基于卷積神經(jīng)網(wǎng)絡(luò)的人體識(shí)別系統(tǒng)的開(kāi)發(fā)與設(shè)計(jì)

PAGE摘要基于卷積神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別的開(kāi)發(fā)與設(shè)計(jì)摘要：隨著計(jì)算機(jī)領(lǐng)域不斷的創(chuàng)新、其它行業(yè)對(duì)計(jì)算機(jī)的應(yīng)用需求的提高以及社會(huì)對(duì)解放勞動(dòng)力的迫切，人機(jī)交互成為人們關(guān)注的問(wèn)題。深度學(xué)習(xí)的出現(xiàn)幫助了人們實(shí)現(xiàn)人機(jī)交互，而卷積神經(jīng)網(wǎng)絡(luò)是其的代表算法的一種，被普遍應(yīng)用在計(jì)算機(jī)視覺(jué)領(lǐng)域?qū)崿F(xiàn)圖片識(shí)別。人體行為識(shí)別是指將一系列數(shù)據(jù)喂入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，計(jì)算機(jī)對(duì)數(shù)據(jù)進(jìn)行特征提取然后識(shí)別分類，其中數(shù)據(jù)包括視頻、圖片序列或者傳感器數(shù)據(jù)等。本文采用的網(wǎng)絡(luò)結(jié)構(gòu)包括4層卷積層、1層全連接層、1層最大池化層、1層平均池化層，使用了一維卷積、Relu激活函數(shù)、Softmax和Dropout技術(shù)。采用的數(shù)據(jù)集為WISDM實(shí)驗(yàn)室的發(fā)布的第一版數(shù)據(jù)集，參與測(cè)試的人數(shù)共36人，使用加速度傳感器，采樣率為20HZ，數(shù)據(jù)集包含的行為類型共6種：Downstairs下樓梯、Jogging慢跑、Sitting坐、Standing站立、Upstairs上樓梯和Wallking走路。本文的篇首分析了研究人體行為識(shí)別的背景和研究意義，介紹國(guó)內(nèi)和國(guó)外的研究現(xiàn)狀。接著詳細(xì)介紹ANN相關(guān)的知識(shí)，及兩個(gè)簡(jiǎn)單且具有代表性的網(wǎng)絡(luò)結(jié)構(gòu)。然后闡述CNN的相關(guān)理論知識(shí)其中包括傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，再重點(diǎn)介紹用于本文的CNN神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，以及如何用本文的設(shè)計(jì)的網(wǎng)絡(luò)模型在WISDM數(shù)據(jù)集上實(shí)現(xiàn)行為識(shí)別。最后對(duì)模型的性能進(jìn)行分析，得到結(jié)論與提出建議，規(guī)劃展望。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)、人體行為識(shí)別DevelopmentanddesignofhumanbehaviorrecognitionbasedonconvolutionalneuralnetworkAbstract：Withthecontinuousinnovationandbreakthroughsinthecomputerfieldandtheincreasingdemandforcomputerapplicationsinotherfields,human-computerinteractionhasbecomeaconcernofpeople.Theemergenceofdeeplearninghashelpedpeopleachievehuman-computerinteraction,andconvolutionalneuralnetworkisoneofitsrepresentativealgorithms,whichiswidelyusedinthefieldofcomputervisiontorealizepicturerecognition.Humanbehaviorrecognitionreferstofeedingaseriesofdataintoatrainedneuralnetwork,andthecomputerperformsfeatureextractiononthedataandthenrecognizesandclassifiesthedata,includingdatasuchasvideos,imagesequences,orsensordata.Thenetworkstructureusedinthispaperincludes4convolutionallayers,1fullyconnectedlayer,1maximumpoolinglayer,and1averagepoolinglayer,usingone-dimensionalconvolution,Reluactivationfunction,SoftmaxandDropouttechnology.ThedatasetusedisthefirstversionofthedatasetreleasedbytheWISDMlaboratory.Atotalof36peopleparticipatedinthetest.Theaccelerationsensorisusedandthesamplingfrequencyis20HZ.Thedatasetcontains6typesofbehaviors:Downstairs,JoggingJog,Sitting,Standing,UpstairsandWalking.Thefirstpartofthisarticleanalyzesthebackgroundandsignificanceofresearchonhumanbehaviorrecognition,andintroducesthedomesticandforeignresearchstatus.Next,weintroduceANNandtwosimpleandrepresentativenetworkstructuresindetail,includingrelatedcontentsofneuronsandactivationfunctions.Thenelaboratetherelevanttheoreticalknowledgeofconvolutionalneuralnetworks,includingthetraditionalconvolutionalneuralnetworkstructure,andthenfocusontheCNNnetworkmodelstructureusedinthisarticleandhowtousethisneuralnetworkmodeltoachievehumanbehaviorrecognitionontheWISDMdataset.Finally,theperformanceofthemodelisanalyzed,andconclusionsandsuggestionsaremade,andplanningprospects.Keywords：Convolutionalneuralnetwork,humanbehaviorrecognition目錄第1章緒論 11.1研究背景和意義 11.1.1研究人體行為識(shí)別的目的 11.1.2本課題的研究意義 11.2國(guó)內(nèi)外研究現(xiàn)狀 21.2.1國(guó)內(nèi)研究 21.2.2國(guó)外研究 21.3課題研究方法和內(nèi)容 31.3.1研究方法 31.3.2研究?jī)?nèi)容 3第2章人工神經(jīng)網(wǎng)絡(luò) 42.1人工神經(jīng)元 42.1.1生物神經(jīng)元 42.1.2神經(jīng)元 42.1.3激活函數(shù) 52.1.4損失函數(shù) 82.2感知器神經(jīng)網(wǎng)絡(luò) 82.3BP神經(jīng)網(wǎng)絡(luò) 9第3章卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論知識(shí) 113.1前饋神經(jīng)網(wǎng)絡(luò) 113.2卷積神經(jīng)網(wǎng)絡(luò) 123.2.1卷積層 123.2.2池化層 123.2.3全連接層 133.3傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu) 13第4章基于卷積網(wǎng)絡(luò)的人體行為識(shí)別系統(tǒng)的實(shí)現(xiàn) 154.1處理數(shù)據(jù)集 154.24.2處理訓(xùn)練集數(shù)據(jù) 174.3構(gòu)建神經(jīng)網(wǎng)絡(luò)模型 18第5章測(cè)試與分析 205.1編譯模型 205.2實(shí)驗(yàn)結(jié)果 205.2.1模型準(zhǔn)確率和損失 205.2.2模型識(shí)別的正確率 215.2.3混淆矩陣 22總結(jié)與展望 23參考文獻(xiàn) 24致謝 26PAGE26緒論研究背景和意義研究人體行為識(shí)別的目的根據(jù)深圳市最新出臺(tái)的管理?xiàng)l例我們可以了解到，今年深圳市內(nèi)公共場(chǎng)合將分布多大200萬(wàn)臺(tái)的各類攝像頭。其中，包括10萬(wàn)多臺(tái)一類攝像頭以及190多萬(wàn)臺(tái)二三類攝像頭。如此龐大的數(shù)量，再乘上每天24小時(shí)，可以想象監(jiān)控人員的工作量之大，而人體識(shí)別系統(tǒng)的出現(xiàn)可以很好的解決為這一問(wèn)題從而釋放勞動(dòng)力。計(jì)算機(jī)通過(guò)應(yīng)用此系統(tǒng)從海量的監(jiān)控視頻中對(duì)人的行為進(jìn)行識(shí)別、分類，并在其中提取出異常的行為，及時(shí)報(bào)警！系統(tǒng)將解放監(jiān)控人員的勞動(dòng)力，以及為維護(hù)社會(huì)提供安全和穩(wěn)定的服務(wù)。人體行為識(shí)別可以簡(jiǎn)單的分為特征提取、特征表示和識(shí)別分類[1]三個(gè)部分。特征提取是指從視頻或圖片序列中提取人工特征，如STIP(時(shí)空興趣點(diǎn))[2]，BOVW(視覺(jué)詞袋)[3-4]，HOG(方向梯度直方圖)[5-7]，和MHI(運(yùn)動(dòng)歷史圖像)[8]等。特征表示，則指將提取的特征構(gòu)成更加具有區(qū)分性的描述子特征，并通過(guò)一些變換和聚類等技術(shù)來(lái)實(shí)現(xiàn)，如FTT(傅里葉時(shí)態(tài)變換)[9-10]和K均值聚類[11]等。識(shí)別分類，使用像SVM，Adaboost[12]之類的分類器對(duì)描述子特征進(jìn)行分類識(shí)別。而卷積網(wǎng)絡(luò)較全連接網(wǎng)絡(luò)來(lái)說(shuō)最大的優(yōu)勢(shì)是其在計(jì)算機(jī)視覺(jué)領(lǐng)域中可以實(shí)現(xiàn)過(guò)濾參數(shù)，即保留少量重要的參數(shù)以及去掉大量不重要的參數(shù)，以此使網(wǎng)絡(luò)模型達(dá)到更好的學(xué)習(xí)效果！本課題的研究意義隨著我國(guó)社會(huì)、經(jīng)濟(jì)的顯著提高，老百姓不再只擔(dān)心溫飽問(wèn)題，人身安全得到了前所未有的關(guān)注，人們對(duì)于視頻監(jiān)控系統(tǒng)的需求直線上升。監(jiān)控設(shè)備我們的日常生活中可謂如影隨形，出現(xiàn)在幾乎所有的公共場(chǎng)合，無(wú)論是小區(qū)、超市、商場(chǎng)、飯店甚至城市街道。但是這些監(jiān)控設(shè)備常常只是記錄發(fā)生的事情，并無(wú)法主動(dòng)的保護(hù)人們的安全。因此，人們對(duì)于智能監(jiān)控設(shè)備迫切渴望，它不僅能夠?qū)崟r(shí)監(jiān)控24小時(shí)內(nèi)發(fā)生的事情，還能通過(guò)分析人類行為，判斷情況，自動(dòng)報(bào)警，從而避免一些危險(xiǎn)的事情發(fā)生！本課題的實(shí)現(xiàn)對(duì)于維護(hù)社會(huì)安全以及打擊犯罪等具有重大的意義。國(guó)內(nèi)外研究現(xiàn)狀國(guó)內(nèi)研究人體行為識(shí)別在中國(guó)的研究開(kāi)展地較晚但是經(jīng)過(guò)與日俱增的發(fā)展取得了關(guān)鍵性的研究。隸屬于中國(guó)科學(xué)院自動(dòng)化所的CBSR(生物識(shí)別與安全技術(shù)研究中心)和微軟亞洲研究院(MAR)都是較早在中國(guó)投入運(yùn)營(yíng)的研究所，較早研究人體行為識(shí)別的中國(guó)本土大學(xué)有：清華大學(xué)、北京大學(xué)和浙江大學(xué)。王喜昌等人設(shè)計(jì)一種基于三維加速度傳感器的上肢動(dòng)作識(shí)別系統(tǒng)[13]，具有理想的識(shí)別準(zhǔn)確率。田國(guó)會(huì)等人利用Kinect體感設(shè)備獲取人體的關(guān)節(jié)數(shù)據(jù)[14]，較好的解決識(shí)別問(wèn)題，取得較為理想的結(jié)果。衡霞等人提出運(yùn)用手機(jī)加速度傳感器來(lái)獲得數(shù)據(jù)，從而實(shí)現(xiàn)人體行為識(shí)別[15]。國(guó)外研究國(guó)外大學(xué)和研究機(jī)構(gòu)較對(duì)人體行為識(shí)別的研究開(kāi)展的比較早，1973年心理學(xué)家Johansson通過(guò)二維模型研究三維的人體運(yùn)動(dòng)感知開(kāi)展了移動(dòng)光斑的運(yùn)動(dòng)感知實(shí)驗(yàn)[16]。其實(shí)驗(yàn)表明，人體上光斑的數(shù)量和分布與運(yùn)動(dòng)感知有關(guān)。特別是，發(fā)現(xiàn)隨著光點(diǎn)數(shù)量的增加，運(yùn)動(dòng)理解中的模糊性減少了[17]。實(shí)驗(yàn)還表明人類視覺(jué)即能夠檢測(cè)運(yùn)動(dòng)方向還能夠檢測(cè)不同類型的肢體運(yùn)動(dòng)模式，包括識(shí)別活動(dòng)的速度和不同運(yùn)動(dòng)模式[18]。1977年，D.Marr基于計(jì)算機(jī)科學(xué)，結(jié)合數(shù)學(xué)、心理物理學(xué)和神經(jīng)生理學(xué)提出了視覺(jué)計(jì)算理論[19-20]。D.Marr的視覺(jué)計(jì)算理論創(chuàng)建后，計(jì)算機(jī)視覺(jué)研究的進(jìn)程得到突飛猛進(jìn)的提高，研究機(jī)構(gòu)如雨后春筍般開(kāi)始致力于人體運(yùn)動(dòng)分析。美國(guó)在1997年設(shè)立了以戰(zhàn)場(chǎng)為主要應(yīng)用領(lǐng)域的VSAM項(xiàng)目(視覺(jué)監(jiān)控項(xiàng)目)。隨后IVPL實(shí)驗(yàn)室(圖像和視頻處理實(shí)驗(yàn)室)、AIRVL實(shí)驗(yàn)室(人工智能、機(jī)器人與視覺(jué)實(shí)驗(yàn)室)和LPAC實(shí)驗(yàn)室(感知，行動(dòng)與認(rèn)知實(shí)驗(yàn)室)相繼開(kāi)展了人體行為識(shí)別的研究。英國(guó)雷丁大學(xué)先后推出兩個(gè)項(xiàng)目來(lái)參與人體行為識(shí)別的研究：REASON(監(jiān)視和了解公共場(chǎng)所人員項(xiàng)目)和ISCAPs(治安密集地區(qū)綜合監(jiān)視項(xiàng)目)。課題研究方法和內(nèi)容研究方法本文在撰寫(xiě)的過(guò)程中主要運(yùn)用了如下兩種方法進(jìn)行研究：文獻(xiàn)研究法。根據(jù)本文的課題去確定文獻(xiàn)需求，有計(jì)劃性地去查閱與本文課題相關(guān)的文獻(xiàn)，以此獲得相關(guān)資料去增加自己去課題的認(rèn)識(shí)，從而全面、客觀、正確地了解本文的研究題目，啟發(fā)思考。理論研究法。通過(guò)實(shí)踐，即實(shí)際設(shè)計(jì)與開(kāi)發(fā)出基識(shí)別系統(tǒng)，然后將整個(gè)開(kāi)發(fā)的過(guò)程及結(jié)果進(jìn)行分析、總結(jié)，形成自己的見(jiàn)解看法。研究?jī)?nèi)容本文共有6章來(lái)循序漸進(jìn)地闡述人體行為識(shí)別這個(gè)課題，具體內(nèi)容的結(jié)構(gòu)和安排如下：第1章。以論題的背景與研究目的為中心展開(kāi)進(jìn)行說(shuō)明，分析并闡述人體行為識(shí)別的實(shí)現(xiàn)對(duì)社會(huì)有怎樣的意義。同時(shí)，收集大量人體識(shí)別的相關(guān)文獻(xiàn)資料并進(jìn)行綜述，介紹國(guó)內(nèi)外研究現(xiàn)況。第2章。分別從ANN的結(jié)構(gòu)、常用的激活函數(shù)來(lái)介紹ANN的相關(guān)理論知識(shí)。然后介紹再介紹基礎(chǔ)的感知器神經(jīng)網(wǎng)絡(luò)，以此擴(kuò)展對(duì)ANN的了解。第3章。在上一章節(jié)的基礎(chǔ)上過(guò)渡講述CNN相關(guān)理論知識(shí)。首先介紹前饋神經(jīng)網(wǎng)絡(luò)，其次介紹包括卷積層、池化層、全連接層在內(nèi)的卷積網(wǎng)絡(luò)的結(jié)構(gòu)構(gòu)成,以Lenet-5為例子加深理解。第4章。詳細(xì)說(shuō)明處理數(shù)據(jù)集以及搭建、訓(xùn)練神經(jīng)網(wǎng)絡(luò)，包括代碼和結(jié)果展示。第5-6章。首先編譯上文所構(gòu)建的神經(jīng)網(wǎng)絡(luò)并分析結(jié)果，然后根據(jù)前文內(nèi)容進(jìn)行總結(jié)，同時(shí)規(guī)劃展望。

人工神經(jīng)網(wǎng)絡(luò)ANN是一種由許多的神經(jīng)元之間聯(lián)接而構(gòu)成的計(jì)算模型，它將生物神經(jīng)元處理信息的過(guò)程進(jìn)行抽象、建立模型，不一樣的聯(lián)接方式組成的網(wǎng)絡(luò)也不同。人工神經(jīng)元生物神經(jīng)元深度學(xué)習(xí)實(shí)際就是模擬生物神經(jīng)元接收處理信息的過(guò)程。一個(gè)完整的生物神經(jīng)元的可以分為細(xì)胞體和突起，其中突起又包括樹(shù)突和軸突兩種，軸突末端呈樹(shù)狀且沒(méi)有細(xì)胞核的為神經(jīng)末梢。一個(gè)完整的生物神經(jīng)元的結(jié)構(gòu)如圖2-1所示：圖2-1生物神經(jīng)元結(jié)構(gòu)示意圖樹(shù)突：電信號(hào)從這些交叉部分進(jìn)入，接受其他神經(jīng)元軸突傳入的電信號(hào)傳給細(xì)胞體。細(xì)胞核：電信號(hào)進(jìn)入到細(xì)胞核后，細(xì)胞核會(huì)將多個(gè)電信號(hào)聯(lián)合在一起進(jìn)行運(yùn)算最后得到唯一的電信號(hào)。軸突：唯一的電信號(hào)通過(guò)軸突傳送。神經(jīng)末梢：將軸突傳來(lái)的電信號(hào)分解成若干個(gè)部分，以每個(gè)分叉?zhèn)鬟f給外面的神經(jīng)元。神經(jīng)元神經(jīng)元是NNs(神經(jīng)網(wǎng)絡(luò))最核心也是基本的部分，它是模擬生物神經(jīng)元的一種數(shù)學(xué)模型，單個(gè)神經(jīng)元可以接收多個(gè)輸入數(shù)據(jù)。兩個(gè)神經(jīng)元之間的聯(lián)接強(qiáng)度決定信號(hào)傳遞的強(qiáng)弱，且聯(lián)接強(qiáng)度不是固定不變的，它可以伴隨訓(xùn)練輪數(shù)發(fā)生變化。一個(gè)基本的神經(jīng)元模型如圖2-2所示：圖2-2人工神經(jīng)元結(jié)構(gòu)示意圖圖2-2的計(jì)算結(jié)果為：其中為輸入信號(hào)，為每個(gè)輸入信號(hào)所對(duì)應(yīng)的的權(quán)值，為偏置值，為激活函數(shù)。激活函數(shù)激活函數(shù)在ANN模型中起到至關(guān)重要的作用，它將非線性激活因素拉入到我們的模型中，提高了模型的表達(dá)力，使得諸多非線性模型可以應(yīng)用在神經(jīng)網(wǎng)絡(luò)中。如果模型中沒(méi)有引入函數(shù)，那每層網(wǎng)絡(luò)都相當(dāng)于只進(jìn)行了矩陣相乘，輸入輸出都是線性組合。以下三種函數(shù)是平時(shí)使用的最多的：激活函數(shù)ReluRelu函數(shù)，函數(shù)數(shù)學(xué)圖形如圖2-3所示，因其計(jì)算簡(jiǎn)單且有效，是一種常用于ANN中的激活函數(shù)。圖2-3relu函數(shù)數(shù)學(xué)圖形Relu函數(shù)通常指數(shù)學(xué)中的斜坡函數(shù)，其數(shù)學(xué)表達(dá)式為：由公式可見(jiàn)，其實(shí)Relu函數(shù)就是分段線性函數(shù)，它將所有小于0的數(shù)即負(fù)數(shù)都變?yōu)?，而正數(shù)和0的不變。這表示如果輸入是一個(gè)負(fù)數(shù)，那么激活函數(shù)將輸出0，則神經(jīng)元不會(huì)被激活。所以同一時(shí)間只有部分的神經(jīng)元被激活，使得神經(jīng)元具有稀疏激活性，提高計(jì)算的效率。激活函數(shù)Sigmoid函數(shù)在定義域內(nèi)單調(diào)遞增，其反函數(shù)在定義域內(nèi)也是單調(diào)遞增。函數(shù)的數(shù)學(xué)圖形如2-4所示。圖2-4Sigmoid函數(shù)數(shù)學(xué)圖形從圖2-4可以看到函數(shù)的曲線平滑，則表明函數(shù)易于求導(dǎo)，其數(shù)學(xué)表達(dá)式為：其求導(dǎo)為：再將結(jié)果用表示：由公式和數(shù)學(xué)圖形可知，Sigmoid函數(shù)在x軸上單調(diào)連續(xù)、值域?yàn)閧y|0<y<1}。這意味著此函數(shù)可以將任意一個(gè)實(shí)數(shù)映射到(0,1)的區(qū)間內(nèi)，所以當(dāng)遇到二分類的情況下可以使用函數(shù)。但是當(dāng)函數(shù)的輸出值接近0或接近1時(shí)，輸出就不會(huì)發(fā)生明顯變化了,這稱為函數(shù)接近線性變換。所以函數(shù)在特征之間比較相似或者相差較大的情況下實(shí)現(xiàn)的效果比較好。激活函數(shù)Tanh雙曲正切函數(shù)其實(shí)屬于Sigmoid型函數(shù)的一種，兩個(gè)函數(shù)的數(shù)學(xué)圖形曲線相似。如果將Sigmoid函數(shù)的對(duì)稱點(diǎn)在y軸上向下移到0，將得到雙曲正切函數(shù)。函數(shù)的數(shù)學(xué)圖形如2-5所示。圖2-5.Tanh函數(shù)數(shù)學(xué)圖形其數(shù)學(xué)表達(dá)式為：與Sigmoid函數(shù)的關(guān)系為：求導(dǎo)為：再將結(jié)果用表示：由TanH函數(shù)數(shù)學(xué)圖形和數(shù)學(xué)表達(dá)式可知，其值域?yàn)?-1,1)，以0為中心反對(duì)稱，且原點(diǎn)近似恒等。但是，在輸入數(shù)據(jù)很大或很小時(shí)，輸出曲線接近線性變換，不利于權(quán)重更新容易出現(xiàn)梯度消失和飽和的問(wèn)題。在遇到二分類問(wèn)題時(shí)，構(gòu)建的網(wǎng)絡(luò)模型的隱藏層一般用雙曲正切函數(shù)，而輸出層則用Sigmoid函數(shù)。損失函數(shù)損失函數(shù)一般指預(yù)測(cè)值與已知標(biāo)準(zhǔn)答案兩者之差，可以通過(guò)它了解模型的優(yōu)劣。損失函數(shù)越小，表示網(wǎng)絡(luò)模型的準(zhǔn)確率越高。要想提高模型的準(zhǔn)確率、縮小損失函數(shù)，只能通過(guò)在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中改變網(wǎng)絡(luò)中的參數(shù)。下面將詳細(xì)講解以下三種最常被使用的函數(shù)(lossfunction)：均方誤差均方誤差是最常被使用的函數(shù)，它是n個(gè)樣本的預(yù)測(cè)值y與已知答案y’之差的平方和，再求平均值。公式如下自定義自定義是損失函數(shù)要指根據(jù)實(shí)際問(wèn)題來(lái)定制，也就是說(shuō)函數(shù)要符合問(wèn)題的實(shí)際情況。比如當(dāng)需要預(yù)測(cè)某個(gè)商品的銷量時(shí)，如果預(yù)測(cè)的銷量大于實(shí)際的銷量，則會(huì)損失成本，反之損失利潤(rùn)，所以這時(shí)使用均方誤差則明顯不適合。這時(shí)我們應(yīng)該自定義一個(gè)函數(shù)，公式如下：上述公式中,y表示預(yù)測(cè)結(jié)果，y’表示標(biāo)準(zhǔn)答案。當(dāng)y小于y’時(shí)，利潤(rùn)profit乘以y與y’之差作為損失函數(shù)。反之，當(dāng)y大于y’時(shí)，成本cost乘以y與y’之差作為損失函數(shù)。這樣分段定義損失函數(shù)才能夠有效解決預(yù)測(cè)商品銷量的問(wèn)題且最大程度縮小損失,而且使loss值達(dá)到最小。交叉熵交叉熵用來(lái)表示兩個(gè)概率之間的差異，即兩個(gè)概率分布之間的舉例。交叉熵的值與差異、距離成正比，值越小距離越近越相似。公式如下：感知器神經(jīng)網(wǎng)絡(luò)感知器神經(jīng)網(wǎng)絡(luò)是最簡(jiǎn)單的一種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用線性函數(shù)為激活函數(shù)，常被應(yīng)用于解決二分類。模型如圖2-6所示，其數(shù)學(xué)表達(dá)式為：其中，為輸入數(shù)據(jù)，為所對(duì)應(yīng)的的權(quán)重向量，為偏置。圖2-6感知器模型可以把感知器是當(dāng)作一個(gè)二分類模型，其特點(diǎn)是預(yù)測(cè)的數(shù)據(jù)是可以線性分割的。它就是在一個(gè)2D空間中找到一條線將不同的點(diǎn)進(jìn)行分割，這要求數(shù)據(jù)必須是可以獨(dú)立分割的，所以輸入數(shù)據(jù)必須要滿足于圖2-6中的①，也就是說(shuō)預(yù)測(cè)的數(shù)據(jù)特點(diǎn)可以在它們之間拉出一條線把數(shù)據(jù)分成兩個(gè)部分；即要求我們必須找到這條虛線。而②中，我們找不到這條線，所以是線性不可分割。圖2-7數(shù)據(jù)分布圖BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是最傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，也是使用的最運(yùn)頻繁的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)為一層輸入層，一層或多層隱含層，一層輸出層。它使用了BP反向傳播算法，其核心特點(diǎn)是信號(hào)前向傳播，誤差反向傳播。所以我們可以將整個(gè)神經(jīng)網(wǎng)絡(luò)的過(guò)程拆分為兩段，第一段過(guò)程是信號(hào)從輸入層到隱含層，又從隱含層到達(dá)輸出層的整個(gè)過(guò)程，即前向傳播。第二段過(guò)程是誤差從輸出經(jīng)過(guò)隱含層到達(dá)輸出層，期間調(diào)節(jié)權(quán)重和偏置，即反向傳播。模型如圖2-8所示。圖2-8BP神經(jīng)網(wǎng)絡(luò)模型BP神經(jīng)網(wǎng)絡(luò)能夠有效的解決感知器神經(jīng)網(wǎng)絡(luò)不能解決的異或，并且BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元激活函數(shù)既可以使用線性激活函數(shù)，又可以使用非線性激活函數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論知識(shí)CNN是多層感知器的一種擴(kuò)展，能夠有效地幫助我們解決圖像識(shí)別，接下來(lái)將詳細(xì)闡述與其相關(guān)的理論知識(shí)。前饋神經(jīng)網(wǎng)絡(luò)前饋神經(jīng)網(wǎng)絡(luò)，又稱為前向神經(jīng)網(wǎng)絡(luò)，是最簡(jiǎn)易的網(wǎng)絡(luò)結(jié)構(gòu)之一。多個(gè)神經(jīng)元排列組成一層，多個(gè)層組成前饋神經(jīng)網(wǎng)絡(luò)。其中，每個(gè)神經(jīng)元只接受前一層輸出的信息，并作為下一層的輸入進(jìn)行傳遞。圖3-1的神經(jīng)元接受n=4個(gè)輸入（x1,x2,x3,x4）,其輸出為圖3-1前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖其中為輸入向量，為權(quán)重向量，為偏置，函數(shù)為激活函數(shù)。圖3-1中的神經(jīng)網(wǎng)絡(luò)，包含了1層輸入層，2層隱藏層和1層輸出層，該神經(jīng)網(wǎng)絡(luò)的層數(shù)為3層。所有參數(shù)w的個(gè)數(shù)余所有參數(shù)b的之和為總參數(shù)的個(gè)數(shù)，第一層用四行五列的二階張量表示，第二層用五行三列的二階張量，第三層用三行一列的二階張量?？倕?shù)=4×5+5+5×3+3+3×1+1=47。一個(gè)前饋神經(jīng)網(wǎng)絡(luò)有一個(gè)輸入層，然后接零個(gè)或多個(gè)隱藏層，最后接一個(gè)輸出層。輸入層接受待處理的數(shù)據(jù)，經(jīng)過(guò)層層隱藏層，神經(jīng)元進(jìn)行計(jì)算，輸出層輸出結(jié)果。前向神經(jīng)網(wǎng)絡(luò)，以神經(jīng)元為基本單位，結(jié)構(gòu)簡(jiǎn)單，大部分都是學(xué)習(xí)網(wǎng)絡(luò)。常用的網(wǎng)絡(luò)有：感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)CNN是前饋神經(jīng)網(wǎng)絡(luò)其中一種，但不同的是其能夠進(jìn)行卷積計(jì)算且具有深度結(jié)構(gòu)。對(duì)于圖像識(shí)別來(lái)說(shuō)，CNN更加有效的過(guò)濾了不重要、不完整的輸入?yún)?shù)。卷積層卷積層內(nèi)包含多個(gè)卷積核，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)進(jìn)行有效特征提取。每一個(gè)卷積核如圖3-2所示，都要遍歷圖片上的每一個(gè)像素點(diǎn)。圖片與卷積核重合區(qū)域內(nèi)對(duì)應(yīng)的每一個(gè)像素值乘以卷積核相對(duì)應(yīng)點(diǎn)的權(quán)重之和、加上偏置為圖片的一個(gè)像素值。如圖3-2所示，結(jié)果應(yīng)為：圖3-2卷積過(guò)程卷積層參數(shù)包括卷積核大小、步長(zhǎng)和填充，卷積核越大，可提取的輸入特征越復(fù)雜。每進(jìn)行一次卷積，圖像都會(huì)縮小，所以為了圖像被縮小到消失，我們采取填充。即在每次卷積前，在圖像周圍補(bǔ)上空白，這樣圖像被縮小后還是跟原圖大小一樣。填充padding又分為SAME和VALID兩種。池化層也稱下采樣層，此層能夠保留主要特征、減少參數(shù)和計(jì)算量，提高計(jì)算速度防止過(guò)擬合。池化模型一般表示形式為：其中，為步長(zhǎng)，為像素，為預(yù)設(shè)參數(shù)。當(dāng)=1時(shí)，得到均值，所以稱為平均池化。當(dāng)時(shí)，得到最大值，所以稱為最大池化。在實(shí)際應(yīng)用中，最大池化應(yīng)用的比較多。圖3-3最大池化和平均池化在圖3-3的例子中，如果使用最大池化，每個(gè)2*2的四宮格中選出最大值作為輸出矩陣的值，如輸入矩陣第一個(gè)2*2四宮格中最大值是3，那么輸出矩陣的第一個(gè)元素就是6，如此類推。如果使用平均池化，則就計(jì)算每個(gè)2*2的四宮格的平均值作為輸出矩陣的值。全連接層全連接層實(shí)際相當(dāng)于“分類器”，全連接的核心操作就是矩陣向量乘積

y=Wx，即把之前的局部特征重新通過(guò)權(quán)值矩陣成為完整的特征。當(dāng)網(wǎng)絡(luò)模型在此層找到全部局部特征時(shí)，神經(jīng)元被激活，將重組特征然后輸出給輸出層，經(jīng)過(guò)softmax函數(shù)最后得到識(shí)別結(jié)果。一般來(lái)說(shuō)，只用一層全連接層優(yōu)勢(shì)解決不了非線性問(wèn)題，所以一般都使用兩層以上。傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)在CNN網(wǎng)絡(luò)結(jié)構(gòu)的演化上，出現(xiàn)了許多經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，如Lenet-5、Alenet、VGGNet和ResNet等。每一種網(wǎng)絡(luò)結(jié)構(gòu)都是基于卷積、激活、池化、全連接四個(gè)操作上進(jìn)行不同的擴(kuò)展。Lenet-5[21]是由Lecun團(tuán)隊(duì)提出的，是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)，它能有效的解決手寫(xiě)數(shù)字識(shí)別的問(wèn)題。它的輸入為32×32×1，經(jīng)過(guò)6個(gè)5×5×1的卷積核，步長(zhǎng)為1，采用非全零填充模式。卷積后將結(jié)果輸入到Relu非線性激活函數(shù)。接著經(jīng)過(guò)第一層池化大小為2×2的池化層，采用非零填充，步長(zhǎng)為2。再進(jìn)行第二次卷積，16個(gè)5×5×6的卷積核，步長(zhǎng)為1，采用非全零填充模式，再次將卷積后的結(jié)果通過(guò)Relu非線性激活函數(shù)。經(jīng)過(guò)第二層池化層，參數(shù)與第一層池化層相同。最后將輸出拉直后送入下一層，即全連接層。圖3-4Lenet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Mnist數(shù)據(jù)集內(nèi)的每張圖都為大小28×28的單通道灰度圖片，所以只需對(duì)輸入為28×28×1的Lenet神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)就可以應(yīng)用到Mnist數(shù)據(jù)集繼而實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別。識(shí)別結(jié)果如圖3-5所示。圖3-5Lenet在Mnist的識(shí)別結(jié)果

基于卷積網(wǎng)絡(luò)的人體行為識(shí)別系統(tǒng)的實(shí)現(xiàn)本章將詳細(xì)介紹如何實(shí)現(xiàn)在Tensorfolw平臺(tái)上構(gòu)建CNN結(jié)構(gòu)實(shí)現(xiàn)人體行為識(shí)別。數(shù)據(jù)集使用的是3軸加速度傳感數(shù)據(jù)對(duì)36位志愿者進(jìn)行采樣數(shù)據(jù)，共六個(gè)動(dòng)作。處理數(shù)據(jù)集下載WISDM實(shí)驗(yàn)室發(fā)布的數(shù)據(jù)集后，只使用其中的WISDM_ar_v1.1_raw.txt。WISDM數(shù)據(jù)集內(nèi)的數(shù)據(jù)格式如圖4-1所示：圖4-1.WISDM數(shù)據(jù)集從圖4-1可以看到每條數(shù)據(jù)后面都有一個(gè)“；”，如果直接加載數(shù)據(jù)集會(huì)導(dǎo)致報(bào)錯(cuò)，所以首先要去掉分號(hào)，實(shí)現(xiàn)代碼如圖4-1所示：圖4-2去分號(hào)實(shí)現(xiàn)代碼當(dāng)加載數(shù)據(jù)集到模型中，從圖4-3，我們可以看到數(shù)據(jù)集前20條記錄，包括用戶id，行為名稱，時(shí)間戳，加速器x軸、y軸、z軸的數(shù)據(jù)。圖4-3WISDM數(shù)據(jù)集前20條數(shù)據(jù)用matplotlib工具畫(huà)出數(shù)據(jù)集中的行為數(shù)量和用戶數(shù)量的柱狀圖，從圖4-4中可以知道，整個(gè)數(shù)據(jù)集中共有六個(gè)行為，分為Walking、Jogging、Upstairs、Downstairs、Sitting、Standing，且Walking和Jogging兩個(gè)的數(shù)據(jù)多于其他行為的數(shù)據(jù)。從圖4-5知，一共有36個(gè)人參與了此次試驗(yàn)。圖4-4訓(xùn)練集行為數(shù)量分布圖4-5訓(xùn)練集用戶分布將數(shù)據(jù)集分割成訓(xùn)練集(TrainingSet)和測(cè)試集(TestSet)，使訓(xùn)練集用于模型的訓(xùn)練，測(cè)試集用于驗(yàn)證。在這個(gè)數(shù)據(jù)集中，可以以用戶名為依據(jù)來(lái)進(jìn)行分割，這樣就不會(huì)導(dǎo)致測(cè)試集的數(shù)據(jù)滲入到訓(xùn)練集中。一般訓(xùn)練集的數(shù)據(jù)越多模型訓(xùn)練效果的越好，所以將用戶名1到28用于訓(xùn)練集，大于28的則用于測(cè)試集。實(shí)現(xiàn)代碼如圖4-6所示：圖4-6分割數(shù)據(jù)集實(shí)現(xiàn)代碼處理訓(xùn)練集數(shù)據(jù)在將數(shù)據(jù)喂入神經(jīng)網(wǎng)絡(luò)前，要?dú)w一化數(shù)據(jù)集中的特征，值在0到1之間。要注意的是，傳感器x、y、z三軸的數(shù)據(jù)要用同樣的規(guī)范化方法，實(shí)現(xiàn)代碼如圖4-7所示：圖4-7歸一化特征實(shí)現(xiàn)代碼為了使用keras框架，要將數(shù)據(jù)reshape。定義一個(gè)函數(shù)接收dataFrame和標(biāo)簽名、每個(gè)記錄的長(zhǎng)度。將一次分割的的步數(shù)設(shè)置為80，采樣率為20hz，所以時(shí)間間隔為：time_step=。reshape數(shù)據(jù)實(shí)現(xiàn)代碼如圖4-8所示：圖4-8reshape數(shù)據(jù)實(shí)現(xiàn)代碼將數(shù)據(jù)分段后，得到x_train、y_train。從圖4-9可知，x_train、y_train分別都有20868條記錄，其中x_train中20868條記錄中的每一條都是803的二維矩陣。圖4-9數(shù)據(jù)分段后的shape將特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)轉(zhuǎn)換成keras可以接受的類型，且對(duì)標(biāo)簽進(jìn)行一次熱編碼。實(shí)現(xiàn)編碼如圖4-10所示，結(jié)果如圖4-11所示。圖4-10熱編碼實(shí)現(xiàn)代碼圖4-11熱編碼后y_train的shape構(gòu)建神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)采用六層結(jié)構(gòu)，包括四個(gè)卷積層，一層全連接層，一個(gè)輸出層（不包括下采樣層和輸入層）。其中下采樣層有兩層，一層采用最大下采樣，一層采用平均采樣。下面詳細(xì)描述網(wǎng)絡(luò)結(jié)構(gòu)。第一層是卷積層，keras要求第一層輸入shape,所以輸入的input_shape為803的二維數(shù)組。有100個(gè)卷積核去卷積，使用的是conv1d一維卷積，卷積時(shí)只看縱列卷積核的尺寸為10。使用relu非線性激活函數(shù)，padding默認(rèn)為vaild,strade默認(rèn)為1。所以輸出shape為(None,71，100），一共有3100個(gè)參數(shù)。第二層也是卷積層，同樣有100個(gè)卷積核去卷積，卷積核的尺寸為10，使用relu非線性激活函數(shù)，padding默認(rèn)為vaild。輸出shape為(None,62,100),一共100100個(gè)參數(shù)。下一層是一個(gè)最大采樣層，在縱列的維度上，進(jìn)行尺度為3的下采樣，所以輸出shape為(None,20,100)。第三層是卷積層，有160個(gè)卷積核去卷積，卷積核的尺寸為10。使用relu非線性激活函數(shù)，padding默認(rèn)為vaild,strade默認(rèn)為1。輸出shape為(None,11,160)，共160160個(gè)參數(shù)。第四層還是卷積層，160個(gè)尺寸為10的卷積核。相關(guān)參數(shù)與第三層一樣。輸出shape為(None,2,160)，共256160個(gè)參數(shù)。下一層為平均下采樣層，輸出為(None,160)。接下來(lái)是dropout層，設(shè)定概率為0.5，防止過(guò)擬合。最后，把全連接層的輸出參數(shù)放入到一個(gè)sofmax分類其中。CNN結(jié)構(gòu)示意圖如圖4-13所示，實(shí)現(xiàn)代碼如圖4-12所示：圖4-12構(gòu)建網(wǎng)絡(luò)模型實(shí)現(xiàn)代碼圖4-13神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

測(cè)試與分析這一章將針對(duì)上一章構(gòu)建的神經(jīng)網(wǎng)絡(luò)在WISDM數(shù)據(jù)集上驗(yàn)證的結(jié)果進(jìn)行全面的分析，其中包括神經(jīng)網(wǎng)絡(luò)的性能和識(shí)別的正確率。編譯模型為了更好的檢測(cè)模型的訓(xùn)練過(guò)程，創(chuàng)建一個(gè)回調(diào)函數(shù)，模型訓(xùn)練過(guò)程中任意時(shí)間都會(huì)調(diào)用此函數(shù)。它將保存最佳模型到filepath中，實(shí)現(xiàn)代碼如圖5-1所示：圖5-1回調(diào)函數(shù)實(shí)現(xiàn)代碼接下來(lái)就是編譯模型，實(shí)現(xiàn)代碼如圖5-2所示：圖5-2編譯模型實(shí)現(xiàn)代碼模型訓(xùn)練，以x_train個(gè)樣本為一個(gè)batch進(jìn)行迭代。每個(gè)batch包含400個(gè)樣本數(shù)，訓(xùn)練達(dá)到50時(shí)停止，實(shí)現(xiàn)代碼如圖5-3所示圖5-3訓(xùn)練模型實(shí)現(xiàn)代碼實(shí)驗(yàn)結(jié)果模型準(zhǔn)確率和損失使用matplotlib可視化工具，實(shí)現(xiàn)函數(shù)可視化，畫(huà)出模型準(zhǔn)確率的損失，如圖5-4所示。使用validationdata代替testdata是為了防止過(guò)度擬合。圖5-4模型準(zhǔn)確率從圖5-4可以看到，訓(xùn)練數(shù)據(jù)的準(zhǔn)確率比較好，而測(cè)試數(shù)據(jù)的準(zhǔn)確率僅達(dá)到80%以上。訓(xùn)練數(shù)據(jù)的損失率在0.2左右，測(cè)試數(shù)據(jù)的損失率在0.5左右。模型還有很大的提升空間，要將測(cè)試數(shù)據(jù)的準(zhǔn)確率提高，和降低測(cè)試數(shù)據(jù)的損失率。模型識(shí)別的正確率數(shù)據(jù)集共有六類行為，在測(cè)試階段對(duì)所有測(cè)試樣本進(jìn)行測(cè)試，并得到分類結(jié)果。再將分類結(jié)果與測(cè)試樣本的標(biāo)簽進(jìn)行比較，相同則正確，反之則錯(cuò)誤。圖5-5中，得到測(cè)試數(shù)據(jù)的準(zhǔn)確率、損失率、宏平均、微平均、樣本權(quán)重平均，以及每個(gè)行為的準(zhǔn)確率、召回率、F值。圖5-5模型評(píng)估結(jié)果從圖5-5，可以得到模型對(duì)Downstairs的識(shí)別準(zhǔn)確率僅為71%，對(duì)Jogging識(shí)別的準(zhǔn)確率卻高達(dá)97%，對(duì)Sitting識(shí)別的準(zhǔn)確率為85%，對(duì)Standing識(shí)別的準(zhǔn)確率達(dá)到94%，對(duì)Walking的識(shí)別準(zhǔn)確率也達(dá)到90%，但是對(duì)Upstairs識(shí)別的準(zhǔn)確率為58%。測(cè)試數(shù)據(jù)集的識(shí)別準(zhǔn)確率為86%，損失率為71%。準(zhǔn)確率的微平均為86%，宏平均為83%，權(quán)重平均為87%。混淆矩陣混淆矩陣就是每一類的測(cè)試數(shù)據(jù)被分到不同類的情況，我們可以看到哪個(gè)行為容易在網(wǎng)絡(luò)結(jié)構(gòu)中混淆。矩陣的行代表測(cè)試樣本的正確標(biāo)簽，行代表數(shù)據(jù)的類別。列代表測(cè)試樣本在實(shí)際測(cè)試中被神經(jīng)網(wǎng)絡(luò)分到了哪一類。如果主對(duì)角線的數(shù)字和真實(shí)的值一樣的個(gè)數(shù)，即代表網(wǎng)絡(luò)對(duì)了。主對(duì)角線以外的就是代表網(wǎng)絡(luò)犯的錯(cuò)，也就是讓網(wǎng)絡(luò)感到混淆的地方?；煜仃嚨闹鲗?duì)角線的數(shù)字越大，代表神經(jīng)網(wǎng)絡(luò)的分類越好。圖5-6為生成混淆矩陣的實(shí)現(xiàn)代碼，圖5-7為混淆矩陣的結(jié)果示意圖：圖5-76混淆矩陣實(shí)現(xiàn)代碼圖5-7混淆矩陣從圖5-7可以大致看出來(lái)，Jogging和Walking主對(duì)角線的值較大，Standing的混淆區(qū)域的總值最小，實(shí)際這三個(gè)行為的識(shí)別準(zhǔn)確率也最高，都為90%以上。

總結(jié)與展望行為識(shí)別是指計(jì)算機(jī)從包含人的視頻或圖片序列中提取人體行為特征，對(duì)人的行為進(jìn)行理解和分類，是計(jì)算機(jī)視覺(jué)領(lǐng)域中應(yīng)用廣泛的方向。隨著社會(huì)對(duì)實(shí)現(xiàn)人工智能的日趨迫切，機(jī)器學(xué)習(xí)成為必經(jīng)的途徑，而深度學(xué)習(xí)作為其代表方向被普遍學(xué)習(xí)應(yīng)用。本文基于Tensorflow使用CNN來(lái)實(shí)現(xiàn)識(shí)別，數(shù)據(jù)來(lái)源WISDM實(shí)驗(yàn)室。本文主要以基于卷積網(wǎng)絡(luò)的行為識(shí)別這一論題為中心進(jìn)行研究與介紹，主要結(jié)論如下：闡述了基本ANN的相關(guān)理論知識(shí)，CNN是其派生物，要掌握CNN就得先了解ANN。以ANN為基礎(chǔ)自然地銜接了CNN相關(guān)的知識(shí)，層層遞進(jìn)，更好的了解CNN以及兩者之間的差別。設(shè)計(jì)了一種卷積網(wǎng)絡(luò)用于識(shí)別行為，基于Tensorflow平臺(tái)用Python來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)，并且卷積層使用的是一維卷積技術(shù)。使用WISDM數(shù)據(jù)集來(lái)實(shí)驗(yàn)本文網(wǎng)絡(luò)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析。本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)得到的準(zhǔn)確率在86%左右，應(yīng)該再提升這個(gè)正確率到90%以上。對(duì)Jogging識(shí)別的準(zhǔn)確率高達(dá)97%，對(duì)Sitting坐、Standing站立、Walking行走三個(gè)行為的識(shí)別準(zhǔn)確率也達(dá)到85%以上，但是對(duì)Upstairs和Downstairs的識(shí)別準(zhǔn)確率卻連低于80%，尤其對(duì)Downstairs下樓梯這個(gè)行為的識(shí)別準(zhǔn)確率只有57%。所以后續(xù)應(yīng)該將模型對(duì)上、下樓梯兩個(gè)行為的識(shí)別準(zhǔn)確率進(jìn)行提升。WISDIM中Jogging的數(shù)據(jù)最多最后得到的準(zhǔn)確率也最高，所以增加數(shù)據(jù)集中上、下樓梯數(shù)據(jù)的數(shù)量是最優(yōu)先考慮的方法。其次改進(jìn)網(wǎng)絡(luò)的結(jié)構(gòu)也是比較優(yōu)先考慮的方法，包括對(duì)激活函數(shù)的改進(jìn)、使用二維或者三維卷積、以及增加網(wǎng)絡(luò)的層數(shù)。而更改數(shù)據(jù)集也是可考慮的方法，本文使用的數(shù)據(jù)集基于三維傳感器，可更換成基于視頻的數(shù)據(jù)集，或者通過(guò)獲取局部關(guān)節(jié)位置來(lái)實(shí)現(xiàn)識(shí)別。以上提出的問(wèn)題和方法，都值得思考和嘗試。

參考文獻(xiàn)邢健飛,羅志增,席旭剛.基于深度神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)人臉識(shí)別[J].杭州電子科技大學(xué)學(xué)報(bào),2013(6).PengX,QiaoY,PengQ.Motionboundarybasedsamplingand3dco-occurrencedescriptorsforactionrecognition[J].ImageandVisionComputing,2014,32(9):616–628.RoshtkhariMJ,LevineMD.Humanactivityrecognitioninvideosusingasingleexample[J].ImageandVisionComputing,2013,31(11):864–876O'HaraS,LuiYM,DraperBA.Usingaproductmanifolddistanceforunsupervisedactionrecognition[J].ImageandVisionComputing,2012,30(3):206–216.YangX,ZhangC,TianYL.Recognizingactionsusingdepthmotionmaps-basedhistogramsoforientedgradients[C]//ACMInternationalConferenceonMultimedia.NewYork:ACM,2012:1057-1060.OreifejO,LiuZ.HON4D:Histogramoforiented4Dnormalsforactivityrecognitionfromdepthsequences[C]//ComputerVisionandPatternRecognition.NewYork:IEEE,2013:716-723LaptevI,MarszalekM,SchmidC,etal.Learningrealistichumanactionsfrommovies[C]//ComputerVisionandPatternRecognition,2008,IEEEConferenceon.NewYork:IEEE,2008:1-8.DavisJW,BobickAF.Therepresentationandrecognitionofhumanmovementusingtemporaltemplates[C]//ConferenceonComputerVisionandPatternRecognition.Washington,D.C:IEEEComputerSociety,1997:928.WuY.Miningactionletensembleforactionrecognitionwithdepthcameras[C]//IEEEConferenceonComputerVisionandPatternRecognition.Washington,D.C:IEEEComputerSociety,2012:1290-1297.VemulapalliR,ArrateF,ChellappaR.Humanactionrecognitionbyrepresenting3Dskeletonsaspointsinaliegroup[C]//ComputerVisionandPatternRecognition.NewYork:IEEE,2014:588-595.LiW,ZhangZ,LiuZ.Actionrecognitionbasedonabagof3Dpoints[C]//ComputerVisionandPatternRecognitionWorkshops.NewYork:IEEE,2010:9-14.劉智,馮欣,張杰.基于深度卷積神經(jīng)網(wǎng)絡(luò)和深度視頻的人體行為識(shí)別[J].重慶大學(xué)學(xué)報(bào),2017,40(11):99-106.王昌喜,楊先軍,徐強(qiáng),etal.MotionRecognitionSystemforUpperLimbsBasedon3DAccelerationSensors%基于三維加速度傳感器的上肢動(dòng)作識(shí)別系統(tǒng)[J].傳感技術(shù)學(xué)報(bào),2010,023(006):816-819.田國(guó)會(huì),尹建芹,韓旭,etal.一種基于關(guān)節(jié)點(diǎn)信息的人體行為識(shí)別新方法[J].機(jī)器人,2014(03):31-38.衡霞,王忠民.Humanactivityrecognitionbasedonaccelerometerdatafromamobilephone%基于手機(jī)加速度傳感器的人體行為識(shí)別[J].西安郵電學(xué)院學(xué)報(bào),2014,019(006):76-79.JOHANSSON,G.Visualperceptionofbiologicalmotionandamodelforitsanalysis[J].Perception&Psychophysics,1973,14.田國(guó)會(huì),尹建芹,韓旭,etal.一種基于關(guān)節(jié)點(diǎn)信息的人體行為識(shí)別新方法PrestiLL,CasciaML.3DSkeleton-basedHumanActionClassification:aSurvey[J].PatternRecognition,2015,53.姚國(guó)正,汪云九.D.Marr及其視覺(jué)計(jì)算理論[J].國(guó)外自動(dòng)化,1984(06):57-59.MarrD.ATheoryofVision.(BookReviews:Vision)[J].Science,1982,218(4576):991-992.LécunY,BottouL,BengioY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.

致謝從2016年的初秋到2020年的暮春，開(kāi)學(xué)的迷茫與興奮彷如昨日般，分別離校的瞬間即將來(lái)臨。四年的大學(xué)生活，有因付出努力而無(wú)回報(bào)的酸，有因與同學(xué)開(kāi)心暢聊帶來(lái)的甜，有因?qū)W業(yè)無(wú)法解惑帶來(lái)的苦，有因生活壓力帶來(lái)的辣，如昨日般歷歷在目。2020年的開(kāi)始，疫情悄然來(lái)臨，回到校園已不如從前般容易，這無(wú)不提醒我們珍惜現(xiàn)在，珍惜身邊人。四年的學(xué)習(xí)生活，離不開(kāi)任何一位老師的教誨與指導(dǎo)。我的畢業(yè)設(shè)計(jì)，都是每一位老師所教的知識(shí)才使我完成。桃李之恩，沒(méi)齒難忘。其次我要感謝學(xué)校，讓我每次歸校都能感受如同回家般的溫暖。“進(jìn)德修業(yè)，勤思知行”，八字校訓(xùn)我將永記于心，作為人生的一塊指引牌。我感謝陪伴我四年的同學(xué)們，尤其是226的五位姑娘，世界之大，人海茫茫，我們的相遇是我的幸運(yùn)。愿各位走出屬于自己的康莊大道，再相見(jiàn)時(shí)我們?nèi)允巧倌?！最后，我要感謝我的父母。你們從不問(wèn)我為何，只會(huì)默默支持我，我無(wú)時(shí)無(wú)刻無(wú)不慶幸你們是我的父母！雖然不善言辭，但是你們的支持是我前進(jìn)的最大動(dòng)力。論文的完成，也標(biāo)志著大學(xué)生活已畫(huà)上句點(diǎn)。感謝人生道路遇到的各位，你們的陪伴、聆聽(tīng)，幫助我度過(guò)迷茫、揮走陰霾。一飯之恩，無(wú)以回報(bào)，只能更加嚴(yán)于律己，不辜負(fù)各位的期望！

怎樣提高電腦系統(tǒng)運(yùn)行速度WindowsXP的啟動(dòng)速度比Windows2000要快30%左右，但相對(duì)于Windows98仍然要慢了不少，不過(guò)，我們可以通過(guò)優(yōu)化設(shè)置，來(lái)大大提高WindowsXP的啟動(dòng)速度。加快系統(tǒng)啟動(dòng)速度主要有以下方法：盡量減少系統(tǒng)在啟動(dòng)時(shí)加載的程序與服務(wù)；對(duì)磁盤(pán)及CPU等硬件進(jìn)行優(yōu)化設(shè)置；修改默認(rèn)設(shè)置，減少啟動(dòng)等待時(shí)間等。這些方法大部分既可減少系統(tǒng)啟動(dòng)的時(shí)間，又可以節(jié)省系統(tǒng)資源，加快電腦運(yùn)行速度。1.加快系統(tǒng)啟動(dòng)速度WindowsXP的啟動(dòng)速度比Windows2000要快30%左右，但相對(duì)于Windows98仍然要慢了不少，不過(guò)，我們可以通過(guò)優(yōu)化設(shè)置，來(lái)大大提高WindowsXP的啟動(dòng)速度。加快系統(tǒng)啟動(dòng)速度主要有以下方法：盡量減少系統(tǒng)在啟動(dòng)時(shí)加載的程序與服務(wù)；對(duì)磁盤(pán)及CPU等硬件進(jìn)行優(yōu)化設(shè)置；修改默認(rèn)設(shè)置，減少啟動(dòng)等待時(shí)間等。這些方法大部分既可減少系統(tǒng)啟動(dòng)的時(shí)間，又可以節(jié)省系統(tǒng)資源，加快電腦運(yùn)行速度。(1)MsconfigWindowsXP的啟動(dòng)速度在系統(tǒng)安裝初期還比較快，但隨著安裝的軟件不斷增多，系統(tǒng)的啟動(dòng)速度會(huì)越來(lái)越慢，這是由于許多軟件把自己加在了啟動(dòng)程序中，這樣開(kāi)機(jī)即需運(yùn)行，大大降低了啟動(dòng)速度，而且也占用了大量的系統(tǒng)資源。對(duì)于這樣一些程序，我們可以通過(guò)系統(tǒng)配置實(shí)用程序Msconfig將它們從啟動(dòng)組中排除出去。選擇“開(kāi)始”菜單中的“運(yùn)行”命令，在“運(yùn)行”對(duì)話框中鍵入“Msconfig”，回車后會(huì)彈出“系統(tǒng)配置實(shí)用程序”對(duì)話框，選擇其中的“啟動(dòng)”選項(xiàng)卡(如圖1)，該選項(xiàng)卡中列出了系統(tǒng)啟動(dòng)時(shí)加載的項(xiàng)目及來(lái)源，仔細(xì)查看每個(gè)項(xiàng)目是否需要自動(dòng)加載，否則清除項(xiàng)目前的復(fù)選框，加載的項(xiàng)目越少，啟動(dòng)的速度就越快。設(shè)置完成后需要重新啟動(dòng)方能生效。(2)BootvisBootvis是微軟提供的一個(gè)啟動(dòng)優(yōu)化工具，可提高WindowsXP的啟動(dòng)速度。用BootVis提升WindowsXP的啟動(dòng)速度必須按照正確的順序進(jìn)行操作，否則將不會(huì)起到提速的效果。其正確的操作方法如下：?jiǎn)?dòng)Bootvis，從其主窗口(如圖2)中選擇“工具”菜單下的“選項(xiàng)”命令，在“符號(hào)路徑”處鍵入Bootvis的安裝路徑，如“C:\ProgramFiles\Bootvis”，單擊“保存”退出。從“跟蹤”菜單中選擇“下次引導(dǎo)”命令，會(huì)彈出“重復(fù)跟蹤”對(duì)話框，單擊“確定”按鈕，BootVis將引導(dǎo)WindowsXP重新啟動(dòng)，默認(rèn)的重新啟動(dòng)時(shí)間是10秒。系統(tǒng)重新啟動(dòng)后，BootVis自動(dòng)開(kāi)始運(yùn)行并記錄啟動(dòng)進(jìn)程，生成啟動(dòng)進(jìn)程的相關(guān)BIN文件，并把這個(gè)記錄文件自動(dòng)命名為T(mén)RACE_BOOT_1_1。程序記錄完啟動(dòng)進(jìn)程文件后，會(huì)重新啟動(dòng)BootVis主界面，在“文件”菜單中選擇剛剛生成的啟動(dòng)進(jìn)程文件“TRACE_BOOT_1_1”。窗口中即會(huì)出現(xiàn)“CPU>使用”、“磁盤(pán)I/O”、“磁盤(pán)使用”、“驅(qū)動(dòng)程序延遲”等幾項(xiàng)具體圖例供我們分析，不過(guò)最好還是讓BootVis程序來(lái)自動(dòng)進(jìn)行分析：從“跟蹤”菜單中選擇“系統(tǒng)優(yōu)化”命令，程序會(huì)再次重新啟動(dòng)計(jì)算機(jī)，并分析啟動(dòng)進(jìn)程文件，從而使計(jì)算機(jī)啟動(dòng)得更快。(3)禁用多余的服務(wù)WindowsXP在啟動(dòng)時(shí)會(huì)有眾多程序或服務(wù)被調(diào)入到系統(tǒng)的內(nèi)存中，它們往往用來(lái)控制Windows系統(tǒng)的硬件設(shè)備、內(nèi)存、文件管理或者其他重要的系統(tǒng)功能。但這些服務(wù)有很多對(duì)我們用途不大甚至根本沒(méi)有用，它們的存在會(huì)占用內(nèi)存和系統(tǒng)資源，所以應(yīng)該將它們禁用，這樣最多可以節(jié)省70MB的內(nèi)存空間，系統(tǒng)速度自然也會(huì)有很大的提高。選擇“開(kāi)始”菜單中的“運(yùn)行”命令，在“運(yùn)行”對(duì)話框鍵入“services.msc”后回車，即可打開(kāi)“服務(wù)”窗口。窗口的服務(wù)列表中列出了系統(tǒng)提供的所有服務(wù)的名稱、狀態(tài)及啟動(dòng)類型。要修改某個(gè)服務(wù)，可從列表雙擊它，會(huì)彈出它的屬性對(duì)話框(如圖3)，你可從“常規(guī)”選項(xiàng)卡對(duì)服務(wù)進(jìn)行修改，通過(guò)單擊“啟動(dòng)”、“停止”、“暫停”、“恢復(fù)”四個(gè)按鈕來(lái)修改服務(wù)的狀態(tài)，并可從“啟動(dòng)類型”下拉列表中修改啟動(dòng)類型，啟動(dòng)類型有“自動(dòng)”、“手動(dòng)”、“已禁用”三種。如果要禁止某個(gè)服務(wù)在啟動(dòng)自動(dòng)加載，可將其啟動(dòng)類型改為“已禁用”。WindowsXP提供的所有服務(wù)有36個(gè)默認(rèn)是自動(dòng)啟動(dòng)的，實(shí)際上，其中只有8個(gè)是必須保留的(見(jiàn)下表)，其他的則可根據(jù)自己的需要進(jìn)行設(shè)置，每種服務(wù)的作用在軟件中有提示。4)修改注冊(cè)表來(lái)減少預(yù)讀取，減少進(jìn)度條等待時(shí)間WindowsXP在啟動(dòng)過(guò)程中會(huì)出現(xiàn)一個(gè)進(jìn)度條，我們可以通過(guò)修改注冊(cè)表，讓進(jìn)度條只跑一圈就進(jìn)入登錄畫(huà)面。選擇“開(kāi)始”菜單中的“運(yùn)行”命令，在“運(yùn)行”對(duì)話框鍵入“regedit”命令后回車，即可啟動(dòng)注冊(cè)表編輯器，在注冊(cè)表中找HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\SessionManager\MemoryManagement\PrefetchParameters，選擇其下的EnablePrefetcher鍵，把它的鍵值改為“1”即可。(5)減少開(kāi)機(jī)磁盤(pán)掃描等待時(shí)間當(dāng)Windows日志中記錄有非正常關(guān)機(jī)、死機(jī)引起的重新啟動(dòng)，系統(tǒng)就會(huì)自動(dòng)在啟動(dòng)的時(shí)候運(yùn)行磁盤(pán)掃描程序。在默認(rèn)情況下，掃描每個(gè)分區(qū)前會(huì)等待10秒鐘，如果每個(gè)分區(qū)都要等上10秒才能開(kāi)始進(jìn)行掃描，再加上掃描本身需要的時(shí)間，會(huì)耗費(fèi)相當(dāng)長(zhǎng)的時(shí)間才能完成啟動(dòng)過(guò)程。對(duì)于這種情況我們可以設(shè)置取消磁盤(pán)掃描的等待時(shí)間，甚至禁止對(duì)某個(gè)磁盤(pán)分區(qū)進(jìn)行掃描。選擇“開(kāi)始→運(yùn)行”，在運(yùn)行對(duì)話框中鍵入“chkntfs/t:0”，即可將磁盤(pán)掃描等待時(shí)間設(shè)置為0；如果要在計(jì)算機(jī)啟動(dòng)時(shí)忽略掃描某個(gè)分區(qū)，比如C盤(pán)，可以輸入“chkntfs/xc:”命令；如果要恢復(fù)對(duì)C盤(pán)的掃描，可使用“chkntfs/dc:”命令，即可還原所有chkntfs默認(rèn)設(shè)置，除了自動(dòng)文件檢查的倒計(jì)時(shí)之外。2.提高系統(tǒng)運(yùn)行速度提升系統(tǒng)運(yùn)行速度的思路與加快啟動(dòng)的速度類似：盡量?jī)?yōu)化軟硬件設(shè)置，減輕系統(tǒng)負(fù)擔(dān)。以下是一些常用的優(yōu)化手段。(1)設(shè)置處理器二級(jí)緩存容量WindowsXP無(wú)法自動(dòng)檢測(cè)處理器的二級(jí)緩存容量，需要我們自己在注冊(cè)表中手動(dòng)設(shè)置，首先打開(kāi)注冊(cè)表，找到“HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\SessionManager\MemoryManagement\”，選擇其下的“SecondLevelDataCache”，根據(jù)自己所用的處理器設(shè)置即可，例如PIIICoppermine/P4Willamette是“256”，AthlonXP是“384”，P4Northwood是“512”。(2)提升系統(tǒng)緩存同樣也是在“HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\SessionManager\MemoryManagement\”位置，把其下的“LargeSystemCache”鍵值從0改為1，WindowsXP就會(huì)把除了4M之外的系統(tǒng)內(nèi)存全部分配到文件系統(tǒng)緩存中，這樣X(jué)P的內(nèi)核能夠在內(nèi)存中運(yùn)行，大大提高系統(tǒng)速度。通常來(lái)說(shuō)，該優(yōu)化會(huì)使系統(tǒng)性能得到相當(dāng)?shù)奶嵘?，但也有可能?huì)使某些應(yīng)用程序性能降低。需要注意的是必須有256M以上的內(nèi)存，激活LargeSystemCache才可起到正面的作用，否則不要輕易改動(dòng)它。(3)改進(jìn)輸入/輸出性能這個(gè)優(yōu)化能夠提升系統(tǒng)進(jìn)行大容量文件傳輸時(shí)的性能，不過(guò)這只對(duì)服務(wù)器用戶才有實(shí)在意義。我們可在中新建一個(gè)DWORD(雙字節(jié)值)鍵值，命名為IOPageLockLimit。一般情況下把數(shù)據(jù)設(shè)置8~16MB之間性能最好，要記住這個(gè)值是用字節(jié)來(lái)計(jì)算的，例如你要分配10MB的話，就是10×?1024×1024，也就是10485760。這里的優(yōu)化也需要你的機(jī)器擁有大于256M的內(nèi)存。(4)禁用內(nèi)存頁(yè)面調(diào)度在正常情況下，XP會(huì)把內(nèi)存中的片斷寫(xiě)入硬盤(pán)，我們可以阻止它這樣做，讓數(shù)據(jù)保留在內(nèi)存中，從而提升系統(tǒng)性能。在注冊(cè)表中找到“HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\SessionManager\MemoryManagement\”下的“DisablePagingExecutive”鍵，把它的值從0改為1即可禁止內(nèi)存頁(yè)面調(diào)度了。(5)關(guān)閉自動(dòng)重新啟動(dòng)功能當(dāng)WindowsXP遇到嚴(yán)重問(wèn)題時(shí)便會(huì)突然重新開(kāi)機(jī)，可從注冊(cè)表將此功能取消。打開(kāi)注冊(cè)表編輯器，找到“HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\CrashControl\”將AutoReboot鍵的Dword值更改為0，重新啟動(dòng)后設(shè)置即可生效。(6)改變視覺(jué)效果WindowsXP在默認(rèn)情況下啟用了幾乎所有的視覺(jué)效果，如淡入淡出、在菜單下顯示陰影。這些視覺(jué)效果雖然漂亮，但對(duì)系統(tǒng)性能會(huì)有一定的影響，有時(shí)甚至造成應(yīng)用軟件在運(yùn)行時(shí)出現(xiàn)停頓。一般情況下建議少用或者取消這些視覺(jué)效果。選擇桌面上“我的電腦”圖標(biāo)，單擊鼠標(biāo)右鍵，在彈出的快捷菜單中選擇“屬性”命令，打開(kāi)“系統(tǒng)屬性”對(duì)話框。選擇“高級(jí)”選項(xiàng)卡，在其中的“性能”欄中單擊“設(shè)置”按鈕，會(huì)彈出“性能選項(xiàng)”對(duì)話框(如圖4)，可選擇“調(diào)整為最佳性能”單選框來(lái)關(guān)閉所有的視覺(jué)效果，也可選擇“自定義”然后選擇自己需要的視覺(jué)效果。(7)合理設(shè)置頁(yè)面虛擬內(nèi)存同樣也是在“性能選項(xiàng)”對(duì)話框中，選擇“高級(jí)”選項(xiàng)卡，在其中的“虛擬內(nèi)存”欄中單擊“更改”按鈕，接下來(lái)選擇虛擬內(nèi)存為“自定義大小”，然后設(shè)置其數(shù)值。一般情況下，把虛擬設(shè)為不小于256M，不大于382M比較合適，而且最大值和最小值最好一樣。(8)修改外觀方案WindowsXP默認(rèn)的外觀方案雖然漂亮，但對(duì)系統(tǒng)資源的占用也多，可將其改為經(jīng)典外觀以獲得更好的性能。在桌面空白位置單擊鼠標(biāo)右鍵，從彈出的快捷菜單中選擇“屬性”命令，會(huì)打開(kāi)“顯示屬性”對(duì)話框，在“主題”選項(xiàng)卡選擇主題為“Windows經(jīng)典”，即可將外觀修改為更為經(jīng)濟(jì)的Windows經(jīng)典外觀。(9)取消XP對(duì)ZIP支持WindowsXP在默認(rèn)情況下打開(kāi)了對(duì)zip文件支持，這要占用一定的系統(tǒng)資源，可選擇“開(kāi)始→運(yùn)行”，在“運(yùn)行”對(duì)話框中鍵入“regsvr32/uzipfldr.dll”，回車確認(rèn)即可取消XP對(duì)ZIP解壓縮的支持，從而節(jié)省系統(tǒng)資源。(10)關(guān)閉Dr.WatsonDr.Watson是WindowsXP的一個(gè)崩潰分析工具，它會(huì)在應(yīng)用程序崩潰的時(shí)候自動(dòng)彈出，并且在默認(rèn)情況下，它會(huì)將與出錯(cuò)有關(guān)的內(nèi)存保存為DUMP文件以供程序員分析。不過(guò)，記錄DUMP文件對(duì)普通用戶則毫無(wú)幫助，反而會(huì)帶來(lái)很大的不便：由于Dr.Watson在應(yīng)用程序崩潰時(shí)會(huì)對(duì)內(nèi)存進(jìn)行DUMP記錄，將出現(xiàn)長(zhǎng)時(shí)間硬盤(pán)讀寫(xiě)操作，要很長(zhǎng)一斷時(shí)間程序才能關(guān)閉，并且DUMP文件還會(huì)占用大量磁盤(pán)空間。要關(guān)閉Dr.Watson可打開(kāi)注冊(cè)表編輯器，找到“HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\WindowsNT\CurrentVersion\AeDebug”分支，雙擊其下的Auto鍵值名稱，將其“數(shù)值數(shù)據(jù)”改為0，最后按F5刷新使設(shè)置生效，這樣就取消它的運(yùn)行了。同樣，我們可以把所有具備調(diào)試功能的選項(xiàng)取消，比如藍(lán)屏?xí)r出現(xiàn)的memory.dmp，可在“系統(tǒng)屬性”對(duì)話框中選擇“高級(jí)”選項(xiàng)卡，單擊“啟動(dòng)和故障恢復(fù)”欄中的“設(shè)置”按鈕，并在彈出的“啟動(dòng)和故障恢復(fù)”對(duì)話框中選擇“寫(xiě)入調(diào)試信息”為“無(wú)”(如圖5)。(11)啟動(dòng)硬盤(pán)/光驅(qū)DMA模式打開(kāi)“系統(tǒng)屬性”對(duì)話框，選擇“硬件”選擇卡中的“設(shè)備管理器”按鈕，打開(kāi)“設(shè)備管理器”窗口，在設(shè)備列表中選擇“IDEATA/ATAPI控制器”，雙擊“主要IDE通道”或“次要IDE通過(guò)”，在其屬性對(duì)話框的“高級(jí)設(shè)置”選項(xiàng)卡中檢查DMA模式是否已啟動(dòng)，一般來(lái)說(shuō)如果設(shè)備支持，系統(tǒng)就會(huì)自動(dòng)打開(kāi)DMA功能，如果沒(méi)有打開(kāi)可將“傳輸模式”設(shè)為“DMA(若可用)”。(12)關(guān)掉不用的設(shè)備WindowsXP總是盡可能為電腦的所有設(shè)備安裝驅(qū)動(dòng)程序并進(jìn)行管理，這不僅會(huì)減慢系統(tǒng)啟動(dòng)的速度，同時(shí)也造成了系統(tǒng)資源的大量占用。針對(duì)這一情況，你可在設(shè)備管理器中，將PCMCIA卡、調(diào)制解調(diào)器、紅外線設(shè)備、打印機(jī)端口(LPT1)或者串口(COM1)等不常用的設(shè)備停用，方法是雙擊要停用的設(shè)備，在其屬性對(duì)話框中的“常規(guī)”選項(xiàng)卡中選擇“不要使用這個(gè)設(shè)備(停用)”。在重新啟動(dòng)設(shè)置即可生效，當(dāng)需要使用這些設(shè)備時(shí)再?gòu)脑O(shè)備管理器中啟用它們。(13)關(guān)閉錯(cuò)誤報(bào)告當(dāng)應(yīng)用程序出錯(cuò)時(shí)，會(huì)彈出發(fā)送錯(cuò)誤報(bào)告的窗口，其實(shí)這樣的錯(cuò)誤報(bào)告對(duì)普通用戶而言幾乎沒(méi)有任何意義，關(guān)閉它是明智的選擇。在“系統(tǒng)屬性”對(duì)話框中選擇“高級(jí)”選項(xiàng)卡，單擊“錯(cuò)誤報(bào)告”按鈕，在彈出的“錯(cuò)誤匯報(bào)”對(duì)話框中，選擇“禁用錯(cuò)誤匯報(bào)”單選項(xiàng)，最后單擊“確定”即可。另外我們也可以從組策略中關(guān)閉錯(cuò)誤報(bào)告：從“運(yùn)行”中鍵入“gpedit.msc”，運(yùn)行“組策略編輯器”，展開(kāi)“計(jì)算機(jī)配置→管理模板→系統(tǒng)→錯(cuò)誤報(bào)告功能”，雙擊右邊設(shè)置欄中的“報(bào)告錯(cuò)誤”，在彈出的“屬性”對(duì)話框中選擇“已禁用”單選框即可將“報(bào)告錯(cuò)誤”禁用。(14)關(guān)閉自動(dòng)更新“自動(dòng)更新”功能對(duì)許多WindowsXP用戶而言并不是必需的，可將其關(guān)閉以節(jié)省系統(tǒng)資源。在“我的電腦”上單擊鼠標(biāo)右鍵，從快捷菜單中選擇“屬性”命令，選擇“系統(tǒng)屬性”對(duì)話框中的“自動(dòng)更新”選項(xiàng)卡，勾選“關(guān)閉自動(dòng)更新，我將手動(dòng)更新計(jì)算機(jī)”單選框，單擊“確定”按鈕即可關(guān)閉自動(dòng)更新功能。如果在“服務(wù)”已經(jīng)將“AutomaticUpdates”服務(wù)關(guān)閉，“系統(tǒng)屬性”對(duì)話框中的“自動(dòng)更新”選項(xiàng)卡就不能進(jìn)行任何設(shè)置了。(15)去掉菜單延遲去掉菜單彈出時(shí)的延遲，可以在一定程度上加快XP。要修改的鍵值位置在“HKEY_CURRENT_USER\ControlPanel\Desktop”。修改其下的“MenuShowDelay”鍵，把默認(rèn)的400修改為0，按F5刷新注冊(cè)表即可生效。(16)清除預(yù)讀文件WindowsXP的預(yù)讀設(shè)置雖然可以提高系統(tǒng)速度，但是使用一段時(shí)間后，預(yù)讀文件夾里的文件數(shù)量會(huì)變得相當(dāng)龐大，導(dǎo)致系統(tǒng)搜索花費(fèi)的時(shí)間變長(zhǎng)。而且有些應(yīng)用程序會(huì)產(chǎn)生死鏈接文件，更加重了系統(tǒng)搜索的負(fù)擔(dān)。所以，應(yīng)該定期刪除這些預(yù)讀文件。預(yù)計(jì)文件存放在WindowsXP系統(tǒng)文件夾的Prefetch文件夾中，該文件夾下的所有文件均可刪除。(17)關(guān)閉自動(dòng)播放功能在WindowsXP中，當(dāng)往光驅(qū)中放入光盤(pán)或?qū)SB硬盤(pán)接上電腦時(shí)，系統(tǒng)都會(huì)自動(dòng)將光驅(qū)或USB硬盤(pán)掃描一遍，同時(shí)提示你是否播放里面的圖片、視頻、音樂(lè)等文件，如果是擁有多個(gè)分區(qū)的大容量的USB硬盤(pán)，掃描會(huì)耗費(fèi)很長(zhǎng)的時(shí)間，而且你得多次手動(dòng)關(guān)閉提示窗口，非常麻煩。這種情況下我們可以將WindowsXP的自動(dòng)播放功能關(guān)閉。運(yùn)行“組策略”程序。在組策略窗口左邊欄中，打開(kāi)“計(jì)算機(jī)配置”，選擇“管理模板”下的“系統(tǒng)”，然后在右邊的配置欄中找到“關(guān)閉自動(dòng)播放”并雙擊它，會(huì)彈出“關(guān)閉自動(dòng)播放屬性”對(duì)話框。在其中“設(shè)置”選項(xiàng)卡中選擇“已啟用”，“關(guān)閉自動(dòng)播放”下拉列表中選擇“所有驅(qū)動(dòng)器”(如圖6)。這樣以后就不用擔(dān)心WindowsXP的“自動(dòng)播放”功能帶來(lái)的麻煩了。如果你只是想禁止系統(tǒng)掃描某個(gè)驅(qū)動(dòng)器(如USB硬盤(pán))上的文件，可采用下面的方法。先連上你的USB硬盤(pán)，讓系統(tǒng)將它識(shí)別出來(lái)。然后打開(kāi)“我的電腦”，選擇USB硬盤(pán)上的某個(gè)分區(qū)，按鼠標(biāo)右鍵，會(huì)彈出磁盤(pán)屬性窗口，選取“自動(dòng)播放”選項(xiàng)卡，將所有內(nèi)容的類型都選擇為不執(zhí)行操作。如果USB硬盤(pán)有多個(gè)分區(qū)，對(duì)所有分區(qū)都進(jìn)行同樣的操作，這樣當(dāng)你將USB驅(qū)動(dòng)器拔掉再重新接上時(shí)，系統(tǒng)會(huì)將USB硬盤(pán)識(shí)別出來(lái)，而不會(huì)反復(fù)問(wèn)你是否播放USB硬盤(pán)中的文件了。3.加快關(guān)機(jī)速度WindowsXP的關(guān)機(jī)速度要慢于啟動(dòng)速度，特別有些任務(wù)還需要手工結(jié)束，更加延緩了關(guān)機(jī)速度。因此，要加快關(guān)機(jī)速度，首先要開(kāi)啟WindowsXP的自動(dòng)結(jié)束任務(wù)功能。具體步驟是：從注冊(cè)表中找到“HKEY_CURRENT_USER\ControlPanel\Desktop”，把“AutoEndTasks”的鍵值設(shè)置為1即可。然后再修改“HungAppTimeout”為“4000(或更小)”(預(yù)設(shè)為5000)，該鍵值同樣也在“HKEY_CURRENT_USER\ControlPanel\Desktop”下；最后一步再找到“HKEY_LOCAL_MACHINE\System\CurrentControlSet\Control\”，同樣把WaitToKillServiceTimeout設(shè)置為“4000”；通過(guò)這樣設(shè)置后的關(guān)機(jī)速度明顯要加快了。夠全面吧~~◆二、硬件優(yōu)化設(shè)置◆1、關(guān)掉不用的設(shè)備

在設(shè)備管理器中，將PCMCIA卡、調(diào)制解調(diào)器、紅外線設(shè)備、打印機(jī)端口(LPT1)或者串口(COM1)等不常用的設(shè)備停用，在要停用設(shè)備屬性對(duì)話框中的“常規(guī)”選項(xiàng)卡中選擇“不要使用這個(gè)設(shè)備(停用)”。當(dāng)需要使用這些設(shè)備時(shí)再?gòu)脑O(shè)備管理器中啟用它們。◆2、內(nèi)存性能優(yōu)化

WindowsXP中有幾個(gè)選項(xiàng)可以優(yōu)化內(nèi)存性能，它們?nèi)荚谧?cè)表下面位置：HKEY_LOCAL_MACHINESYSTEMCurrentControlSetControlSession

ManagerMemory

Management

1）禁用內(nèi)存頁(yè)面調(diào)度（Paging

Executive）

XP會(huì)把內(nèi)存中的片斷寫(xiě)入硬盤(pán)，我們可以阻止它這樣做，讓數(shù)據(jù)保留在內(nèi)存中，從而提升系統(tǒng)性能。256M以上內(nèi)存才使用這個(gè)設(shè)置。把“DisablePagingExecutive”的值從0改為1就可以禁止內(nèi)存頁(yè)面調(diào)度了。

2）提升系統(tǒng)緩存

必須有256M以上的內(nèi)存，才激活它。把LargeSystemCache鍵值從0改為1，一般來(lái)說(shuō)，這項(xiàng)優(yōu)化會(huì)使系統(tǒng)性能得到相當(dāng)?shù)奶嵘?，但也有可能?huì)使某些應(yīng)用程序性能降低。

3）輸入/輸出性能

內(nèi)存大于256M才更改這里的值，這個(gè)優(yōu)化只對(duì)server（服務(wù)器）用戶才有實(shí)在意義，它能夠提升系統(tǒng)進(jìn)行大容量文件傳輸時(shí)的性能。建一個(gè)DWORD（雙字節(jié)值）鍵值，命名為IOPageLockLimit，數(shù)值設(shè)8M－16M字節(jié)之間性能最好，具體設(shè)什么值，可試試哪個(gè)值可獲得最佳性能。這個(gè)值是用字節(jié)來(lái)計(jì)算的，比如你要分配12M，就是12×1024×1024，也就是12582912?！?、啟動(dòng)硬盤(pán)/光驅(qū)DMA模式

“系統(tǒng)屬性”－“硬件”－“設(shè)備管理器”，在設(shè)備列表中選擇“IDE

ATA/ATAPI控制器”，雙擊“主要

IDE

通道”或“次要

IDE

通道”，在其屬性對(duì)話框的“高級(jí)設(shè)置”選項(xiàng)卡中檢查DMA模式是否已啟動(dòng)，一般來(lái)說(shuō)如果設(shè)備支持，系統(tǒng)就會(huì)自動(dòng)打開(kāi)DMA功能，如果沒(méi)有打開(kāi)可將“傳輸模式”設(shè)為“DMA（若可用）”（在BIOS里也應(yīng)該要先設(shè)為支持DMA）。

◆4、關(guān)閉自動(dòng)播放功能

運(yùn)行“組策略”程序,在組策略窗口左邊欄中打開(kāi)“計(jì)算機(jī)配置”，選擇“管理模板”下的“系統(tǒng)”，然后在右邊的配置欄中找到“關(guān)閉自動(dòng)播放”并