基于MATLAB的用户识别神经网络训练

我正在研究步态识别问题，这项研究的目的是用于用户身份验证

我有36个用户的数据

我已经成功地为每个样本（或示例）提取了143个特征，这些特征对于每个用户来说都是（36行143列）

（换句话说，我有36个示例，每个示例提取143个特征。因此，为每个用户创建了一个名为36*143的矩阵All_Feat）

顺便说一下，列表示提取特征的数量，行表示每个特征的样本数量（示例）

然后，我将数据分为两部分，训练和测试（训练矩阵包含25行和143列，而测试矩阵包含11行和143列）

然后，对于每个用户，我将矩阵（所有专长）分为两个矩阵（训练矩阵和测试矩阵）。

训练矩阵包含（25行（示例）和143列），而测试矩阵包含（11行和143列）。

我不熟悉分类和这类东西

我想使用机器学习（神经网络）对这些特征进行分类

因此，第一步我需要为每个用户创建一个参考模板（称为培训阶段）

这可以通过使用用户的特征（数据）和其他用户（35个用户被视为冒名顶替者）训练分类器来实现

根据我所读的内容，训练神经网络需要两类，第一类包含真实用户（例如User1）的所有训练数据，并用1标记，而第二类包含冒名顶替者的训练数据，标记为0（这是二进制分类，1代表授权用户，0代表冒名顶替者）

**现在我的问题是：**

1-我不知道如何创建这些类

2-例如，如果我想为用户1训练神经网络，我有这些变量，输入和目标。我应该给这些变量分配什么

是否应输入=用户1的培训矩阵和用户2、用户3、…用户35的培训矩阵

目标=我应该为该矩阵分配什么

我真的很感激任何帮助

试试这个：

请注意：

您说过，对于每个用户，您已经提取了136个特征。听起来每个用户只有一次重复（即用户尝试使用系统一次）。然而，我不知道你的数据来源，但我不知道它没有某种随机性。您提到步态分析，这听起来像是每次用户使用系统时，给定用户的记录数据都会不同。换句话说：用户使用你的系统，你捕获数据，你提取136个特征（数字）；然后，用户再次使用系统，但提取的136个特征将略有不同。因此，您应该为每个用户提供几个示例来训练分类器。就“matlab矩阵”而言，每个示例的矩阵应该有一列，136行（每个特征）。因为每个用户都应该重复几次（例如10次），所以大矩阵应该是：136行x360列

您应该为每个用户“创建”一个新的神经网络。给定一个用户（例如User4），您将创建一个数据集（一个新的矩阵），其中包含该用户的样本以及其他几个用户（User1、User3、User5…）的样本。你做了一个二进制分类（比如“user4”和“otherusers”）。培训后，建议使用其他用户的数据测试分类器，这些用户的数据在培训阶段不存在（例如User2和其他用户）。由于您正在进行二元分类，您的矩阵应如下所示：

例如，您对每个用户有10次试用（示例）。您需要创建一个神经网络来检测用户User1。矩阵应如下所示： （表示法cU1_t1表示：包含用户1特征的列，试用版1） 输入矩阵=[cU1\u t1；cU1\u t2；…；cU1\u t10；cU2\u t1；…；cU36\u t10]

目标矩阵应如下所示： 目标=一个矩阵，其前10列为[1,0]，其他350列为[0,1]。这意味着前10列为A类型，其他列为B类型。在本例中，“A类型”表示“User1”，“B类型”表示“Not User1”

然后，您应该对数据（训练数据、验证数据、测试数据）进行分段，以训练神经网络等。记住只为测试阶段保存一些用户，例如，train矩阵不应该有五个用户的任何列：user2、user6、user7、user10、user20（50列）

我想你明白了

问候

************更新：******************************

本例假设用户选择/指示其名称，然后系统使用神经网络对用户进行身份验证（如密码）。我将给你一个随机数的小例子

假设您已经记录了15个用户的数据（但将来您将有更多）。当他们用你的记录设备做某事时，你从他们那里记录“步态数据”。从记录的信号中提取一些特征，假设提取5个特征（5个数字）。因此，每次用户使用机器时，您都会得到5个数字。即使用户相同，每次5个数字也会不同，因为记录的信号具有一定的随机性。因此，为了训练神经网络，你必须

% Create a Pattern Recognition Network
hiddenLayerSize = 10; %You can play with this number
net = patternnet(hiddenLayerSize);

%Specify the indices of each matrix
net.divideFcn = 'divideind';
net.divideParam.trainInd = [1: 156];
net.divideParam.valInd = [157:214];
net.divideParam.testInd = [215:270];

% % Train the Network
[net,tr] = train(net, inputMatrix, targetMatrix);