一種基于神經網絡的移動終端解鎖系統及其解鎖方法
【技術領域】
[0001]本發明涉及通信技術領域，尤其涉及一種基于神經網絡的移動終端解鎖系統及其解鎖方法。
【背景技術】
[0002]隨著科學技術的發展，現今智能移動終端，如手機等已然成為人們日常生活中必不可少的必需品，而移動終端在使用的過程中，人們一般都會選擇對移動終端進行鎖定，常見的解鎖方式包括:輸入密碼，屏幕滑動動作或屏幕劃過有序的點位等，且在解鎖的過程中，一般來說，用戶都需要點擊開關或雙擊屏幕，點亮移動終端屏幕再進入解鎖輸入操作實現對移動終端的解鎖。可以看出，該解鎖過程并不能滿足現今人們追求的高用戶體驗的需求，甚至在一些場合，這種繁瑣的解鎖過程會給人們帶來諸多不便。
[0003]雖然，現在也有一些諸如搖一搖的移動終端解鎖方法，但是這種解鎖方法容易造成誤解鎖，并不準確。故，如何在保障解鎖正確率的同時盡可能提高用戶體驗成為移動終端解鎖系統的一大課題。

【發明內容】

[0004]針對上述問題，本發明旨在提供一種基于神經網絡的移動終端解鎖系統及其解鎖方法，其根據用戶預設動作進行訓練得到神經網絡，再對解鎖過程中用戶輸入的檢測樣本進行判斷，不會出現誤解鎖。
[0005]本發明提供的技術方案如下:
[0006]一種基于神經網絡的移動終端解鎖系統，包括，相互連接的神經網絡模塊和采樣模塊，所述神經網絡模塊根據所述采樣模塊采集的至少一個訓練樣本進行無監督訓練得到神經網絡，所述移動終端解鎖系統將所述采樣模塊采集的檢測樣本輸入所述神經網絡判斷是否滿足解鎖移動終端的條件。
[0007]優選地，所述神經網絡模塊為后向傳播神經網絡模塊，訓練得到的所述神經網絡為后向傳播神經網絡。
[0008]后向傳播(Back Propagat1n，以下簡稱BP)神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP神經網絡能學習和存貯大量的輸入-輸出模式映射關系，無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小得到后向傳播神經網絡。
[0009]優選地，所述移動終端解鎖系統還包括分別與所述神經網絡模塊和所述采樣模塊連接的濾波模塊，所述濾波模塊用于分別對所述訓練樣本和所述檢測樣本進行濾波。
[0010]優選地，所述濾波模塊中包括相互連接的數字低通濾波器和數字卡爾曼濾波器，所述數字低通濾波器用于分別濾去所述訓練樣本和所述檢測樣本中預設頻率的干擾波動，所述數字卡爾曼濾波器用于對經過過濾的所述訓練樣本和所述檢測樣本進行測量誤差的估計和糾正。
[0011]優選地，所述移動終端解鎖系統中還包括分別與所述濾波模塊和所述神經網絡模塊連接的判斷模塊，所述判斷模塊將經過所述濾波模塊濾波的檢測樣本輸入所述神經網絡，判斷經過濾波的檢測樣本與經過濾波的訓練樣本之差是否在預設差值范圍之內，進而判定是否解鎖移動終端。
[0012]優選地，所述采樣模塊中包括6軸或9軸運動傳感器，所述6軸運動傳感器包括三軸加速度傳感器和三軸角速度傳感器，所述9軸運動傳感器包括三軸加速度傳感器、三軸角速度傳感器和三軸磁感應傳感器。
[0013]在本技術方案中，上述傳感器對包括x/y/z三個軸向上的加速度和角速度6個采樣值不斷進行采集，形成上述的訓練樣本和檢測樣本。
[0014]一種基于神經網絡的移動終端解鎖方法，包括以下步驟:
[0015]S1采集至少一個訓練樣本；
[0016]S2根據所述訓練樣本進行無監督訓練得到神經網絡；
[0017]S3采集檢測樣本；
[0018]S4將所述檢測樣本輸入所述神經網絡判斷是否滿足解鎖移動終端的條件。
[0019]優選地，在步驟S2中，具體包括以下步驟:
[0020]S21對所述訓練樣本進行濾波，
[0021]S22根據濾波后的所述訓練樣本進行無監督訓練得到神經網絡。
[0022]優選地，在步驟S4中，具體包括以下步驟:
[0023]S41對所述檢測樣本進行濾波；
[0024]S42將濾波后的所述檢測樣本輸入所述神經網絡；
[0025]S43判斷該經過濾波的檢測樣本與經過濾波的訓練樣本之差是否在預設差值范圍之內，若在預設差值范圍之內，則解鎖移動終端；若不在預設差值范圍之內，則不解鎖移動終端。
[0026]優選地，所述神經網絡為后向傳播神經網絡。
[0027]本發明提供的基于神經網絡的移動終端解鎖系統及其解鎖方法，能夠帶來以下有益效果:
[0028]在本發明中，首先通過采樣模塊不斷采樣訓練樣本，并對其進行學習和無監督訓練，得到神經網絡隱含層的權重，形成上述的神經網絡。這樣，在對移動終端進行解鎖的過程中，只需要將采樣得到的檢測樣本輸入該神經網絡，判斷該檢測樣本是否被神經網絡識別為與訓練樣本一致或接近的樣本，進而實現對移動終端的解鎖。在整個過程中，用戶可以任意根據自己的喜好設定解鎖動作，只需要將該解鎖動作預先進行訓練即可，簡單方便；且具有一定的保密性，大大降低了其他用戶解鎖該移動終端的可能性；再有，可以抗日常震動干擾，提供更加方便完善的自動化用戶體驗。
【附圖說明】
[0029]下面將以明確易懂的方式，結合【附圖說明】優選實施方式，對上述特性、技術特征、優點及其實現方式予以進一步說明。
[0030]圖1為本發明中基于神經網絡的移動終端解鎖系統第一種實施方式的結構示意圖；
[0031]圖2為本發明中基于神經網絡的移動終端解鎖系統第二種實施方式的結構示意圖；
[0032]圖3為本發明中基于神經網絡的移動終端解鎖系統第三種實施方式的結構示意圖；
[0033]圖4為本發明中基于神經網絡的移動終端解鎖方法的流程示意圖。
[0034]附圖標號說明:
[0035]1-神經網絡模塊，2-采樣模塊，3-濾波模塊，4-判斷模塊。
【具體實施方式】
[0036]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對照【附圖說明】本發明的【具體實施方式】。顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖，并獲得其他的實施方式。
[0037]如圖1所示為本發明提供的基于神經網絡的移動終端解鎖系統的第一種實施方式的結構示意圖，從圖中可以看出在該移動終端解鎖系統中包括，相互連接的神經網絡模塊1和采樣模塊2。該移動終端解鎖系統在工作過程中，首先通過采樣模塊2對訓練樣本進行采樣，隨即神經網絡模塊1針對采樣到的訓練樣本進行無監督訓練得到