一种基于无监督神经网络LBRI的动作识别方法及系统

技术特征：
1.一种基于无监督神经网络lbri的动作识别方法，其特征在于，包括如下步骤：s1：获取动作信息，并提取特征值；s2：将特征值通过特征总线fb传输至lbri模型，所述特征值为随时间输入的特征值序列tsq，将特征值序列tsq归类为排列类atar；s3：lbri模型记忆新的排列类atar，识别旧的排列类atar，解决动作识别的问题。2.如权利要求1所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，所述lbri模型会记住若干排列类atar，当向lbri模型输入已经记住的排列类atar时，lbri模型将其识别；当向lbri模型输入新的的排列类atar时，lbri模型将其进行记忆。3.如权利要求1所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，通过感受器-大脑模型rb中的感受器receptor从外界接收刺激，并将其提取出特征值。4.如权利要求3所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，所述感受器receptor包括去除全连接层的cnn。5.如权利要求1所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，所述lbri模型包括长短期记忆网络框架lstmf模块、生物本能神经网络训练模块、循环联想神经网络rann模块和可解释序列脉冲神经网络isnn模块。6.如权利要求5所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，所述长短期记忆网络框架lstmf模块包括短期记忆子模块、长期记忆子模块和生物本能子模块，其中，所述短期记忆子模块用以对传入的特征值按照时间顺序进行处理及无条件记录；所述长期记忆子模块用以对传入的特征值进行推理；所述生物本能子模块用以识别重复出现的、规律性的特征值序列，并生成新的长期记忆。7.如权利要求5所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，所述生物本能神经网络训练模块包括rdtc生物本能子模块和lgen生物本能子模块，所述rdtc生物本能子模块用以定期对短期记忆进行检索并判断其中的序列是否是有重复出现的规律性片段，将其进行分类并指出；所述lgen生物本能子模块用以生成长期记忆，若rdtc检测到有重复出现的规律性片段则根据此些片段生成新的长期记忆。8.如权利要求5所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，所述循环联想神经网络rann模块包括微分循环神经网络drnn子模块、对象记忆子模块和序列记忆子模块，所述微分循环神经网络drnn子模块用以求出特征值变化的趋势；所述对象记忆子模块用以对特征值的记忆以类划分；所述序列记忆子模块用以模拟生物短期记忆记住最新的，忘记最旧的的特性。9.如权利要求5所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，所述可解释序列脉冲神经网络isnn模块包括推理igear子模块和非脉冲神经元filter子模块，所述推理igear子模块用以模拟排列类atar；所述非脉冲神经元filter子模块用以接收特征值总线fbr的输入，并输出至推理igear子模块。10.一种基于无监督神经网络lbri的动作识别系统，用以实现权利要求1~9任意一项所述的一种基于无监督神经网络lbri的动作识别方法，其特征在于，包括lbri模型，所述lbri模型用以解决动作识别的问题。

技术总结
本发明公开了一种基于无监督神经网络LBRI的动作识别方法及系统，该方法包括如下步骤：S1：获取动作信息，并提取特征值；S2：将特征值通过特征总线FB传输至LBRI模型，所述特征值为随时间输入的特征值序列TSQ，将特征值序列TSQ归类为排列类ATar；S3：LBRI模型记忆新的排列类ATar，识别旧的排列类ATar，解决动作识别的问题。本发明相较于现有技术，在动作识别方面，更仿生、更节约存储空间，并且识别效率更高。高。高。


技术研发人员：白一川 惠一航 李国良
受保护的技术使用者：天津大学四川创新研究院
技术研发日：2022.11.03
技术公布日：2023/2/6