的GRU单元电路主要采用忆阻器阵列构成。
[0013]上述的实现步态预测的ST
‑
GRU忆阻神经网络电路的训练方法，包括以下步骤：
[0014]步骤1、从训练用行人行走视频中截取一段3秒的视频，并从这段3秒的视频中逐帧抽取30张128
×
128的图片，然后对这些图片进行模糊处理，用傅里叶变换抽取图片中边缘进行描点，每张图片取下半身的50个锚点作为特征向量，30张图片共取1500个锚点，均分为30组，按30个时间步长进行处理，每个时间步长各处理1组锚点；
[0015]步骤2、将每组锚点转换为矩阵的形式，并按照时间顺序依次高斯编码，然后将时间序列中每个时刻的时间特征脉冲电压信号输入到所述ST
‑
GRU忆阻神经网络电路的用于处理时间序列的GRU单元电路中，并将每个时刻对应的空间序列的特征脉冲电压信号输入到所述ST
‑
GRU忆阻神经网络电路的用于处理空间序列的GRU单元电路中；
[0016]对于时间序列中每个时刻的时间特征脉冲电压信号，在所述用于处理时间序列的GRU单元电路对时间序列中一个时刻的时间特征脉冲电压信号进行处理后，获取所述用于处理时间序列的GRU单元电路的输出结果作为空间特征脉冲电压信号，并将该空间特征脉冲电压信号输入到所述用于处理空间序列的GRU单元电路用于对该时刻对应的空间序列的特征脉冲电压信号进行处理；当所述用于处理空间序列的GRU单元电路将该时刻对应的空间序列的所有特征脉冲电压信号均处理完成后，根据所述用于处理空间序列的GRU单元电路的输出结果更新所述用于处理时间序列的GRU单元电路的权重和所述用于处理空间序列的GRU单元电路的权重，并将所述用于处理空间序列的GRU单元电路的输出结果输入到所述全连接层电路；
[0017]步骤3、重复上述步骤1和步骤2，运行60个epoch，即完成所述ST
‑
GRU忆阻神经网络电路的训练。
[0018]上述的实现步态预测的ST
‑
GRU忆阻神经网络电路的使用方法，包括：从待预测行人行走视频中截取一段3秒的视频，并从这段3秒的视频中逐帧抽取30张128
×
128的图片，然后对这些图片进行模糊处理，用傅里叶变换抽取图片中边缘进行描点，每张图片取下半身的50个锚点作为特征向量，30张图片共取1500个锚点，均分为30组，按30个时间步长进行处理，每个时间步长各处理1组锚点；将每组锚点转换为矩阵的形式，并按照时间顺序依次高斯编码，输入到训练完成的所述实现步态预测的ST
‑
GRU忆阻神经网络电路进行处理，从而得出预测后步态。
[0019]一种实现步态预测的ST
‑
GRU忆阻神经网络电路系统，采用上述的实现步态预测的ST
‑
GRU忆阻神经网络电路，并按照上述的实现步态预测的ST
‑
GRU忆阻神经网络电路的训练
方法进行训练。
[0020]与现有技术相比，本专利技术将现有GRU硬件电路改成了ST
‑
GRU电路，设置了一个用于处理时间序列的GRU单元电路和一个用于处理空间序列的GRU单元电路，并获取用于处理时间序列的GRU单元电路的输出结果作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实现步态预测的ST
‑
GRU忆阻神经网络电路，其特征在于，包括：用于处理时间序列的GRU单元电路、用于处理空间序列的GRU单元电路和全连接层电路；时间序列中的每个时刻各对应一个空间序列；所述用于处理时间序列的GRU单元电路对时间序列中各时刻的时间特征脉冲电压信号进行处理，而所述用于处理空间序列的GRU单元电路对每个时刻对应的空间序列的特征脉冲电压信号进行处理；对于时间序列中每个时刻的时间特征脉冲电压信号，在所述用于处理时间序列的GRU单元电路对时间序列中一个时刻的时间特征脉冲电压信号进行处理后，获取所述用于处理时间序列的GRU单元电路的输出结果作为空间特征脉冲电压信号，并将该空间特征脉冲电压信号输入到所述用于处理空间序列的GRU单元电路用于对该时刻对应的空间序列的特征脉冲电压信号进行处理；当所述用于处理空间序列的GRU单元电路将该时刻对应的空间序列的所有特征脉冲电压信号均处理完成后，所述用于处理空间序列的GRU单元电路的输出结果输入到所述全连接层电路。2.根据权利要求1所述的实现步态预测的ST
‑
GRU忆阻神经网络电路，其特征在于，所述用于处理时间序列的GRU单元电路主要采用忆阻器阵列构成；所述用于处理空间序列的GRU单元电路主要采用忆阻器阵列构成。3.上述权利要求1至2中任一项所述的实现步态预测的ST
‑
GRU忆阻神经网络电路的训练方法，其特征在于，包括以下步骤：步骤1、从训练用行人行走视频中截取一段3秒的视频，并从这段3秒的视频中逐帧抽取30张128
×
128的图片，然后对这些图片进行模糊处理，用傅里叶变换抽取图片中边缘进行描点，每张图片取下半身的50个锚点作为特征向量，30张图片共取1500个锚点，均分为30组，按30个时间步长进行处理，每个时间步长各处理1组锚点；步骤2、将每组锚点转换为矩阵的形式，并按照时间顺序依次高斯编码，然后将时间序列中每个时刻的时间特征脉冲电压信号输入到所述ST
‑
GRU忆阻神经网络电路的用于处理时间序列的GRU单元电路中，并将每个时刻对应的空间序列的特征脉冲电压信号输...

【专利技术属性】
技术研发人员：吴祖恒，冯哲，王旭，代月花，
申请(专利权)人：安徽大学，
类型：发明
国别省市：