基于ARINC661和遺傳融合的手勢識別算法研究

摘" 要： 傳統(tǒng)的手勢識別算法通常受到復(fù)雜手勢模式和噪聲干擾等因素影響，導(dǎo)致其精度受到了限制，且不符合航電系統(tǒng)規(guī)范，故提出一種符合ARINC661規(guī)范的蟻群非支配順序遺傳融合神經(jīng)網(wǎng)絡(luò)算法。通過蟻群優(yōu)化算法優(yōu)化初始種群，使用第三代非支配排序遺傳算法挑選種群下一代個體，保留種群多樣性。引入蟻群優(yōu)化后的變異與交叉策略以及種群尋優(yōu)更新策略，提高算法的收斂速度；并對神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行全局優(yōu)化，提高估計精度以及手勢識別系統(tǒng)的魯棒性。實驗結(jié)果表明，相較于現(xiàn)有算法，所提算法顯著提高了準(zhǔn)確率和收斂速度，并降低了平均標(biāo)準(zhǔn)誤差，為應(yīng)用于航電系統(tǒng)中的手勢識別精度不足問題提供了有效的解決方案。

關(guān)鍵詞： ARINC661； 非支配排序遺傳算法； 手勢識別； 蟻群優(yōu)化算法； BP神經(jīng)網(wǎng)絡(luò)； 變異策略

中圖分類號： TN911?34； TP391.4" " " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " "文章編號： 1004?373X（2024）24?0081?07

Research on gesture recognition algorithm based on ARINC661 and genetic fusion

SUN Senran1， CHENG Jinling2， HUANG Sujuan1

（1. School of Communication and Information Engineering， Shanghai University， Shanghai 200444， China;

2. Shanghai Aircraft Design and Research Institute， COMAC， Shanghai 201210， China）

Abstract： Traditional gesture recognition algorithms are usually affected by complex gesture patterns and noise interference， which leads to limited accuracy and does not conform to avionics system specifications. Therefore， an ant colony non?dominated sorting genetic algorithm?back propagation neural network conforming to ARINC661 specifications is proposed. The ant colony optimization （ACO） algorithm was used to optimize the initial population， and the third generation non?dominant sorting genetic algorithm was used to select the next generation individuals to preserve the diversity of the population. The mutation and crossover strategy after ACO and the population optimization update strategy are introduced to improve the convergence speed of the algorithm， and the weight and threshold of the neural network are optimized globally to improve the estimation accuracy and the robustness of the gesture recognition system. The experimental results show that， in comparison with existing algorithms， this algorithm can significantly increase the accuracy and convergence speed， and reduce the average standard error， providing an effective solution to the problem of insufficient gesture recognition precision in avionics systems.

Keywords： ARINC661; non?dominated sorting genetic algorithm; gesture recognition; ant colony optimization algorithm; BP neural network; variation strategy

0" 引" 言

手勢識別技術(shù)用于識別和理解人類手部動作和姿勢的過程時，需要將手勢信號轉(zhuǎn)換為數(shù)字信號，以便進(jìn)一步處理，從而實現(xiàn)對手勢的自動識別和解釋[1]。近年來，這一技術(shù)在民機(jī)駕駛艙中得到了廣泛應(yīng)用[2]，駕駛艙的應(yīng)用重點在于對包括顯控在內(nèi)的駕駛艙系統(tǒng)進(jìn)行重新設(shè)計，以使手勢識別技術(shù)對駕駛艙設(shè)備產(chǎn)生深遠(yuǎn)的影響。ARINC661規(guī)范[3]是一個廣泛應(yīng)用于航空電子領(lǐng)域的標(biāo)準(zhǔn)，其目的是提升航空電子顯示系統(tǒng)的創(chuàng)新性和互操作性[4]。隨著航空電子的不斷發(fā)展，ARINC661規(guī)范也需要不斷適應(yīng)新性的技術(shù)趨勢。在航空電子系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)可以用于改進(jìn)手勢識別系統(tǒng)，提高準(zhǔn)確率和性能。通過使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，可以更準(zhǔn)確地解釋和識別飛行員的手勢[5]，減少誤操作的可能性。這不僅提高了系統(tǒng)的可用性，還增加了駕駛員與系統(tǒng)的互動體驗。

目前，基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的手勢識別技術(shù)已成為備受矚目的研究方向[6]。神經(jīng)網(wǎng)絡(luò)以其卓越的自學(xué)習(xí)性和非線性適應(yīng)能力，被廣泛用于處理手勢的結(jié)構(gòu)特征、邊緣結(jié)構(gòu)以及輪廓等方面[7]。然而，傳統(tǒng)的反向傳播（Back Propagation， BP）神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)了收斂速度較慢、容易陷入局部最小值等問題[8]。即使在對手勢圖像進(jìn)行預(yù)處理后，僅采用BP神經(jīng)網(wǎng)絡(luò)算法仍然容易出現(xiàn)手勢缺失、變形以及低精度的問題[5]。文獻(xiàn)[9]提出將遺傳算法（Genetic Algorithm， GA）和粒子群（Particle Swarm Optimization， PSO）算法等全局尋優(yōu)算法相結(jié)合的方法，通過融合遺傳算法和粒子群算法以增強(qiáng)解空間的探索和搜索能力。文獻(xiàn)[10]提出了GA?BP神經(jīng)網(wǎng)絡(luò)，它結(jié)合了遺傳算法和反向傳播算法，以優(yōu)化網(wǎng)絡(luò)的權(quán)重，防止陷入局部最優(yōu)解。GA?BP算法相對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法，具有更強(qiáng)的全局搜索能力，有助于避免陷入局部最小值，有望緩解手勢變形和缺失等狀態(tài)[11]。其中，遺傳算法采用多點并行搜索，依據(jù)“適者生存”的原則，逐代演化產(chǎn)生越來越優(yōu)秀的近似解[12]。作為遺傳算法的衍生方法，非支配排序遺傳算法（Non?Dominated Sorting Genetic Algorithm， NSGA）是一種基于Pareto最優(yōu)概念的多目標(biāo)優(yōu)化算法[13]。NSGA?Ⅲ算法[14]由NSGA和NSGA?Ⅱ[15]發(fā)展而來，其不受問題性質(zhì)的限制，能夠有效地處理復(fù)雜問題[16]。

為了優(yōu)化系統(tǒng)收斂性和全局搜尋性能，提升不同手勢樣本的區(qū)別性，本文提出一種混合全局、局部的蟻群非支配排序遺傳融合神經(jīng)網(wǎng)絡(luò)算法（Hybrid Global?Local Search Ant Colony Optimization?Non?dominated Sorting Genetic Algorithm?Back Propagation Neural Network， HSACO?NSGA?BP），該算法結(jié)合了蟻群優(yōu)化（Ant Colony Optimization， ACO）算法和遺傳算法的優(yōu)勢。實驗結(jié)果表明，所提出的HSACO?NSGA?BP在ARINC661規(guī)范下的手勢識別任務(wù)中，平均準(zhǔn)確率達(dá)到97.02%，優(yōu)于現(xiàn)有的基準(zhǔn)算法，證明了本文方法的有效性。

1" 基于ARINC661的手勢識別框架

1.1" 駕駛艙顯示系統(tǒng)功能

基于ARINC661的駕駛艙顯示系統(tǒng)可以分為CDS和UA兩個關(guān)鍵部分，如圖1所示。CDS是用于生成和管理駕駛艙的顯示畫面，同時提供外部輸入設(shè)備的數(shù)據(jù)接口，接收并處理來自飛行員的控制指令[17]。而UA則負(fù)責(zé)向CDS提供數(shù)據(jù)源以及用戶交互的控制指令。一旦系統(tǒng)上電，CDS會加載并解析定義文件（Definition File， DF），然后通過UA執(zhí)行顯示畫面的邏輯處理和實時更新畫面信息。

然而，ARINC661規(guī)范的重要創(chuàng)新之一是將座艙顯示系統(tǒng)的圖像顯示和控制功能明確分隔開。在這一設(shè)計中，顯示器的主要職責(zé)是根據(jù)接收到的指令來顯示或隱藏窗體部件。因此，當(dāng)用戶進(jìn)行點擊或操作時，顯示系統(tǒng)無法直接確定與操作相關(guān)的窗體部件。這種架構(gòu)中的核心概念是“窗體化”，如圖2所示，即將顯示畫面劃分為多個窗體，每個窗體都具有特定的功能和用途。

因此當(dāng)用戶點擊顯示器時，顯示器不知道畫面內(nèi)容，無法定義到相關(guān)窗體部件。要想獲取手勢信息，需要先確定具體窗口，再指向內(nèi)部有渲染的畫面，尋找其所在圖層，并對有畫面渲染的圖層進(jìn)行窗口部件遍歷，定位具體相關(guān)的窗口部件號。這種方式類似于計算機(jī)桌面，桌面上開啟很多的頁面，可以在去定位需求頁面時進(jìn)行相關(guān)操作，但同時其他頁面不可操作且相互不影響。

1.2" 手勢識別框架

通過前期對ARINC661規(guī)范和手勢場景的分析，出于對交互行為的合理性與功能性評估，本文主要采用基于模塊化的設(shè)計思路，總體的手勢識別流程如圖3所示。首先截取濾波后的手勢信號，通過觸控軌跡擬合和矢量化后生成訓(xùn)練集樣本，輸入網(wǎng)絡(luò)訓(xùn)練并生成測試集樣本，訓(xùn)練集樣本經(jīng)過迭代訓(xùn)練出具有較高準(zhǔn)確率和收斂性的模型；同時用測試集樣本檢測識別新的樣本，得到最優(yōu)網(wǎng)絡(luò)模型，完成利用手勢識別模塊的過程。

2" 蟻群非支配遺傳融合神經(jīng)網(wǎng)絡(luò)算法原理

2.1" 基于改進(jìn)蟻群算法的種群初始化策略

對于NSGA?Ⅲ算法而言，初始種群的質(zhì)量對于算法的收斂效率具有關(guān)鍵影響。為了優(yōu)化初始種群，本文提出了一種結(jié)合ACO算法和NSGA?Ⅲ算法的混合方法，以綜合兩種算法的優(yōu)點。ACO算法具有高速高效的搜索特性和強(qiáng)大的全局搜索能力，能夠更好地探索解空間，避免陷入局部最優(yōu)解，提高整體搜索效率。蟻群算法是一種啟發(fā)式優(yōu)化算法，受到了螞蟻覓食行為的啟發(fā)。在自然界中，螞蟻通過釋放信息素來沿著路徑通信，并根據(jù)信息素濃度選擇路徑，從而找到食物源。蟻群算法模擬了這種行為，用于解決優(yōu)化問題。其中，在路徑上留下更多的信息素這一行為，使得螞蟻在探索空間時會逐漸聚集在較短路徑周圍，從而實現(xiàn)全局路徑的優(yōu)化。

1） 轉(zhuǎn)移概率準(zhǔn)則：[Pkij]表示t時刻螞蟻k由焊點i轉(zhuǎn)移到焊點j的概率。

[Pkij=τijtα?ηijtβs∈tabukτistα?ηistβ，" " " " "j∈tabuk0，" " " " " " " " " " " " " " " " " " " " " " " " " " "其他" " " " ] （1）

式中[tabukk=1，2，…，n]稱為禁忌表，用于記錄螞蟻k當(dāng)前已經(jīng)走過的地方。

2） 局部調(diào)整準(zhǔn)則：在解的構(gòu)建過程中，每只螞蟻都會進(jìn)行局部調(diào)整。經(jīng)過h個時刻后，根據(jù)以下公式調(diào)整兩個元素狀態(tài)之間的局部信息素數(shù)量。

[τijt+h=1-ζτijt+ζτ0] （2）

[τ0=1nlmin] （3）

式中：[ζ∈0，1]；[lmin]指在集合中最近的兩個變量的距離。

3） 全局調(diào)整準(zhǔn)則：若出現(xiàn)全局調(diào)整的情況，就必須尋找全局最優(yōu)解的螞蟻。全局調(diào)整的規(guī)則如下：

[τijt+n=1-ρτijt+ρΔτijt] （4）

[Δτijt=k=1mΔτkijt] （5）

式中：[ρ]為揮發(fā)系數(shù)，[ρ∈0，1]；[Δτijt]表示本次循環(huán)中路徑[ij]上的信息素數(shù)量的增量；[Δτkijt]表示第k只螞蟻做本次循環(huán)中留在路徑[ij]上的信息量。

在每個階段，個體根據(jù)其適應(yīng)度值與其他個體交互，生成新的解。如果新解比當(dāng)前個體更優(yōu)，則接受該新解。ACO算法作為輔助工具，使用加權(quán)和法將目標(biāo)函數(shù)轉(zhuǎn)換為單一的適應(yīng)度值，通過多次迭代找到單目標(biāo)問題的最優(yōu)解。NSGA?Ⅲ算法被用來進(jìn)一步優(yōu)化改進(jìn)，將ACO算法獲得的解作為NSGA?Ⅲ算法的初始父代種群，可以增加初始種群的多樣性和整體質(zhì)量，加速進(jìn)化和收斂過程，縮短尋找最優(yōu)解所需的時間，從而提高整體算法效率。

2.2" 基于改進(jìn)NSGA?Ⅲ算法的全局搜索策略

交叉和變異是影響NSGA?Ⅲ算法收斂性的主要因素。錦標(biāo)賽選擇機(jī)制是確保只有最適應(yīng)的個體參與交叉和變異操作，有效地保留了種群中的優(yōu)秀基因片段，并將它們傳遞給下一代。交叉操作通過重組種群中個體的基因片段來實現(xiàn)全局搜索；而變異操作則通過隨機(jī)修改個體的基因片段來進(jìn)行局部搜索，從而增加種群的多樣性。采用自適應(yīng)調(diào)整的交叉和變異算子可以根據(jù)適應(yīng)度函數(shù)的大小動態(tài)的改變，從而避免優(yōu)化效率過低的問題。在選擇適應(yīng)度函數(shù)時，可以利用目標(biāo)函數(shù)的輸出來計算輸出期望誤差與實際輸出誤差之間的差值（絕對值），計算公式如下所示：

[FiE=Emax-E] （6）

式中：[Emax]為誤差函數(shù)的最大值；[E]為系統(tǒng)總誤差；[FiE]為單個個體適應(yīng)度函數(shù)。

在遺傳算法的早期，應(yīng)該采用較大的變異率和較小的交叉率，以便盡快掌握全局范圍內(nèi)的解；進(jìn)入后期，則需要減小變異率和增加交叉率，以便更好地跳出局部最優(yōu)解，并生成更多新的個體。交叉和變異概率計算公式如下：

[a'i=1-rai+rbi] （7）

[b'i=rai+1-rbi] （8）

[a'i=ai+ai-amaxfr，" " "rlt;0.5ai+amin-aifr，" " "r≥0.5] （9）

[fr=r1-GGmax] （10）

式中：[a'i]和[b'i]為父本母本經(jīng)過交叉操作之后形成的新個體；[ai]和[bi]為被選中的父本和母本；[r]為0～1之間的隨機(jī)數(shù)；[amin]為基因的下限值；[amax]為基因的上限值；[G]為當(dāng)前迭代次數(shù)；[Gmax]為最大迭代次數(shù)。

在交叉操作過程中，采用單點交叉的方法。對于每個個體，當(dāng)出現(xiàn)其交叉概率低于預(yù)設(shè)的交叉率時，會隨機(jī)選擇一個交叉點，將兩個父代個體在該交叉點之后的基因部分進(jìn)行互換，從而實現(xiàn)基因的交叉。這樣做重新組合了兩個個體之間的遺傳信息。變異操作則是采用單點變異的方式。對于每個個體的每個基因，計算其變異概率，如果這個概率小于預(yù)設(shè)的變異率，則將該基因進(jìn)行取反，即翻轉(zhuǎn)對應(yīng)的二進(jìn)制位。這樣可以引入新的遺傳信息，增加個體的多樣性。交叉和變異操作示意圖如圖4所示。

通過反復(fù)進(jìn)行交叉和變異操作，不斷生成新的個體并更新其適應(yīng)度，這個過程將一直持續(xù)，直到滿足停止條件。在優(yōu)化過程中，交叉率與變異率會根據(jù)當(dāng)前種群的階段動態(tài)調(diào)整。這種自適應(yīng)調(diào)整使得算法能夠更靈活地適應(yīng)求解過程中的不同階段，從而提升整體算法的計算效率和收斂速度，提高全局搜索能力。通過搜索更廣闊的個體解空間，增加了發(fā)現(xiàn)種群全局最優(yōu)解的可能性，同時也加快了多目標(biāo)優(yōu)化問題的解決速度。

2.3" HSACO?NSGA?BP算法的實現(xiàn)

1） 參數(shù)初始化。參數(shù)初始化是建立BP神經(jīng)網(wǎng)絡(luò)的重要步驟。首先，根據(jù)數(shù)據(jù)集的輸入和輸出確定了網(wǎng)絡(luò)的結(jié)構(gòu)，包括輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)；然后，需要計算隱含層節(jié)點數(shù)，將產(chǎn)生初始權(quán)值和閾值組成的所有元素。

2） 初始化種群。初始化種群包括種群編碼和種群生成。基于二進(jìn)制編碼隨機(jī)生成一個初始的候選解種群，種群的個體數(shù)為N，并采用ACO算法對初始種群進(jìn)行優(yōu)化。計算得到種群中每個個體的適應(yīng)度值（目標(biāo)函數(shù)值），評價對應(yīng)每種目標(biāo)分配方案的好壞。

3） 錦標(biāo)賽選擇。采用錦標(biāo)賽選擇的方式在種群中選出優(yōu)秀個體成為第一代父代，具體如下。

步驟1：對參與錦標(biāo)賽的每個個體進(jìn)行適應(yīng)度計算，適應(yīng)度越高的個體得分越高。

步驟2：從種群中隨機(jī)選擇2個個體，在二元錦標(biāo)賽選擇中，每個個體被選擇的概率相同。

步驟3：比較選中個體的適應(yīng)度值，選擇適應(yīng)度值最佳的個體作為獲勝者，并將其選入下一代種群。

步驟4：重復(fù)步驟1～步驟3，直到新的種群規(guī)模達(dá)到原始種群的規(guī)模。由于每次選擇是獨立的，相同的個體可能在不同輪次中被多次選中，也可能有個體在錦標(biāo)賽中從未被選中。這種方法使得優(yōu)良個體更有機(jī)會被選中，同時保留了一定的隨機(jī)性，以確保種群的多樣性。

4） 交叉與變異。對父代種群進(jìn)行自適應(yīng)交叉和變異，產(chǎn)生新子代。

5） 交叉與變異后的種群優(yōu)化?；贏CO算法對新子代進(jìn)行擴(kuò)展，得到二次尋優(yōu)后的新解。

6） 合并得到新種群。合并父代和子代，得到規(guī)模為2N的新種群。

7） 非支配排序與個體選擇。對新種群進(jìn)行非支配排序和參考點選擇，包括建立種群的非支配分層、非支配層級中的種群選擇。

8） 判斷迭代次數(shù)（T）。判斷T是否大于最大迭代次數(shù)，若否則T=T+1，并返回步驟4）；是則算法運(yùn)行，獲取最優(yōu)權(quán)值和閾值。

9） 將尋優(yōu)結(jié)果代入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，計算訓(xùn)練誤差，當(dāng)誤差達(dá)到目標(biāo)要求時輸出結(jié)果；否則繼續(xù)進(jìn)行步驟，重新計算誤差。

HSACO?NSGA?BP算法流程見圖5。

3" 實驗結(jié)果與分析

為了證明HSACO?NSGA?BP算法的有效性，設(shè)置了對比實驗，分別與NSGA?Ⅲ、GA?BP、NSGA?BP、ACO?GA?BP進(jìn)行對比。GA和NSGA?Ⅲ是多目標(biāo)優(yōu)化領(lǐng)域的經(jīng)典算法；GA?BP和NSGA?Ⅲ?BP是進(jìn)化多目標(biāo)優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)算法的融合。實驗在所有測試問題上均獨立運(yùn)行30次。

3.1" 實驗參數(shù)設(shè)置

本文搭建了一個采集數(shù)據(jù)的實驗平臺來進(jìn)行識別的相關(guān)實驗，平臺由觸控屏硬件和手勢數(shù)據(jù)解析程序軟件組成。軟件基于PyTorch搭建，訓(xùn)練輪次設(shè)置為30，輸入樣本的批數(shù)據(jù)量為1 024。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和精度評估過程中，需要建立一個誤差評判標(biāo)準(zhǔn)。本文采用平均絕對誤差（Mean Absolute Error， MAE）作為誤差評價指標(biāo)，其表達(dá)式如下：

[MAE=1ni=1nyi-Yi] （11）

由于每個輸入樣本的不同，每個樣本對應(yīng)一種手勢標(biāo)簽，這樣可以轉(zhuǎn)化為一種單標(biāo)簽多分類問題。在ARINC661規(guī)范下應(yīng)用NSGA?Ⅲ和4種改進(jìn)型GA算法分別進(jìn)行獨立實驗，比較HSACO?NSGA?BP在不同種群規(guī)模和參數(shù)配置下的實驗情況。算法初始參數(shù)設(shè)置如表1所示。

在神經(jīng)網(wǎng)絡(luò)模型中，閾值的設(shè)定尤為重要，針對本文設(shè)計的各種手勢重復(fù)進(jìn)行若干次操作，提取有效的手勢數(shù)據(jù)后，將其輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，并與預(yù)先設(shè)定的識別結(jié)果進(jìn)行對比。手勢識別結(jié)果表明，當(dāng)判斷閾值設(shè)定為0.2，結(jié)果合理可靠。手勢識別結(jié)果如表2所示。從表2中可以發(fā)現(xiàn)，對于大部分手勢，本文設(shè)計的手勢識別算法能夠準(zhǔn)確地識別手勢類型。

3.2" 收斂性分析

應(yīng)用NSGA?Ⅲ算法和4種改進(jìn)型NSGA?Ⅲ算法分別進(jìn)行50次獨立實驗，設(shè)置多組對照實驗對不同算法的收斂時間進(jìn)行測試，實驗結(jié)果如表3所示。

由表3可以看出，HSACO?NSGA?BP算法在收斂速度上具有明顯優(yōu)勢，其在迭代次數(shù)不同的兩種情況下的50次實驗平均收斂時間為1.53 s、1.23 s，與原始NSGA?Ⅲ算法相比分別減少35.17%、49.80%，同時時間復(fù)雜度未見明顯的上升。通過在同一組小規(guī)模測試問題上多次獨立運(yùn)行5種算法，并比較其解的質(zhì)量可知，基于HSACO?NSGA?BP算法得到的目標(biāo)函數(shù)值的平均值、最好值均明顯優(yōu)于原始算法，證明了改進(jìn)算法的有效性。

3.3" 不同算法結(jié)果對比

通過網(wǎng)絡(luò)訓(xùn)練和數(shù)據(jù)可視化，觀察測試集在手勢識別誤差損失變化和平均準(zhǔn)確率，具體如圖6所示。

由圖6可看出，HSACO?NSGA?BP算法始終優(yōu)于另外4種算法，進(jìn)一步驗證了本文算法的優(yōu)勢。從整體的訓(xùn)練結(jié)果來看，當(dāng)訓(xùn)練第70輪時，手勢識別準(zhǔn)確率接近最高準(zhǔn)確率和最低誤差損失，并在最后30輪中趨于平穩(wěn)；同時最高和最低手勢識別準(zhǔn)確率相差只接近10%，預(yù)測模型的誤差明顯更小，表明HSACO?NSGA?BP神經(jīng)網(wǎng)絡(luò)模型有較好的優(yōu)化效果，提高了預(yù)測精度。

4" 結(jié)" 語

本文提出了一種符合ARINC661規(guī)范的蟻群非支配順序遺傳融合神經(jīng)網(wǎng)絡(luò)算法，旨在將其應(yīng)用于民航駕駛艙顯示系統(tǒng)。首先構(gòu)建了一個基于ARINC661規(guī)范的手勢識別算法評估平臺，實現(xiàn)了手勢識別的模塊化處理。在核心的手勢識別模塊，針對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法在ARINC661規(guī)范下的一系列問題，包括收斂速度慢、精度不佳以及收斂過程中的振蕩等。本文采用蟻群算法和遺傳算法結(jié)合的方式，一定程度上平衡收斂性和多樣性。與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和NSGA?Ⅲ算法相比，新算法更為簡潔、復(fù)雜度更低、訓(xùn)練速度更快，同時更易于訓(xùn)練；此外，還提高了特征提取的準(zhǔn)確率和可靠性。最終，模型的準(zhǔn)確率較其他基準(zhǔn)算法平均提高了近10%，收斂時間平均減少42.485%。

綜合來看，本文在ARINC661規(guī)范下設(shè)計的民航駕駛艙顯示系統(tǒng)的手勢識別模型HSACO?NSGA?BP表現(xiàn)出更出色的整體性能，為提高民航駕駛艙系統(tǒng)的用戶體驗和操作效率提供了有力的支持。這一方法有望在實際應(yīng)用中取得顯著的成果，進(jìn)一步促進(jìn)手勢識別技術(shù)在民航領(lǐng)域的應(yīng)用和發(fā)展。

參考文獻(xiàn)

[1] WISENER W J， RODRIGUEZ J D， OVANDO A， et al. Atop?view hand gesture recognition system for IoT applications [C]// Proceeding of the 5th International Conference on Smart Systems and Inventive Technology. Tirunelveli， India， 2023： 430?434.

[2] ARINC Specification 661Part1?8： Cockpit Display System Interfaces To User Systems [S]. America： Aeronautical Radio， INC， 2020.

[3] NUHOGLU M A， ALPYK， ULUSOY M E C， et al. Image segmentation for radar signal deinterleaving using deep learning [J]. IEEE transactions on aerospace and electronic systems， 2023， 59（1）： 541?554.

[4] BARLADIAN B K， SHAPIRO L Z， DERYABIN N B， et al. Efficient rendering for the cockpit display system designed in compliance with the ARINC 661 standard [J]. Programming and computer software， 2022， 48： 147?154.

[5] WANG Y， ZHANG S， KONG D， et al. The design and imple?mentation of primary flight display components based on SCADE [C]// Proceeding of 2021 IEEE 3rd International Conference on Civil Aviation Safety and Information Technology. Piscataway： IEEE， 2021： 470?474.

[6] WU H P， LI L. The BP neural network with Adam optimizer for predicting audit opinions of listed companies [J]. IAENG international journal of computer science， 2021， 48（2）： 364?368.

[7] BARLADYAN B， SHAPIRO L， DERYABIN N， et al. Optimiz?ing ARINC661 rendering for OpenGL with hardware support in the JetOS aviation operating system [EB/OL]. [2023?12?07]. https：//www.aminer.cn/pub/62ac21935aee126c0fa71fe8.

[8] 吳詩輝，周宇，李正欣，等.基于神經(jīng)網(wǎng)絡(luò)時變參數(shù)系統(tǒng)仿真優(yōu)化方法[J].系統(tǒng)工程與電子技術(shù)，2023，45（2）：472?480.

[9] 毛錦鑫，何坤金，陳金旺，等.基于GA?BP的實時視頻通信自適應(yīng)前向糾錯碼[J].計算機(jī)應(yīng)用研究，2023，40（12）：3760?3765.

[10] NIMISHA S， MARIE G， JOSCHA K， et al. ARINC 661 based user interface design for a sustainable aviation application on an electronic flight bag [C]// AIAA SCITECH 2023 Forum. Maryland， USA： AIAA， 2023： 11?23.

[11] MANECKSHAW B， MAHAPATRA G S. Multi?objective evolutionary algorithm on reliability redundancy allocation with interval alternatives for system parameters [J]. Neural computing and applications， 2022， 34（21）： 18595?18609.

[12] YANG T J， BAI X H， CUI X J， et al. Trans DIR： deformable imaging registration network based on transformer to improve the feature extraction ability [J]. Medical physics， 2021， 49（2）： 952?965.

[13] 張萌.基于BP神經(jīng)網(wǎng)絡(luò)的高精度本地多基準(zhǔn)時鐘合成算法研究[J].電子學(xué)報，2019，47（8）：1618?1625.

[14] ZOU F Y， SHEN L， JIE Z Q， et al. A sufficient condition for convergences of adam and RMSProp [C]// Proceeding of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach， California， USA： IEEE， 2019： 11127?11135.

[15] XU D P， ZHANG S D， ZHANG H S， et al. Convergence of the RMSProp deep learning method with penalty for nonconvex optimization [J]. Neural network， 2021， 139： 17?23.

[16] SHEN L， CHEN C， ZOU F， et al. A unified analysis of AdaGrad with weighted aggregation and momentum acceleration [J]. IEEE transactions on neural networks and learning systems， 2023（2）： 1?9.

[17] SENTHIL R， NARAYANAN B， VELMURUGAN K. Develop the hybrid adadelta stochastic gradient classifier with optimized feature selection algorithm to predict the heart disease at earlier stage [J]. Measurement： sensors， 2023， 25： 100602.

作者簡介：孫森然（1999—），男，江蘇鹽城人，碩士研究生，研究方向為手勢識別和民用飛機(jī)航電系統(tǒng)。

程金陵（1986—），男，河南信陽人，碩士研究生，研究員，研究方向為民用飛機(jī)航電系統(tǒng)。

黃素娟（1968—），女，江蘇蘇州人，博士研究生，教授，研究方向為數(shù)字圖像處理、數(shù)字全息。