收稿日期：２０２０⁃０１⁃１０；修回日期：２０２０⁃０３⁃１０
作者简介：胡春生（１９８２⁃），男，河南平顶山人，副教授，博士研究生，主要研究方向为信息化㊁机电一体化；王德（１９９４⁃），男（通信作者），辽宁阜新人，硕士研究生，主要研究方向为机电一体化㊁模式识别㊁数据挖掘（１２４３００７３９５＠ｑｑ．ｃｏｍ）；赵汇东（１９９４⁃），男，山西太原人，硕士研究生，主要研究方向为模式识别㊁数据挖掘． 胡春生，王㊀德†，赵汇东
（宁夏大学机械工程学院，银川７５０００１）
摘㊀要：随着智能传感器技术的发展，基于运动传感器的身份识别成为了研究热点之一㊂现有方法存在识别率低㊁实现 复杂㊁应用困难等问题，因此能够进一步优化识别方法并提高识别率具有重大意义㊂针对以上问题，提出了一种基于多
运动传感器采集腕部运动特征的身份识别方法㊂首先对测试体进行数据采集㊁数据筛选和预处理； 随后对采集到的五类特征数据进行特征值提取和数据权重分析，利用提取出的２５个运动特征值，构建人体步态特征数学模型；最后构建ＢＰ神经网络进行训练和匹配识别实验，从而实现对人物身份的精准辨别㊂结果表明，该方法可以快速地对固定体的身份进行识别，准确率可达９６．６６９％，进一步说明了该方法的可靠性，能够有效地用于安全认证等相关研究领域㊂关键词：智能传感器；运动特征值；ＢＰ神经网络；身份识别
０㊀引言
生物识别技术是利用生物传感器㊁计算机等高科技手段对人固有的生理特征和行为特征进行识别，以此实现鉴别人物身份的一种技术［１］㊂它有着防伪性能好㊁不易遗忘㊁伪造难度高等特点［２］，被广泛地应用于安全认证㊁警务侦探㊁医疗诊断㊁军事侦查等领域㊂
生物识别技术的关键是对人体的生物特征进行有效分析并分类［３］
㊂生物特征包括生理特征和行为特征㊂不同人的肤㊁指纹㊁虹膜㊁基因序列都具有着不同的特征，此类特征常称之为生理特征㊂生理特征具有较强的个体特，因此便于区分㊂举止㊁行走步幅㊁动作力度㊁运动姿态等因身体结构及年龄等因素而形成的后天性个体特征，常称之为行为特征㊂行为特征虽然较生理特征辨识度低，但依然存在着细微的区别㊂根据生物学研究表明，相同速度（１．２ｍ／ｓ）行走时，正常人体前后摆臂的频率和周期基本相同，但在摆臂幅度㊁腕部加速度以及角速度方面
具有较大差异［４］㊂因此这些细微可辨的步态差异，依然可以作为身份判断的准则㊂
早在２０００年，美国国防高级研究规划部署ＤＡＲＰＡ（ｄｅｆｅｎｓｅａｄ⁃ｖａｎｃｅｄｒｅｓｅａｒｃｈｐｒｏｊｅｃｔｓａｇｅｎｃｙ）资助ＨＩＤ（ｈｕｍａｎｉｄｅｎｔｉｆｉｃａｔｉｏｎａｔａｄｉｓｔａｎｃｅ）项目，希望利用人体运动特征的差异性，寻一种支持远距离人体步态识别的方法，进而运用到国防和民用等安全应用领域［５］㊂２００５年，Ａｉｌｉｓｔｏ等人提出了通过独立的加速度传感器采集人体行走数据并进行特征提取实现身份辨别的方法［６］，以此验证了基于步态特征的身份识别可行性㊂２００７年，华中师范大学刘蓉研究了一种基于可穿戴的三轴加速度传感器的识别方法［７］㊂直至２０１６年，文献［８ １０］在数据采集㊁样本分析㊁特征位置选取方面做出了不同的探索与贡献，使得针对步态特征的识别研究取得了一定的突破㊂
步态特征提取最早应用于心理学㊁医学㊁生物力学等领域［１１］㊂近些年在警务侦探㊁安全认证等领域的技术需求带动下逐渐兴起㊂早期的步态识别技术主要依靠定位标记识别技术和地面压力装置识别技术，但相关仪器和耗材成本较高，不利于大范围常规使用［１２］㊂近几年图像识别步态特征提取技术相对较为完善，识别精度优势较为突出［１３］，但同样存在测试仪器成本较高㊁缺乏大量技术人员，且识别工作量较大，算法流程复杂等不足之处㊂
针对上述现有方法中的成本高㊁识别算法复杂等问题，提出了一种基于ＩＭＵ智能传感器的ＢＰ神经
网络身份识别方法㊂首先通过对５０名测试者进行行走时腕部运动数据提取，获得包括加速度传感器㊁陀螺仪传感器㊁重力加速度传感器在内的五类加速度数值，根据此建立身份识别基础数据库；然后将测得的运动数据进行一系列的预处理，获得可用的２０００００组实时数据；之后通过人体运动的分析选取出恰当的特征值，建立２５维的人体运动特征值数学模型，并将瞬时数据转换为时域数据，确保数据的容错性和可靠性；最后在ＭＡＴＬＡＢ中构建ＢＰ神经网络，利用经过训练实验后的神经网络对随机选取的测试数据进行匹配辨别，分析出识别误差率，从而实现对人物身份的辨别㊂
１㊀数据的采集和处理
本文以智能手机内置的多运动传感器为数据采集设备，并将其固定捆绑于不同受测者腕部的相同位置，对其中的陀螺仪传感器㊁磁场传感器㊁加速度传感器㊁重力传感器和线性加速度传感器数据数据进行采集㊂手机中内置的传感器多以手机左下角的固定
感应点为原点［１４］，多运动传感器的坐标与腕部空间关系如图１所示㊂Ｘ㊁Ｙ和Ｚ轴分别沿原点延向手机右端㊁上端和垂直于手机屏幕平面㊂
１ １㊀数据采集
基于Ａｎｄｒｏｉｄ４．４版本以上的智能手机，设计了一款简单㊁便于数据提取的手机Ａｐｐ，界
面如图２所示㊂传感器的响应频率可达５０００Ｈｚ［１５］，为保证测试数据尽可能详细地描述人体运动，同时不增加过多后续的计算工作，程序运行时设定每０．０２ｓ读取一次传感器和数据，即数据采样频率为５０Ｈｚ，并将被测者的五类运动数据以ｔｘｔ格式文本文件记录㊂
所选的测试者身高在１６０ １８０ｃｍ㊁体重在４５ ８０ｋｇ㊁年龄在２０ ４０岁㊂在同等空气流动㊁地面摩擦㊁相似衣着和健康状态的条件下，通过１０组各１００ｓ（为排除测试初始阶段和结束阶段较为明显的姿态变形，给测试数据带来的影响，需进行一定的预处理，前后分别删减１０ｓ的数据，最终保留每组为８０ｓ）的自然行走测试，获得了５０组五类实时数据，共计２０００００条的瞬时数据记录，为后续工作保证了实验数据的充足性，使实验结果更为可靠，更具有参考价值
㊂
图１㊀手机内置传感器坐标系㊀㊀图２㊀数据提取Ａｐｐ界面
１ ２㊀运动数据分析
水隔离泵人体的行走运动是一个具有个人特性的周期性运动［１６］，依据身体结构㊁个人习惯㊁惯性规律做重复性动作㊂在行走测试过程中，测试者数据也呈现一定的周期性，如图３所示
㊂
图３㊀运动数据示例
由运动数据示例可知，不同的测试者红线所代表的传感器数据，步态动作周期大约在０．４ ０．６ｓ，在峰值点的数据高低不同，蓝线所代表的运动数据均值也存在着明显的可辨差异（见电子版）㊂由于这些可分辨的步态数据是整个身份识别算法的实验基础，所以身份识别过程的可靠性完全取决于整个数据采集和数据处理过程㊂这个处理过程主要包含数据获取㊁预处理㊁特征选取和特征值对比四个步骤［１７］，如图４所示㊂
图４㊀步态特征分析流程
二维液相谱１ ３㊀特征值的选取
选取正确合适的特征值，对基于人体步态特征相关的识别研究有着重要的意义［１８］㊂人的行走步态是一种生物特征，这些特征性在测试中会因人而异地体现在特征值数据上㊂对于周期性数据，常见的时域特征值主要有合向量㊁均值㊁峰值㊁方差㊁协方差㊁标准差等［１９］㊂
加速度的大小体现了手臂摆动的快慢在行走摆臂时，手臂姿态的不同，在Ｘ㊁Ｙ㊁Ｚ三个方向上加速度㊁角加速度会具有一定的个体差异，因此合加速度也会有所不同㊂加速度公式与合加速度公式为［２０］
ａ２ｘ（ｔ）（１）
Ａ＝ａ２ｘ（ｔ）＋ａ２ｙ（ｔ）＋ａ２ｚ（ｔ）（２）均值可以表示数据的集中趋势，人体步态变化的持续性强度可以通过均值来体现㊂在相同的测试条件下，加速度的不同，其运动加速度的均值也不同㊂均值Ｐ的计算公式为
Ｐ＝１ｎ（ｘ１＋ｘ１＋ ＋ｘｎ）（３）其中：ｎ为数据组别总数；Ｘｎ为一组的加速度值㊂
峰值用来表示在一个周期内，变化的幅度㊁峰值与动作幅度成正比例关系㊂摆臂幅度是为了维持运动时的身体平衡，具有个体差异性，因此在Ｘ㊁Ｙ㊁Ｚ三个方向上峰值㊁角峰值㊁峰值均值与合峰值也
不同㊂
协方差用于衡量多个变量间的总体误差，以体现变量间的相关性㊂本文通过协方差来表述加速度和角加速度数据的相关性关系㊂在样本数据中随机提取ｎ个实验样本，设定某一时刻的加速度ａｉ和角速度ωｉ的合值分别为ａａｖｇ㊁ωａｖｇ㊂协方差公式为
ｃｏｖ（ａ，ω）＝
ðｎｉ＝１（ａｉ－ａａｖｇ）（ωｉ－ωａｖｇ）
ｎ－１（４）１ ４㊀特征值的选定
通过数据采集和提取，并对瞬时数据进行时段计算，以每８ｓ作为一组，每人１０组，共计５００组时段样本数据，得到了包括加速度㊁角加速度在Ｘ㊁Ｙ和Ｚ坐标方向上的均值㊁方差㊁峰值㊁合向量共２４维，以及加速度与角加速度的协方差特征值１维，一共２５维的特征值数据㊂部分测试者特征值如表１所示㊂
刚构表１㊀特征值
测试者
特征值类
ＡＢＣＤＥＦＧＨＩＪＫＬＭＮＯＰＲＳＴＵＶＷＸＹＺ
马１１２．２５１０．２９１５．９５２．４９２．１５４．０９２．８２－８．９６２８．１９－７．５１－２．５９１８．６４－１．６６１．１６２５．４４０．５３－０．１２０．９６０．８５０．１４０．８７０．７７０．０８６．４８２．６１马２１２．５０６．０８１５．０１２．５３１．５２３．８８１．７３－１１．１８９．２５－８．７１－４．２９５．６６－２．６５－１．６５１．１８－０．７００．０１０．７６０．７６０．０９０．４５０．７１０．０６６．７３３．１８
３ ９︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙马１０１１．６１３．８９１３．５７２．０８１．０７３．２６０．９４－１０．３４５．８５－８．４５－４．２７３．２２－３．００－１．７６１．２２－０．８５０．０００．６５０．７５０．０６０．４３０．７１０．０２４．３０２．５５强１１３．２３３．５２１４．９５２．４５１．１４３．４９０．９４－７．９８１４．３２－４．７５－９．５２７．４５－７．２１０．９１１．７３２．１４０．０７１．４７１．１６０．０６０．７６０．９００．０６４．９４２．６７强２１２．２２２．９１１３．８６２．１２０．７９２．９５０．４２－７．１４１１．０１－３．７３－９．１１５．２８－７．
２４０．６２１．６２１．７３０．０００．８８０．７２０．０５０．７３０．８１０．０１３．６９２．３４３ ９︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙强１０１２．８５４．３９１４．９５２．４５１．５９３．７２１．７４－７．１６１３．５９－４．０７－９．１３１５．１３－６．９２１．２３４．７２２．１０－０．０８１．０３０．９７０．０２１．０２０．９４０．０３５．５７２．７９祥１１２．９５４．６２１５．０５２．４８１．０３３．４８１．２５－６．９２１１．９０－３．２７－１０．２１４．９８－８．２１－１．４５１．４５－０．４８０．０１０．５２０．６５０．０６０．６３０．６８０．０６６．０３３．０１祥２１２．５８３．５７１４．４１２．３４０．９０３．２３０．８６－７．０４１０．４９－３．３４－９．７４３．３４－８．２３－１．６２０．９９－０．７５－０．０２０．３００．４７０．０４０．５００．６０－０．０２５．５６２．６５３ ９︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙祥１０１２．６８５．１１１４．８５２．３８１．０１３．３７１．２０－６．９０１３．０９－３．７４－９．５６７．９８－７．５８－０．８７５．１７－０．０７－０．０３０．２３０．４００．０１０．６９０．７１０．０４５．７９２．８６王１１０．８８１．７６１２．１５１．３７０．４１１．９９－０．２２－８．８０４．４８－６．８４－５．５３５．５６－３．０３０．２２２．０３１．５００．０２１．０９０．９３－０．０１０．２３０．４２０．０１０．９６１．１９王２１０．５７１．７６１１．９４１．１５０．２５１．６６－０．２２－８．９４３．５５－７．０８－５．０１３．２４－３
．０１－０．４５１．４４０．５７０．０２０．６５０．７０－０．０１０．２００．３９０．０００．７４１．００３ ９︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙王１０１０．６５２．６６１２．２６１．５２０．６５２．２６－０．５０－９．３３５．８７－７．６２－３．８８４．５９－１．８７－０．３８３．５１０．８００．０６１．５６１．２６－０．０１０．４２０．５５０．０７０．９７１．２７占１１１．６７５．７７１４．００１．９８０．８５２．７８０．６１－５．３３８．３８－２．７８－９．６８７．００－７．５５１．３１２．７６２．７８－０．０８０．７６０．６１０．０３０．８６０．８８－０．０６３．１４１．６０占２１１．７１６．５７１４．０６１．８８１．０２２．６５０．７２－５．２６９．１６－２．７０－９．６０９．２９－７．３１１．２９３．７１２．５７０．０１０．５１０．５８０．０６１．０２０．９３０．０５３．０５１．７２３ ９︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙︙占１０１１．７９５．０８１３．９２１．９６０．９０２．８５０．９８－４．５１８．５６－２．３８－９．７１１６．１４－７．６２１．３３３．１７２．６５０．０００．７３０．７３０．０５０．６９０．８３０．０４３．３３１．９５注：Ｂ为合加速度方差㊁Ｉ为Ｘ方向加速度方差㊁Ｊ为Ｘ方向加速度峰值均值㊁Ｋ为Ｙ方向加速度均值㊁Ｌ为Ｙ方向加速度方差㊁Ｍ为Ｙ方向加速度峰值均值㊁Ｐ为Ｚ方向加速度峰值均值㊂
２㊀人体运动特征值分析
２ １㊀特征值对比分析
引出线不同人体在摆臂的过程中，个体身高和臂长的结构不同，加速度㊁角加速度值会有一定的个体差异㊂因此基于腕部步态加速度
信号的步态身份认证的方法，需要对所提取的２５个特征值作进一步的对比分析［２１］，来探索不同的特征值在个体之间所存在的差异㊂针对５０名测试者共计５００组的２５维特征数据进行了同特征
对比㊂首先对特征数据进行中值运算，以所得结果作为个体单一
特征的特征值，以避免极端数据对实验数据的影响㊂随后进行方
差计算，利用方差在概率论和统计学中可以衡量随机变量或一组
数据离散度的特点，来探索不同测试者在不同特征值上的离散程
度㊂通过计算得到离散度最高的七个特征值，对比结果如表２所
示，特征值名称同表１㊂
表２㊀特征值对比结果
序号特征值类离散度权值
１Ｉ１０．７５１４．０９
２Ｊ９．８４１２．８９
３Ｐ９．３６１２．２６
４Ｌ７．１２９．３４
５Ｂ６．４０８．３９
６Ｋ５．６２７．３７
７Ｍ４．９４６．４８㊀㊀经对比发现，Ｘ㊁Ｙ方向的加速度峰值和加速度方差，Ｚ方向上加速度峰值㊁合加速度方差存在显著差异，变化在１４．９４ １０．７５，这些特征值对人物身份识别有着较大的影响㊂
２ ２㊀特征值权重分析
由表２可知，不同的特征值离散度不同，即同一特征值，个体差异性越大，离散度越大㊂差异性较大的特征值对人物身份识别产生的影响也相对较大，因此需要对所得到的２５维特征值进行标准权重分析，并构建新的２５维数学模型［２２］㊂
本文采用方差比重法对原特征值进行定量评价，新特征值数学模型构建公式为
ω＝Ｗ
σ２ｉ
ðσ２（５）
σ２ｉｊ＝ð（λｉｊ－ λｉ）２
ｎ（６）其中：ω为拟合过权重值的新特征值；Ｗ为原有特征值；σ２为单一特征值的方差；λ为单一人物单一特征值的中值； λ为单一人物单一特征值的均值；ｉ为特征值的序号；ｊ为人物序号；ｎ为人物数量㊂根据上述算法可知，对识别结果影响较大的特征值，将会提高人物运动步态特征差异度，提高其影响度，从而大大提高识别准确度㊂新的数学模型构建对身份识别提供了更为可靠的数据基础㊂３㊀基于神经网络的身份识别
以往的身份识别方法多为基于支持向量机㊁随机森林等方
法［２３］㊂通过对多种传感器所采集到的数据进行直观的特征分析分类，从而实现人物身份的识别㊂虽然在一定程度上简化了算法过程，但是对于运动步态特征这一动态数据，其分析的稳定性和风险的容错性相对较差，目前ＢＰ神经网络对于运动数据分类分析优势最为突出㊂
ＢＰ（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）神经网络［２４］是一种多层前馈神经网络，其主要的特点为信号向前传递㊁误差反向传递，每一层的神经单元状态只影响下一层的神经单元㊂输入信号经过输入层和隐含层的反馈处理，最终从输出层输出㊂
３ １㊀神经网络结构
运动特征信号识别在身份识别领域是一个重要的研究方向［２５］㊂在识别的过程中一般采取匹配识别的方式进行分类识别㊂首先将待识别步态特征信号输入测试系统，将信号进行预处理，随后对待识别运动特征信号进行数学运算，经模式匹配系统，为待测试特征信号选择最佳模式，获得最佳匹配结果并输出［２６］㊂在对运动特征信号分类识别的过程中所运用的ＢＰ神经网络分类算法主要包括ＢＰ神经网络构建㊁ＢＰ神经网络训练和ＢＰ神经网络分类三大模块㊂ＢＰ神经网络构建是根据运动信号的特征来确定神经网络的结构［２７］㊂神经网络算法流程如图５所示㊂
图５㊀算法流程
本文针对的运动信号，所选取的特征值为２５维，并随机选取５人作为测试样本㊂根据系统输入输出序列设定网络输入层节点数为ｎ，输出层节点数为ｍ㊂隐含层节点数ｌ的选择不宜过少，否则无法形成复杂的网络映射关系，同时节点也不宜选择过多，网络过于复杂会影响网络学习训练效率，可参考ｎ＜ｌ＜ｎ＋ａ，ａ为０ １０的常数㊂隐含层输出Ｈ为
Ｈｊ＝ｆ（ðｎｉ＝１ωｉｊｘｉ－ａｊ）（７）其中：１ɤｊɤｌ；ｆ为隐含层激励函数；ａ为初始化隐含层阈值；ｂ为输出层阈值；ωｉｊ㊁ωｊｋ为网络连接权值㊂初始阈值与权值根据输出层和隐含层节点数确定㊂隐含层激励函数公式为
ｆ（ｘ）＝１１－ｅ－ｘ（８）随后根据隐含层输出Ｈｊ计算ＢＰ神经网络的预测输出Ｏ，并根据ＢＰ神经网络预测输出和期望输出计算所构建的网络预测误差ｅ
ｋ㊂之后根据所得的网络预测误差ｅｋ更新ＢＰ神经网络的权值和阈值，各过程计算公式为
Ｏｋ＝ðｉｊ＝１Ｈｉωｊｋ－ｂｋ（９）
ｅｋ＝Ｙｋ－Ｏｋ（１０）
ωｉｊ＝ωｉｊ＋ηＨｊ（１－Ｈｊ）ｘ（ｉ）ðｍｋ＝１ωｊｋｅｋ（１１）
ωｊｋ＝ωｊｋ＋ηＨｊｅｋ（１２）
ａｊ＝ａｊ＋ηＨｊ（１－Ｈｊ）ðｍｋ＝１ωｊｋｅｋ（１３）
ｂｋ＝ｂｋ＋ｅｋ（１４）其中：１ɤｉɤｎ；１ɤｊɤｌ；１ɤｋɤｍ㊂针对本实验运动步态特征信号，最终可知，输入层节点为２５，隐含层节点为２６，输出层节点为５，最终得到一个２５⁃２６⁃５的ＢＰ神经网络结构，并以此为基础在ＭＡＴＬＡＢ中构建ＢＰ神经网络算法程序㊂
３ ２㊀数据归一化处理
在运用ＢＰ神经网络对实验数据进行预测前，一般会采用数据归一化的方法进行预处理，数据归一化就是把现有的特征数据转换为［０，１］信号数据，此目的在于避免因不同特征值之间的数量级差别，造成测试结果误差㊂目前常用的归一化方法有平均数方差法和最大值最小值法两类㊂函数形式为
平均数方差函数：
ｘｋ＝（ｘｋ－ｘｍｅａｎ）／ｘｖａｒ（１５）最大值最小值法函数：
ｘｋ＝（ｘｋ－ｘｍｉｎ）／（ｘｍａｘ－ｘｍｉｎ）（１６）其中：ｘ
ｍｅａｎ为数据的均值；
ｘｍｉｎ为数据的最小值；ｘ
ｍａｘ
为数据的最大
值㊂本研究数据样本量较大，因此选用平均数方差法，能更加可靠地得到测试结果，避免不必要的误差影响㊂３ ３㊀人物身份识别
在ＢＰ神经网络构建和数据归一化处理之后，在ＭＡＴＬＡＢ［２８］中先后对所选的测试者数据进行训练和测试实验，并针对权重特征值，重复识别实验，使最终的识别结果得到对比㊂针对随机选取
的５人６０％步态特征数据样本，即选出每人６组，共计３０组特征数据，在ＢＰ神经网络中进行训练测试，使函数损失最小化并确立系统模型㊂之后将剩余的４０％步态特征数据样本，即每人４组，共计２０组特征数据输入系统中，进行身份识别测试㊂
为更直观得到实验结果，分别生成识别结果图和误差分析折线图，部分结果如图６㊁７所示㊂其中左侧蓝线表示实际人物身份，红代表识别的结果身份（见电子版），右侧为ＢＰ神经网络误差分析结果，以此可看出每次针对每个人的识别误差率
㊂
图６㊀部分无加权特征值结果㊀㊀㊀㊀图７㊀部分加权特征值结果
由于实验存在偶然性，为避免其对测试结果的干扰和影响，对５人测试样本进行了重复测试运算，分别对无加权特征值与加权特
征值进行无干扰２００次运算，结果如图８㊁９所示㊂其中不同颜的波动曲线代表了不同测试者在
每次测试实验中被识别的准确率变化㊂准确率结果识别点更接近于１，分布于１周围的结果识别点越密集，代表了识别方法的准确率越高，算法可靠性更高㊂
图８㊀无加权结果分布㊀㊀㊀㊀㊀㊀㊀图９㊀加权结果分布
４㊀实验结果数据分析
ａ）由表２可知，不同的人，由于身体构造㊁个人运动习惯，其运动特征值会有明显的不同㊂运动较快的人，摆动幅度也会较大，因此其合加速度均值及加速的峰值都会较大；相反运动速度慢的，加速的峰值也相对较小㊂Ｘ㊁Ｙ方向的加速度峰值和加速度方差，Ｚ方向上加速度峰值㊁合加速度方差存在明显的差异，变化在４ ９４ １０ ７５㊂这些明显的差异和对比分析的结果对人物身份识别有着较大的影响与重要意义㊂
ｂ）由图６ ９可知，在经过训练和测试实验后，实验结果存在一定的波动性，所选取的测试组数据随机选取，每一组数据都代表了某一个体某一时段的运动状态，除具有固有实验所需的个体特征性，还存在实时的动态变化特征，因此需要通过中值运算等方法对特征值数据进行预处理㊂
其波动的原因源于原始运动数据的波动，例如步态姿势稳定性等㊂其次是在训练ＢＰ神经网络，选取训练数据时，因随机性而造成了测试数据的变动，所以测试结果同样会发生波动㊂ｃ）由于测试数据
的随机性，以及数据存在一定的动态，识别结果分布情况也呈现随机分布㊂但各类识别方法结果基本稳定在９０％ １００％㊂各种识别方法准确率对比结果如表３所示［２９］㊂经最终统计，无加权ＢＰ神经网络测试结果准确率可达９３ ０７６％，准确率与以往识别方法相近㊂由图７㊁８可知，经权重分析和权重计算后的特征值，测试结果更加稳定，识准率更高，识别
率稳定在９４％ １００％，最终统计的２００次测试结果准确率可达９６ ６６９％，高出以往的识别准确率并且涵盖的特征维度更高，风险
容错率更好㊂
表３㊀多种识别方法准确率对比
识别方法特征维度准确率／％
随机森林１０９３．４８５
支持向量机１５９５．５３５
ＢＰ神经网络（无加权）２５９３．０７６
ＢＰ神经网络２５９６．６６９
㊀㊀对比以往的算法准确度，本文所述的权重ＢＰ神经网络分析方法更为可靠，实现了在固定区域大流量人物身份识别方法领域的突破㊂
５㊀结束语
本文提出了基于智能手机内置的多种传感器数据的行走步态特征身份识别的方法，通过对５０名测试者进行了行走运动测试，提取出了２５个运动特征值，并针对人行走运动的显著特征进行了差异离散性分析㊂随后运用特征值方差比重权重分析法和数据归一化方法，对随机选取的５位测试者样本特征数据进行数据分析处理㊂最后构建适用具有分类匹配特性的ＢＰ神经网络，实现精准分类识别，验证了该身份识别方法的有效性㊂该方法结果正确率达９６．６６９％，实验结果证明了实验方法的可靠性，在人体运动特征的身份识别方面具有一定的参考性㊂但在多种复合加速度之间所存在的影响关系等方面存在不足，部分原始数据间是否存在相联关系尚未可知，在数据之间的深度影响关系还需在未来的研究工作中作进一步的学习和探究㊂其次基于智能手机的识别方法，虽然在装置应用上较传统的识别方式，如虹膜识别㊁指纹识别㊁ＤＮＡ识别等，具有装置成本较低㊁随时随地可测㊁方便简单等特点，但也存在用户信息安全㊁测试结果泄露等风险，在实际应用中，该方面问题还应加以重视，避免相关的隐患㊂
参考文献：
［１］李晓鹏，刘林．生物识别技术在物联网领域的安全应用及防护解析［Ｊ］．科技风：电子信息，２０１９（３０）：１０５．
［２］苏菡．基于步态分析的身份识别研究［Ｄ］．哈尔滨：哈尔滨工程大学，２００６．
［３］殷晓玲，陈晓江，夏启寿，等．基于智能手机内置传感器的人体运动状态识别［Ｊ］．通信学报，２０１９，４０（３）：１５７⁃１６９．
［４］黄萍，钟慧敏，陈博，等．正常青年人三维步态：时空及运动学和运动力学参数分析［Ｊ］．中国组织工程研究，２０１５，１９（２４）：３８８２⁃３８８８．［５］贾珍珍．组织文化与军事技术创新：以美国国防高级研究计划（ＤＡＲＰＡ）为例［Ｄ］．长沙：国防科学技术大学，２０１３．
［６］侯向锋．基于运动加速度的步态识别研究［Ｄ］．武汉：华中师范大学，２００７．
塑料制油
［７］刘蓉．人体运动信息获取及物理活动识别研究［Ｄ］．武汉：华中科技大学，２００９．［８］ＴａｍｖｉｒｕｚｚａｍａｎＭ，ＡｈａｍｅｄＳＩ，ＨａｓａｎＣＳ，ｅｔａｌ．ｅＰｅｔ：ｗｈｅｎｃｅｌｌｕｌａｒｐｈｏｎｅｌｅａｒｎｓｔｏｒｅｃｏｇｎｉｚｅｉｔｓｏｗｎｅｒ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ２ｎｄＡＣＭＷｏｒｋ⁃ｓｈｏｐｏｎＡｓｓｕｒａｂｌｅａｎｄＵｓ
ａｂｌｅＳｅｃｕｒｉｔｙＣｏｎｆｉｇｕｒａｔｉｏｎ．ＮｅｗＹｏｒｋ：ＡＣＭＰｒｅｓｓ，２００９：１３⁃１８．
［９］杨文辉，杨明静．基于手机放置变化的步态识别［Ｊ］．微型机与应用，２０１６，３５（２１）：５５⁃５７．
［１０］ＮｉｃｋｅｌＣ，ＤｅｒａｗｉＭＯ，ＢｏｕｒｓＰ，ｅｔａｌ．Ｓｃｅｎａｒｉｏｔｅｓｔｏｆａｃｃｅｌｅｒｏｍｅｔｅｒ⁃ｂａｓｅｄｂｉｏｍｅｔｒｉｃｇａｉｔｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＷｏｒｋｓｈｏｐｏｎＳｅｃｕｒｉｔｙａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＮｅｔｗｏｒｋｓ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１１：１５⁃２１．
连续缠绕玻璃钢夹砂管
［１１］金堃，陈少昌．步态识别现状与发展［Ｊ］．计算机科学，２０１９，４６（Ｚ１）：３０⁃３４．
［１２］王晓波．基于步态加速度信号的身份认证方法研究［Ｄ］．太原：山西大学，２０１１．
［１３］李殿梅．视频图像的人体运动特征提取与有效识别［Ｄ］．济南：山东大学，２０１２．
［１４］兰少峰，刘升．传感器数值特征在身份识别中的应用［Ｊ］．上海工程技术大学学报，２０
１５，２９（３）：２６８⁃２７２．
［１５］张义龙．基于加速度传感器的人体运动状态监测的研究［Ｄ］．南京：南京邮电大学，２０１４．
［１６］范媛媛．基于步态的身份识别算法研究与实现［Ｄ］．合肥：合肥工业大学，２０１６．
［１７］何书芹．基于手机加速度传感器的步态识别研究［Ｄ］．兰州：西北师范大学，２０１８．
［１８］王犇，袁涛，梁灿．基于加速度特征点提取的步态身份认证［Ｊ］．清华大学学报：自然科学版，２００９，４９（１０）：１６０１⁃１６０４．
［１９］宋瑶姿，夏哲雷，战国科．基于敏感度分析的图像特征值选取［Ｊ］．现代电子技术，２００８，３１（１４）：９２⁃９４．
［２０］王高宣．基于多特征融合与机器学习的篮球运动姿态识别［Ｊ］．甘肃科学学报，２０１９，３１（３）：１⁃４．
［２１］韩松杉．基于多传感器联合的人体动作识别研究［Ｄ］．成都：电子科技大学，２０１８．
［２２］刘震，马连强．综合勘探方法确定浅层地基土承载力特征值对比分析［Ｊ］．铁道工程学报，２００８（１２）：４１⁃４４．
［２３］孙凯传．基于随机森林的人脸特征检测方法研究［Ｄ］．无锡：江南大学，２０１６．
［２４］李友坤．ＢＰ神经网络的研究分析及改进应用［Ｄ］．淮南：安徽理工大学，２０１２．
［２５］毛，王少飞．基于ＭＡＴＬＡＢ的神经网络数字识别系统实现［Ｊ］．中国西部科技，２０１０，９（１９）：２２⁃２４．
［２６］韩立．人工神经网络理论㊁设计及应用［Ｍ］北京：化学工业出版社，２０００：５５⁃６２．
［２７］刘强，陈福兰．基于倒谱与ＢＰ网络的船舶生活垃圾分类方法研究［Ｊ］．南通航运职业技术学院学报，２０１６，１５（１）：３４⁃３８．
［２８］葛哲学，孙志强．神经网络理论与ＭＡＴＬＡＢＲ２００７实现［Ｍ］．北京：电子工业出版社，２０００：１２６⁃１３５．
［２９］李航．统计学方法［Ｍ］．北京：清华大学出版社，２０１６：１０⁃１４．
（上接第１２８页）
较多的航线作为推荐项，更具有个体针对性，相对于基于热门航线的预测具有更高的准确率㊂这两种完全依据历史统计结果的预测方法都只考虑了旅客经常出行的航线，对于未曾出行过但具有潜在吸引力的航线无法预测到㊂Ｍ１预测方法考虑了潜在出行意图的影响，预测准确率有所提高；Ｍ２方法在考虑潜在出行意图的同时还考虑了旅客出行的体趋同性，同时弥补了旅客出行记录的稀疏性，具有最好的预测效果㊂
４㊀结束语
本文针对民航旅客航线偏好预测问题提出了基于层次出行意图的旅客航线偏好预测方法㊂该方法通过对真实的旅客订票数据进行统计分析，发现旅客出行的体趋同性，利用这一特性对旅客航线数据进行合理分组，构建符合民航旅客实际出行特性的ＨＤＰ模型对旅客层次出行意图及意图下航线选择概率分布进行挖掘，计算得到旅客航线选择预测矩阵，从而对旅客航线偏好进行预测㊂本文提出的预测模型不仅可以预测旅客未来出行的航线选择，还对旅客层次出行意图进行了分析，在航线价值计算㊁航线评估㊁潜在高价值旅客挖掘等方面都具有较大的参考意义㊂然而，本文方法没有考虑旅客航线选择的先后关系及时间信息，今后的工作将加入时序信息来更好地对旅客未来的航班选择进行预测，使模型更符合旅客的实际出行情况㊂
参考文献：
［１］ＬｉｎＹｏｕｆａｎｇ，ＷａｎＨｕａｉｙｕ，ＪｉａｎｇＲｕｉ，ｅｔａｌ．Ｉｎｆｅｒｒｉｎｇｔｈｅｔｒａｖｅｌｐｕｒｐｏ⁃ｓｅｓｏｆｐａｓｓｅｎｇｅｒｇｒｏｕｐｓｆｏｒｂｅｔｔｅｒｕｎｄｅｒｓｔａｎｄｉｎｇｏｆｐａｓｓｅｎｇｅｒｓ［Ｊ］．
ＩＥＥＥＴｒａｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１５，１６（１）：２３５⁃２４３．
［２］冯霞，徐冰宇，卢敏．民航旅客订票行为细分及体特征分析［Ｊ］．计算机工程与设计，２０１５，３６（８）：２２１７⁃２２２２．
［３］ＬｉｕＪｉｅ，ＬｉｕＢｉｎ，ＬｉｕＹａｎｃｈｉ，ｅｔａｌ．Ｐｅｒｓｏｎａｌｉｚｅｄａｉｒｔｒａｖｅｌｐｒｅｄｉｃｔｉｏｎ：ａｍｕｌｔｉ⁃ｆａｃｔｏｒｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］．ＡＣＭＴｒａｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓ＆Ｔｅｃｈｎｏｌｏｇｙ，２０１８，９（３）：ａｒｔｉｃｌｅＮｏ．３０．
［４］徐涛，徐召朋，卢敏．基于旅客出行意图的航线潜在价值计算模型［Ｊ］．交通运输系统工程与信息，２０１８，１８（５）：１５８⁃１６３．
［５］ＢｌｅｉＤＭ，ＮｇＡＹ，ＪｏｒｄａｎＭＩ．ＬａｔｅｎｔＤｉｒｉｃｈｌｅｔａｌｌｏｃａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＭａｃｈｉｎｅＬｅａｒｎｉｎｇＲｅｓｅａｒｃｈ，２００３，３：９９３⁃１０２２．
［６］ＴｅｈＹＷ，ＪｏｒｄａｎＭＩ，ＢｅａｌＭＪ，ｅｔａｌ．ＨｉｅｒａｒｃｈｉｃａｌＤｉｒｉｃｈｌｅｔｐｒｏｃｅｓｓｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＳｔａｔｉｓｔｉｃａｌＡｓｓｏｃｉａｔｉｏｎ，２００６，１０１（４７６）：１５６６⁃１５８１．
［７］ＷａｎｇＸｉａｏｇａｎｇ，ＭａＸｉａｏｘｕ，ＧｒｉｍｓｏｎＷＥＬ．ＵｎｓｕｐｅｒｖｉｓｅｄａｃｔｉｖｉｔｙｐｅｒｃｅｐｔｉｏｎｉｎｃｒｏｗｄｅｄａｎｄｃｏｍｐｌｉｃａｔｅｄｓｃｅｎｅｓｕｓｉｎｇｈｉｅｒａｒｃｈｉｃａｌＢａｙｅｓｉａｎｍｏｄｅｌｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００９，３１（３）：５３９⁃５５５．
［８］周建英，王飞跃，曾大军．分层Ｄｉｒｉｃｈｌｅｔ过程及其应用综述［Ｊ］．自动化学报，２０１１，３７（４）：３８９⁃４０７．
［９］ＴｅｈＹＷ，ＫｕｒｉｈａｒａＫ，ＷｅｌｌｉｎｇＭ．ＣｏｌｌａｐｓｅｄｖａｒｉａｔｉｏｎａｌｉｎｆｅｒｅｎｃｅｆｏｒＨＤＰ［Ｃ］／／ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏ
ｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．ＲｅｄＨｏｏｋ，ＮＹ：ＣｕｒｒａｎＡｓｓｏｃｉａｔｅｓＩｎｃ．，２００７：１４８１⁃１４８８．
［１０］ＨｏｆｆｍａｎＭＤ，ＢｌｅｉＤＭ，ＷａｎｇＣｈｏｎｇ，ｅｔａｌ．Ｓｔｏｃｈａｓｔｉｃｖａｒｉａｔｉｏｎａｌｉｎ⁃ｆｅｒｅｎｃｅ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２０１３，１４（４）：１３０３⁃１３４７．
