1.一种实现步态预测的ST-GRU忆阻神经网络电路,其特征在于,包括:用于处理时间序列的GRU单元电路、用于处理空间序列的GRU单元电路和全连接层电路;
时间序列中的每个时刻各对应一个空间序列;
所述用于处理时间序列的GRU单元电路对时间序列中各时刻的时间特征脉冲电压信号进行处理,而所述用于处理空间序列的GRU单元电路对每个时刻对应的空间序列的特征脉冲电压信号进行处理;
对于时间序列中每个时刻的时间特征脉冲电压信号,在所述用于处理时间序列的GRU单元电路对时间序列中一个时刻的时间特征脉冲电压信号进行处理后,获取所述用于处理时间序列的GRU单元电路的输出结果作为空间特征脉冲电压信号,并将该空间特征脉冲电压信号输入到所述用于处理空间序列的GRU单元电路用于对该时刻对应的空间序列的特征脉冲电压信号进行处理;当所述用于处理空间序列的GRU单元电路将该时刻对应的空间序列的所有特征脉冲电压信号均处理完成后,所述用于处理空间序列的GRU单元电路的输出结果输入到所述全连接层电路;
所述用于处理时间序列的GRU单元电路采用忆阻器阵列构成神经网络;所述用于处理空间序列的GRU单元电路采用忆阻器阵列构成神经网络。
2.上述权利要求1所述的实现步态预测的ST-GRU忆阻神经网络电路的训练方法,其特征在于,包括以下步骤:
步骤1、从训练用行人行走视频中截取一段3秒的视频,并从这段3秒的视频中逐帧抽取30张128×128的图片,然后对这些图片进行模糊处理,用傅里叶变换抽取图片中边缘进行描点,每张图片取下半身的50个锚点作为特征向量,30张图片共取1500个锚点,均分为30组,按30个时间步长进行处理,每个时间步长各处理1组锚点;
步骤2、将每组锚点转换为矩阵的形式,并按照时间顺序依次高斯编码,然后将时间序列中每个时刻的时间特征脉冲电压信号输入到所述ST-GRU忆阻神经网络电路的用于处理时间序列的GRU单元电路中,并将每个时刻对应的空间序列的特征脉冲电压信号输入到所述ST-GRU忆阻神经网络电路的用于处理空间序列的GRU单元电路中;
对于时间序列中每个时刻的时间特征脉冲电压信号,在所述用于处理时间序列的GRU单元电路对时间序列中一个时刻的时间特征脉冲电压信号进行处理后,获取所述用于处理时间序列的GRU单元电路的输出结果作为空间特征脉冲电压信号,并将该空间特征脉冲电压信号输入到所述用于处理空间序列的GRU单元电路用于对该时刻对应的空间序列的特征脉冲电压信号进行处理;当所述用于处理空间序列的GRU单元电路将该时刻对应的空间序列的所有特征脉冲电压信号均处理完成后,根据所述用于处理空间序列的GRU单元电路的输出结果更新所述用于处理时间序列的GRU单元电路的权重和所述用于处理空间序列的GRU单元电路的权重,并将所述用于处理空间序列的GRU单元电路的输出结果输入到所述全连接层电路;
步骤3、重复上述步骤1和步骤2,运行60个epoch,即完成所述ST-GRU忆阻神经网络电路的训练。
3.上述权利要求1所述的实现步态预测的ST-GRU忆阻神经网络电路的使用方法,其特征在于,包括:从待预测行人行走视频中截取一段3秒的视频,并从这段3秒的视频中逐帧抽取30张128×128的图片,然后对这些图片进行模糊处理,用傅里叶变换抽取图片中边缘进行描点,每张图片取下半身的50个锚点作为特征向量,30张图片共取1500个锚点,均分为30组,按30个时间步长进行处理,每个时间步长各处理1组锚点;将每组锚点转换为矩阵的形式,并按照时间顺序依次高斯编码,输入到训练完成的所述实现步态预测的ST-GRU忆阻神经网络电路进行处理,从而得出预测后步态。
4.一种实现步态预测的ST-GRU忆阻神经网络电路系统,其特征在于,采用上述权利要求1所述的实现步态预测的ST-GRU忆阻神经网络电路,并按照上述权利要求2所述的实现步态预测的ST-GRU忆阻神经网络电路的训练方法进行训练。