[发明专利]一种基于神经网络的移动终端解锁系统及其解锁方法

说明书

技术领域

本发明涉及通信技术领域，尤其涉及一种基于神经网络的移动终端解锁系 统及其解锁方法。

背景技术

随着科学技术的发展，现今智能移动终端，如手机等已然成为人们日常生 活中必不可少的必需品，而移动终端在使用的过程中，人们一般都会选择对移 动终端进行锁定，常见的解锁方式包括：输入密码，屏幕滑动动作或屏幕划过 有序的点位等，且在解锁的过程中，一般来说，用户都需要点击开关或双击屏 幕，点亮移动终端屏幕再进入解锁输入操作实现对移动终端的解锁。可以看出， 该解锁过程并不能满足现今人们追求的高用户体验的需求，甚至在一些场合， 这种繁琐的解锁过程会给人们带来诸多不便。

虽然，现在也有一些诸如摇一摇的移动终端解锁方法，但是这种解锁方法 容易造成误解锁，并不准确。故，如何在保障解锁正确率的同时尽可能提高用 户体验成为移动终端解锁系统的一大课题。

发明内容

针对上述问题，本发明旨在提供一种基于神经网络的移动终端解锁系统及 其解锁方法，其根据用户预设动作进行训练得到神经网络，再对解锁过程中用 户输入的检测样本进行判断，不会出现误解锁。

本发明提供的技术方案如下：

一种基于神经网络的移动终端解锁系统，包括，相互连接的神经网络模块 和采样模块，所述神经网络模块根据所述采样模块采集的至少一个训练样本进 行无监督训练得到神经网络，所述移动终端解锁系统将所述采样模块采集的检 测样本输入所述神经网络判断是否满足解锁移动终端的条件。

优选地，所述神经网络模块为后向传播神经网络模块，训练得到的所述神 经网络为后向传播神经网络。

后向传播(BackPropagation，以下简称BP)神经网络是1986年由Rumelhart 和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前 馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮 大量的输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程。 它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈 值，使网络的误差平方和最小得到后向传播神经网络。

优选地，所述移动终端解锁系统还包括分别与所述神经网络模块和所述采 样模块连接的滤波模块，所述滤波模块用于分别对所述训练样本和所述检测样 本进行滤波。

优选地，所述滤波模块中包括相互连接的数字低通滤波器和数字卡尔曼滤 波器，所述数字低通滤波器用于分别滤去所述训练样本和所述检测样本中预设 频率的干扰波动，所述数字卡尔曼滤波器用于对经过过滤的所述训练样本和所 述检测样本进行测量误差的估计和纠正。

优选地，所述移动终端解锁系统中还包括分别与所述滤波模块和所述神经 网络模块连接的判断模块，所述判断模块将经过所述滤波模块滤波的检测样本 输入所述神经网络，判断经过滤波的检测样本与经过滤波的训练样本之差是否 在预设差值范围之内，进而判定是否解锁移动终端。

优选地，所述采样模块中包括6轴或9轴运动传感器，所述6轴运动传感 器包括三轴加速度传感器和三轴角速度传感器，所述9轴运动传感器包括三轴 加速度传感器、三轴角速度传感器和三轴磁感应传感器。

在本技术方案中，上述传感器对包括x/y/z三个轴向上的加速度和角速度6 个采样值不断进行采集，形成上述的训练样本和检测样本。

一种基于神经网络的移动终端解锁方法，包括以下步骤：

S1采集至少一个训练样本；

S2根据所述训练样本进行无监督训练得到神经网络；

S3采集检测样本；

S4将所述检测样本输入所述神经网络判断是否满足解锁移动终端的条 件。

优选地，在步骤S2中，具体包括以下步骤：

S21对所述训练样本进行滤波，

S22根据滤波后的所述训练样本进行无监督训练得到神经网络。

优选地，在步骤S4中，具体包括以下步骤：

S41对所述检测样本进行滤波；

S42将滤波后的所述检测样本输入所述神经网络；

S43判断该经过滤波的检测样本与经过滤波的训练样本之差是否在预设 差值范围之内，若在预设差值范围之内，则解锁移动终端；若不在预设差值范 围之内，则不解锁移动终端。