1.一种基于AKC模型的健身方案推荐方法,其特征在于,包括:S1、采集若干个用户的常规数据、预测量身体数据和特定部位的近红外光谱数据;常规数据包括:用户名、年龄、性别;预测量身体数据包括:身高、体重、三围、上臂围、下臂围、大腿围、小腿围;特定部位包括但不限于肱二头肌、肱三头肌、股外侧集、腓肠肌、腹直肌;
S2、将近红外光谱数据、常规数据和预测量身体数据导入到体脂肪检测模型,得到各个用户的体脂肪数据;将用户的近红外光谱数据、常规数据、预测量身体数据和体脂肪数据构成的特征向量作为训练样本,构建训练样本集;
S3、用训练数据集训练由基于全连接神经网络的自动编码器模型和K‑means模型构成的AKC模型;
S4、将待分类用户的特征向量输入训练好的AKC模型中,得到该用户分类;
S5、根据用户的训练计划和运动期望,结合用户的分类情况给出相应的健身方案推荐;
自动编码器模型包括一个编码器和一个解码器,编码器用来编码特征向量,解码器则用于重构原始的特征矩阵;所述AKC模型的训练步骤包括:S1、将由各个用户的特征向量构成的特征向量矩阵输入一个由三个全连接神经网络组成的编码器模型中,得到各个用户在高维语义空间中的特征表示K,K根据公式1‑1计算得到:t t t
其中,U是用户的特征矩阵;H、W和B 分别是第t个全连接层的输出、权重向量与偏置向量;φ(·)是激活函数,其中φ1(x)=Relu(x)=max(0,x), 由此,对输入的用户向量进行编码,得到了高维空间中的用户特征矩阵K,其中,矩阵K的第i行ki表示第i个用户的低维特征向量;
S2、设计一个同样由三个全连接神经网络组成的解码器模型,并通过解码器重构用户的特征矩阵 由公式1‑2计算得到:通过最小化公式1‑3中定义的损失函数来优化自动编码器模型;
S3、K‑means算法首先会根据分类需求随机选择C个质心,之后通过计算各个数据点到各个质心的距离决定将该数据点加入哪类,并重新计算质心;从而逐步的将所有数据点进m×a行分类;将所有用户的低维特征向量矩阵K∈R 输入K‑means模型中,并通过最小化各用户节点到其所属类的质心的距离来优化模型;各用户节点到其所属类的质心的距离根据公式(1‑4)计算得到;
其中,ki(j)表示用户i的第j个属性,Cc(j)表示质心C的第j个属性。
2.根据权利要求1所述的基于AKC模型的健身方案推荐方法,其特征在于:所述体脂肪检测模型是基于卷积神经网络,结合PLS算法,卷积神经网络由卷积层、池化层、全连接层组成,其中卷积层用于提取图像特征,池化层用于对特征进行抽样,利于减轻模型的过拟合程度,2个卷积层的卷积核为5*5,池化层为2*2的Max pooling,体脂肪检测模型训练的具体步骤为:S1、建立卷积神经网络并初始化参数,包括网络层数、卷积核的权重、偏置、学习率、迭代次数;其中,卷积层操作为: 其中 指1层的第j个输出特征数据,指1‑1层的第i个输出特征数据, 是卷积核,是偏置,f()为sigmod函数;
S2、取经过预处理的训练样本的光谱数据x和对应的体脂的实测值yi,输入到网络,得到卷积层的输出特征图;
S3、经过一系列卷积操作把输出特征图即学习到的深层特征连接成一个矢量馈送到全连接层执行操作将输出值作为回归函数的输入,对训练样本进行预测并得到预测值 全连i i接层操作如公式所示: 其中,x 、y 分别表示m个输入向量的第i个神ij
经元和n输出向量的第j个神经元,w 为m*n的权重矩阵,b为偏置;
S4、计算n个训练样本的误差,公式为:
S5、不断调整卷积核的权重和偏置;
S6、判断迭代次数是否超过最大值,若否,重复以上步骤,否则保存权重和偏置并停止训练。
3.根据权利要求1所述的基于AKC模型的健身方案推荐方法,其特征在于:运动期望模块包含但不限于减重、增重、减脂、增肌、心肺功能提升、敏捷训练、力量训练、短跑训练、长跑训练。