摘要:
提出一種基于近鄰成分分析(Neighbourhood component analysis, NCA)、L2正則化和隨機配置網絡(Stochastic configuration networks, SCNs)的輕量型人體行為識別學習模型. 首先, 針對人體行為特征集維數過高且可分性差的問題, 利用NCA從特征集中選擇高相關性特征子集, 進而提高模型建模計算過程的輕量性和識別精度. 其次, 針對SCNs隱含層節點過多時容易出現過擬合的問題, 采用L2正則化方法增強SCNs的泛化能力, 同時利用監督機制約束產生隱含層參數的方法, 極大地提高了SCNs模型的輕量性. 最后, 將所提NCA?L2?SCNs學習模型在UCI HAR特征集上進行驗證, 實驗結果表明, 相比于其他模型, 本文所提輕量型模型對于人體行為識別具有更好的識別精度和更快的建模速度.