1.基于输出变化微分的灵敏长短期记忆方法，其特征在于，包括以下步骤：步骤1)，建立LSTM神经网络的神经单元，其包含三个结构：输入门it、遗忘门ft和输出门ot，每个步长t与其对应的输入序列为X＝{x1，x2，...，xt}；LSTM神经网络用于识别视频中举起手臂的动作，对应的输入序列为视频的第1至t帧图片；

步骤2)，通过遗忘门决定从神经单元状态中需要丢弃的信息：令上一时刻的输出值为ht‑1、当前时刻的输入值xt，将ht‑1和xt输入到Sigmoid函数中，得到0和1之间的输出到单元状态的值，0表示全部遗忘，1表示保留全部信息，该值与单元状态相乘之后来确定舍弃信息；遗忘门的输出值ft的计算公式为：ft＝σ(wf*[ht‑1，xt]+bf)

其中，wf、bf分别为遗忘门Sigmoid函数中的权重矩阵、偏置向量，o为Sigmoid激活函数；

步骤3)，通过输入门决定向神经单元状态中的保存信息：将ht‑1和xt输入到Sigmoid函数，得到输出值it；将ht‑1和xt输入到tanh函数，得到输出值kt；it、kt的计算公式为：it＝σ(wi*[ht‑1，xt]+bi)

kt＝tanh(wk*[ht‑1，xt]+bk)

其中，wi、wk分别为输入门Sigmoid函数、tanh函数中的权重矩阵，bi、bk分别为输入门Sigmoid函数、tanh函数中偏置向量；

步骤4)，为了增加对于短时间信息的反应能力，对单元状态增加新输入 即上一时刻的输出与上上一时刻的输出的差，将 xt输入至Sigmoid函数得到输出值jt、将xt输入至tanh函数得到输出值pt，将jt、pt相乘之后加入到单元状态中，这能够增加网络对短时信息的反应能力，增加实时性；jt、pt的计算公式如下：jt＝σ(wj*[ht‑1‑ht‑2，xt]+bj)pt＝tanh(wp*[ht‑1‑ht‑2，xt]+bp)其中，wj、wp分别为对单元状态增加新输入 时Sigmoid函数、tanh函数中的权重矩阵，bj、bp分别为对单元状态增加新输入 时Sigmoid函数、tanh函数中偏置向量；

由此，得到下一时刻的单元状态为：

Ct＝ft*Ct‑1+it*kt+jt*pt

步骤5)，通过输出门决定从神经单元状态中的输出信息：将ht‑1和xt输入到Sigmoid函数，得到输出值Ot，然后，对单元状态Ct用tanh函数处理处理后乘以输出值Ot，得到传递给下一时刻的输出值ht；ot、ht的计算公式为：Ot＝σ(wO*[ht‑1，xt]+bo)

ht＝Ot*tanh(Ct)

其中，wo、bo分别为输出门Sigmoid函数中的权重矩阵、偏置向量；

步骤6)，采用LSTM算法中的学习算法进行学习，完成灵敏长短期记忆。