基于極限學(xué)習(xí)機的智能手機傳感器活動識別研究.pdf

1、活動識別是一個典型的時間序列分類問題，目的是為了確定傳感器數(shù)據(jù)流的某一連續(xù)部分是由哪種人體活動產(chǎn)生的，在人機交互、健康醫(yī)療、教育、遠程會議、體育運動等方面具有廣泛的應(yīng)用前景。目前，內(nèi)嵌著多種傳感器的智能手機已成為活動識別和運動監(jiān)測的理想平臺，極限學(xué)習(xí)機（ELM）經(jīng)過多年研究已成為活動識別領(lǐng)域的較為先進的研究方法。本文分別從監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)三個角度出發(fā)研究了ELM及其改進算法進一步對ELM進行優(yōu)化，并利用三個智能手機數(shù)據(jù)集

2、驗證優(yōu)化方法的可行性和有效性。
　　首先，研究了ELM監(jiān)督學(xué)習(xí)模型H-ELM，將H-ELM與深度重構(gòu)模型相結(jié)合，并在H-ELM初始化深度重構(gòu)模板參數(shù)的過程中，采用了合并權(quán)重矩陣和偏置矩陣的新思路，簡化了隨機過程步驟，而數(shù)據(jù)集驗證結(jié)果表明，該方法對傳感器數(shù)據(jù)集的識別正確率可高達99％。
　　其次，研究了ELM半監(jiān)督學(xué)習(xí)模型SS-ELM，在進入模型訓(xùn)練之前，對樣本數(shù)據(jù)進行PCA降維，盡可能地降低樣本數(shù)據(jù)間的冗余度，提高活動識別效